首页
/ Apache Arrow项目中的Parquet数据集读取内存泄漏问题分析

Apache Arrow项目中的Parquet数据集读取内存泄漏问题分析

2025-05-15 22:04:44作者:袁立春Spencer

问题背景

在Apache Arrow项目中,用户报告了一个关于读取Parquet数据集时出现的内存泄漏问题。这个问题特别出现在处理具有大量列(如10,000列)但每行数据量很少(如单行)的Parquet文件时。测试表明,当读取这样的数据集时,内存使用量会显著增加,远超过实际加载数据的大小。

问题现象

当使用PyArrow 19.0.0读取包含260个Parquet文件(每个文件1行,10,000列)的数据集时,内存使用量达到了约6GB。更令人惊讶的是,当列名长度增加到128个字符时,内存使用量进一步增加到约11GB。这种内存消耗与预期不符,因为实际加载的数据量远小于此。

技术分析

内存消耗来源

经过深入分析,发现内存消耗主要来自以下几个方面:

  1. Parquet元数据存储:每个Parquet文件的ColumnChunk元数据占用约640字节。对于一个包含10,000列和260个文件的数据集,这意味着约1.6GB的元数据存储。

  2. 列名存储:长列名会显著增加内存使用,因为每个文件的元数据中都存储了完整的列名信息。

  3. Schema缓存:Arrow在读取过程中会缓存物理schema信息,这在宽表情况下会占用大量内存。

内存泄漏点

通过内存分析工具(如valgrind/massif)发现,主要的内存占用来自:

  1. Parquet schema节点到schema字段的映射(约342.9MB)
  2. 名称到索引的映射(约155.4MB)
  3. Parquet格式的ColumnChunk向量(约109.9MB)

解决方案

经过多次测试和验证,发现以下方法可以有效减少内存使用:

  1. 清理缓存元数据:在读取完成后,显式清理以下缓存:

    • metadata_
    • manifest_
    • original_metadata_
    • physical_schema_
  2. 优化内存分配策略:使用不同的内存池实现(如jemalloc、mimalloc或系统分配器)可能有助于内存管理。

  3. 强制释放未使用内存:虽然不推荐在生产环境中使用,但在诊断时可以尝试调用MemoryPool的ReleaseUnused方法。

技术实现细节

在Arrow的代码实现中,关键优化点在于Scanner类的实现。通过在适当的位置清理Fragment的缓存数据,可以显著减少内存使用:

void ClearCachedMetadata() {
  metadata_.reset();
  manifest_.reset();
  original_metadata_.reset();
  physical_schema_.reset();  // 新增的优化点
}

这一改动使得内存使用量从原来的9.58GB降低到1.73GB,减少了约82%。

最佳实践建议

对于需要处理宽表Parquet数据的用户,建议:

  1. 合理设计数据模型:避免使用极端宽表设计,Parquet格式更适合列数适中但行数多的场景。

  2. 选择性读取:只读取需要的列,可以显著减少内存使用。

  3. 监控内存使用:使用Arrow提供的内存分析工具(如MemoryPool的统计功能)监控内存使用情况。

  4. 及时清理缓存:在数据处理完成后,及时清理不再需要的元数据缓存。

未来优化方向

Parquet社区正在讨论重新设计元数据存储格式,以解决宽表场景下的元数据加载开销问题。一些初步的概念验证已经显示出积极的结果,这将是一个值得期待的未来改进方向。

结论

通过深入分析Apache Arrow中Parquet读取的内存使用情况,我们识别出了元数据缓存是内存消耗的主要来源。通过合理的缓存清理策略,可以显著降低内存使用量。这一经验不仅解决了当前的问题,也为未来处理类似场景提供了有价值的参考。

登录后查看全文
热门项目推荐
相关项目推荐

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