Feast Dask 离线存储(Offline Store)实战指南:基于本地文件的点对点时间特征检索

原创2026-09-16 21:37:462,315 阅读
文章标签:MLOps后端数据工程

Feast Dask 离线存储(Offline Store)实战指南:基于本地文件的点对点时间特征检索

导读

Feast 的 Dask offline store 是核心离线存储实现之一,专门为读取 FileSource(本地磁盘或 S3 上的 Parquet 文件)提供点对点正确(point-in-time correct)的历史特征检索能力。本文将以 docs/reference/offline-stores/dask.md 为主线,结合仓库源码 sdk/python/feast/infra/offline_stores/dask.py 与单元测试,完整讲解 Dask offline store 的配置方法、功能矩阵、底层 join 原理、非实体检索模式与数据质量监控能力,帮助你在本地或轻量级实验环境中快速搭建可用的特征存储训练数据流水线。

Dask offline store 是什么

Dask offline store 是 Feast 核心的四种离线存储实现之一(其余为 BigQuery、Snowflake、Redshift),其核心定位是使用 Dask 分布式 DataFrame 引擎处理存储在本地文件系统或 S3 上的 Parquet 数据。从仓库的注册表 sdk/python/feast/repo_config.py 可以看到,"dask" 与 "file" 两种类型都映射到同一个实现类 feast.infra.offline_stores.dask.DaskOfflineStore,这解释了为什么很多示例仓库(例如 examples/agent_feature_store/feature_repo/feature_store.yaml)使用 type: file 却同样走 Dask 路径。

适用场景与重要限制

原文档明确给出了一个关键警告:

所有数据都是使用 Python 下载并 join 的,因此可能无法扩展至生产工作负载。

这意味着 Dask offline store 的适用场景是:

由于 join 过程完全在 Python/Dask 进程内完成,数据全部驻留于本机内存与磁盘,当数据量达到 GB 级或需要大规模并发时,应评估 BigQuery、Snowflake、Redshift 等云原生离线存储。

配置 Dask offline store

在特征仓库的 feature_store.yaml 中声明 Dask offline store 的最小配置如下(完整继承自原文档示例):

project: my_feature_repo
registry: data/registry.db
provider: local
offline_store:
  type: dask

配置要点说明:

  • provider: local 表示本地 provider,配合 Dask 离线存储在本地进程内完成全部计算;
  • offline_store.type 接受 dask 或 file 两个取值。从源码 sdk/python/feast/infra/offline_stores/dask.py 中的 DaskOfflineStoreConfig 定义可以看出,类型字段默认值为 "dask",且两者均合法:
    class DaskOfflineStoreConfig(FeastConfigBaseModel):
        """Offline store config for dask store"""
        type: Union[Literal["dask"], Literal["file"]] = "dask"
        """ Offline store type selector"""
    
  • 若不写 offline_store 段,RepoConfig 初始化时会把 offline_store 默认解析为 "dask"(见 sdk/python/feast/repo_config.py)。

配套数据源:FileSource

Dask offline store 只支持读取 FileSource 类型的数据源。在 Python 特征定义中,用 FileSource 声明 Parquet/Delta 文件路径:

from feast import FileSource
from feast.data_format import ParquetFormat

parquet_file_source = FileSource(
    file_format=ParquetFormat(),
    path="file:///feast/customer.parquet",
)

注意:文件数据源目前仅支持 Parquet 与 Delta 两种格式。Dask 离线存储内部通过 dd.read_parquet 读取文件,支持本地路径以及带 S3 endpoint 覆盖的 S3 路径。

离线存储接口功能矩阵

Feast 通过 OfflineStore 抽象接口定义离线存储的能力(详见 docs/reference/offline-stores/overview.md),共包含五个核心方法。原文档给出了 Dask 的实现情况,完整矩阵如下:

