Apache Arrow DataFusion 中 Parquet 数据剪枝对更多类型的支持
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:
-
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"。 -
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。
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0266cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









