首页
/ DuckDB写入Parquet文件时DELTA_BINARY_PACKED编码异常分析

DuckDB写入Parquet文件时DELTA_BINARY_PACKED编码异常分析

2025-05-06 16:36:38作者:齐冠琰

问题现象

在使用DuckDB数据库系统(版本1.2.1.dev321)将大规模数据导出为Parquet格式文件时,当数据量达到一定规模后会出现"InternalException: INTERNAL Error: value count mismatch when writing DELTA_BINARY_PACKED"的错误。该问题在数据规模因子(scale factor)为1时可以正常工作,但当scale factor增加到5或更高时就会触发异常。

问题复现

通过以下Python代码可以稳定复现该问题:

import duckdb
con = duckdb.connect()
con.sql("ATTACH './db.duckdb' AS db (STORAGE_VERSION 'v1.2.0')")
con.sql("use db")
con.sql("CALL dbgen(sf=5)")  # 生成测试数据
con.sql("COPY (SELECT * FROM partsupp) TO './partsupp' (FORMAT PARQUET,PARQUET_VERSION V2,PER_THREAD_OUTPUT TRUE,ROW_GROUP_SIZE 2_000_000 , APPEND)")
con.close()

另一个更简单的复现方式是使用range函数生成大量数据:

COPY (SELECT * from range(100_000_000)) TO 'partsupp.parquet' 
(FORMAT PARQUET, PARQUET_VERSION V2, ROW_GROUP_SIZE 20_000_000, overwrite);

技术背景

Parquet文件格式

Parquet是一种列式存储文件格式,专为大数据处理设计。它采用了多种编码方式来优化存储效率,其中DELTA_BINARY_PACKED是一种针对整数类型的高效编码方式。

DELTA_BINARY_PACKED编码

DELTA_BINARY_PACKED是Parquet格式中用于存储整数序列的一种编码方式,它通过存储相邻值之间的差异(delta)而非原始值来减少存储空间。这种编码特别适合存储单调递增或变化较小的整数序列。

问题分析

从错误信息"value count mismatch when writing DELTA_BINARY_PACKED"可以推断,问题发生在将数据写入Parquet文件时,DELTA_BINARY_PACKED编码器检测到实际写入的值数量与预期不符。这种情况通常发生在:

  1. 数据分块处理时,某个分块的数据计数出现错误
  2. 多线程并行写入时,线程间的协调出现问题
  3. 缓冲区大小设置不当导致数据分块不完整

解决方案

根据社区反馈和代码提交记录,该问题已在后续版本中修复。对于遇到此问题的用户,可以采取以下临时解决方案:

  1. 减小ROW_GROUP_SIZE参数值:将ROW_GROUP_SIZE设置为更小的值(如100万或更小)可以避免触发该错误
  2. 升级DuckDB版本:使用包含修复的更新版本

最佳实践建议

在处理大规模数据导出为Parquet格式时,建议:

  1. 根据系统内存大小合理设置ROW_GROUP_SIZE
  2. 对于超大数据集,考虑分批导出
  3. 定期更新到稳定版本以获得最新的错误修复和性能改进

总结

该问题揭示了在大规模数据处理场景下,编码器实现需要特别注意线程安全和数据分块完整性。DuckDB团队已迅速响应并修复了此问题,体现了开源社区对数据可靠性的高度重视。

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
143
1.92 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
274
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
929
553
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
422
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
75
65
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