Apache Arrow项目中的Parquet数据集读取内存泄漏问题分析

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。