Apache Parquet-Java 库中 DeltaByteArrayReader 的类型转换异常问题分析

在 Apache Parquet-Java 库从 1.13.1 升级到 1.14.1 版本的过程中，开发者发现了一个潜在的类型转换异常问题。这个问题主要出现在处理使用 DELTA_BYTE_ARRAY 编码的列数据时，会导致 ClassCastException 异常。

问题现象

当应用程序尝试读取特定格式的 Parquet 文件时，系统会抛出以下异常：

java.lang.ClassCastException: class org.apache.parquet.column.values.dictionary.DictionaryValuesReader cannot be cast to class org.apache.parquet.column.values.deltastrings.DeltaByteArrayReader

这个异常发生在 DeltaByteArrayReader 类的 setPreviousReader 方法中，表明系统尝试将一个 DictionaryValuesReader 实例强制转换为 DeltaByteArrayReader 类型。

问题根源

这个问题源于 PARQUET-2431 的代码变更。在之前的版本中，CorruptDeltaByteArrays.requiresSequentialReads 方法实际上起到了类型检查的作用，因为它只会在编码类型为 DELTA_BYTE_ARRAY 时返回 true，而 RequiresPreviousReader 接口只由 DeltaByteArrayReader 类实现。

在 1.14.1 版本中，代码重构移除了这个隐式的类型检查，但没有添加显式的类型检查来确保 previousReader 实现了 RequiresPreviousReader 接口。因此，当遇到特定情况时，就可能发生类型转换异常。

技术背景

Parquet 文件格式使用多种编码方式来存储数据，其中 DELTA_BYTE_ARRAY 是一种针对字符串数据的增量编码方式。DeltaByteArrayReader 是专门用于读取这种编码数据的类，它需要访问前一个读取器来正确解码增量数据。

解决方案

目前有两种可行的解决方案：

1. 显式添加类型检查：在代码中添加对 previousReader 类型的显式检查，确保它实现了 RequiresPreviousReader 接口，然后再进行类型转换。

2. 指定 createdBy 信息：在创建 ColumnIOFactory 时提供 createdBy 参数，这样可以避免 CorruptDeltaByteArrays.requiresSequentialReads 返回 true 的情况。这种方法适用于确认所有 Parquet 文件都是在 PARQUET-246 之后创建的情况。

最佳实践建议

对于使用 Parquet-Java 库的开发者，建议：

1. 在创建 ColumnIOFactory 时总是提供 createdBy 参数
2. 在升级到 1.14.1 或更高版本前，测试所有读取路径
3. 考虑实现自定义的读取器工厂来更好地控制读取器的创建过程

这个问题提醒我们在进行代码重构时，需要全面考虑原有代码的隐式约束条件，并在重构后添加适当的显式检查来保证系统的稳定性。