方法 Dask
get_historical_features(点对点正确 join) yes
pull_latest_from_table_or_query(检索最新特征值,用于物化到在线存储) yes
pull_all_from_table_or_query(检索已保存的数据集) yes
offline_write_batch(将 dataframe 持久化到离线存储,主要用于 push 源) yes
write_logged_features(持久化已记录的特征日志) yes

这意味着 Dask offline store 是能力覆盖最完整的本地实现之一:不仅是训练数据的历史检索,还支持在线物化前的"取最新值"、push 源批量写入以及特征日志落盘。相比之下,Postgres、Spark、Trino 等社区实现的 offline_write_batch 与 write_logged_features 均为 no(对照见 docs/reference/offline-stores/overview.md),因此在需要这些能力的轻量场景下 Dask 具备明显优势。

DaskRetrievalJob 能力矩阵与惰性执行原理

前三个方法返回的 RetrievalJob 是离线存储特有的惰性任务对象。Dask 的实现类是 DaskRetrievalJob(见 sdk/python/feast/infra/offline_stores/dask.py),其功能矩阵如下:

能力 Dask
export to dataframe yes
export to arrow table yes
export to arrow batches no
export to SQL no
export to data lake (S3, GCS, etc.) no
export to data warehouse no
export as Spark dataframe no
本地执行 Python 版 on-demand transforms yes
远程执行 Python 版 on-demand transforms no
persist results in the offline store yes
执行前预览查询计划 yes
read partitioned data yes

惰性求值:只有在调用导出方法时才真正计算

从源码可以看到,DaskRetrievalJob 的构造只接收一个 evaluation_function 回调,真正的历史检索计算被封装成闭包,只有在 to_df() / to_arrow() 时才触发:

def _to_df_internal(self, timeout: Optional[int] = None) -> pd.DataFrame:
    # 只在最后时刻执行 evaluation function 构建最终历史检索 dataframe
    df = self.evaluation_function().compute()
    df = df.reset_index(drop=True)
    return df

def _to_arrow_internal(self, timeout: Optional[int] = None):
    df = self.evaluation_function().compute()
    return pyarrow.Table.from_pandas(df)

其中 compute() 是 Dask 图执行的触发点。这一设计带来的好处正是矩阵中的"执行前预览查询计划":由于 job 尚未触发计算,调用方可以在真正执行前检查元数据(RetrievalMetadata 中记录了请求的特征、键以及事件时间戳范围),便于调试与计划编排。此外,persist() 方法将检索结果写回离线存储,支持以 .parquet 文件或目录(数据集)两种形式落盘,并在未开启 allow_overwrite 时通过 SavedDatasetLocationAlreadyExists 防止覆盖已有位置。

导出能力边界

DaskRetrievalJob 支持导出为 pandas DataFrame 与 PyArrow Table,这两者覆盖了训练与模型服务的大部分需求;但不支持 arrow batches、SQL、数据湖(S3/GCS)、数仓与 Spark DataFrame 导出——后者的原因从 supports_remote_storage_export() 返回 False 可以印证(见 sdk/python/feast/infra/offline_stores/dask.py)。如果需要这些导出能力,应选用 Redshift 等实现。

深入原理:get_historical_features 的点对点 join 实现

原文档只给出了功能矩阵,这里结合源码剖析 Dask 离线存储如何实现"点对点正确"的历史特征检索。核心实现在 DaskOfflineStore.get_historical_features(见 sdk/python/feast/infra/offline_stores/dask.py),整体流程如下:

