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

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
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
860
511
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
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
259
300
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
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
332
1.08 K