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

热门内容推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
507
43
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++
194
279
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
992
395
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
940
554
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
336
11
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
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)。
Python
75
70