首页
/ Apache Arrow DataFusion 中 Parquet 数据剪枝对更多类型的支持

Apache Arrow DataFusion 中 Parquet 数据剪枝对更多类型的支持

2025-05-31 01:02:14作者:段琳惟

在 Apache Arrow DataFusion 项目中,Parquet 文件格式的数据剪枝(pruning)功能是一个重要的性能优化手段。它通过利用 Parquet 文件中的列统计信息(如最小值、最大值等)来跳过不相关的数据页或行组,从而减少 I/O 操作和提高查询性能。

目前 DataFusion 的剪枝功能主要支持整数类型等有限的数据类型,而对于浮点类型的支持存在一些限制。当用户使用浮点列进行过滤查询时,如果查询条件中包含浮点字面量(如 10.0),系统会自动将其视为双精度浮点数(Float64),这会导致浮点列被强制转换为双精度类型,从而无法利用现有的统计信息进行剪枝优化。

这个问题源于 DataFusion 物理优化器中的 verify_support_type_for_prune 函数,该函数目前只允许特定类型的转换组合。具体来说,当遇到浮点列与双精度字面量的比较时,系统会阻止使用统计信息进行剪枝。

解决方案可以从两个角度考虑:

  1. 扩展 verify_support_type_for_prune 函数,使其支持更多数值类型之间的转换,特别是浮点类型。一个简单的改进是将检查条件放宽为"如果源类型和目标类型都是数值类型"。

  2. 在查询解析阶段,对浮点字面量进行更智能的类型推断,避免不必要的类型提升。例如,当浮点列与 10.0 比较时,可以尝试将字面量保持为单精度浮点数(Float32)而非默认的双精度。

值得注意的是,浮点数的剪枝还涉及到一些特殊值的处理,如 NaN(非数字)。根据 Parquet 格式规范,NaN 值的比较行为需要特别处理,这增加了实现的复杂性。在实际查询中,如果统计信息中包含 NaN 值,剪枝逻辑需要确保不会错误地排除有效数据。

这个优化对于数据分析工作负载尤为重要,因为许多科学计算和机器学习应用都广泛使用浮点数据类型。通过完善浮点类型的剪枝支持,可以显著提升这类查询的性能,特别是在处理大型 Parquet 数据集时。

随着 Apache Arrow 生态系统的不断发展,对 Parquet 格式的支持也在持续完善。这个问题的解决不仅会提升 DataFusion 的性能,也将增强其与其他大数据处理工具的互操作性。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8