  1. 入参校验:要求 config.offline_store 为 DaskOfflineStoreConfig,且每个 feature view 的 batch_source 必须是 FileSource。
  2. entity_df 处理:entity_df 可以是 pd.DataFrame 或 dd.DataFrame,否则抛出 ValueError;事件时间戳列名默认是 event_timestamp,若不存在则尝试自动识别唯一的 datetime 列,多个 datetime 列时会报错提示显式命名。
  3. 时间戳规范化:所有事件时间戳统一转为带时区(tz-aware)的 UTC 时间,避免 pd.merge_asof 的时区问题;随后按事件时间戳排序。
  4. 逐 feature view 增量 join:对每个 feature view:
    • 通过 _read_datasource 用 dd.read_parquet 读取源文件(支持 S3 凭据注入,见 sdk/python/feast/infra/offline_stores/dask.py);
    • _field_mapping 处理字段映射(field_mapping 与 join_key_map),并按 full_feature_names 决定是否以 feature_view__feature 双下划线形式重命名特征列;
    • _merge 通过 dd.merge(..., how="left") 将 entity_df 与特征数据左连接;当无 join key 时使用 __tmp 哨兵列构造交叉连接(见 sdk/python/feast/infra/offline_stores/dask.py);
    • _normalize_timestamp 统一规范化事件时间戳与 created timestamp 列;
    • _filter_ttl 依据 feature view 的 TTL 过滤:保留事件时间戳在 <a href="https://link.gitcode.com/i/a3e9ea1588ad80d3bf04d033c79286ff" target="_blank">entity_ts - ttl, entity_ts] 区间内的行,且不丢弃特征为 NaN 的实体行(见 [sdk/python/feast/infra/offline_stores/dask.py);
    • _drop_duplicates 按 join keys + 实体事件时间戳去重,keep="last" 保证同一事件时间戳下取 created timestamp 最新的记录(见 sdk/python/feast/infra/offline_stores/dask.py);
    • _drop_columns 清理时间戳列后,将结果作为下一轮 entity_df 继续拼接下一个 feature view。
  5. 返回惰性 job:整个计算被封装进 evaluate_historical_retrieval 闭包,并携带 RetrievalMetadata(features、keys、min/max 事件时间戳)返回。

源码中的注释还揭示了一个工程细节:DaskRetrievalJob 在每个中间步骤反复调用 .persist() 并 del 中间 dataframe,目的是及时释放内存——这再次印证了 Dask 离线存储是内存敏感的实现,不适合超大规模数据。

关于 created timestamp 过滤

DaskOfflineStore 类级属性 supports_filter_by_created_timestamp = True 表明它支持按 created timestamp 做版本截断(即 get_historical_features(..., filter_by_created_timestamp=True))。实现上通过 _apply_created_timestamp_cutoff 将"创建时间晚于实体事件时间"的特征值置空而非直接删除,从而保证实体行在全部候选版本都过新时仍然存活,随后依赖去重逻辑优选出真实匹配值。相关单元测试见 sdk/python/tests/unit/infra/offline_stores/test_filter_by_created_timestamp.py。

非实体检索模式:entity_df=None 的按时间范围快照

除传统的 entity_df join 外,Dask 离线存储还支持非实体模式:当 entity_df=None 时,通过 start_date / end_date 参数直接指定时间范围,检索该窗口内每个实体的最新特征值,适用于无实体明细表的场景。其行为由 sdk/python/tests/unit/infra/offline_stores/test_dask_non_entity.py 完整覆盖,关键语义如下:

  • 同时提供起止日期:返回时间范围内每个实体的最新快照;start_date 缺省时由 compute_non_entity_date_range 依据 feature view 的最大 TTL 向前推算,end_date 缺省时默认当前时间;
  • TTL 过滤:窗口外的旧数据被剔除,例如 1 小时 TTL 下,距 end_date 超过 1 小时的事件不会出现在结果中;
  • 去重语义:同一实体、同一事件时间戳存在多条记录时,取 created timestamp 更新的版本(测试 test_dask_non_entity_snapshot_ttl_and_dedup 断言实体 1 取值为 0.2 而非 0.1);
  • 元数据:job.metadata.min_event_timestamp / max_event_timestamp 如实反映请求窗口,便于校验。

这一模式在实际调用上等价于在 get_historical_features 中传入 start_date、end_date 关键字参数(见 sdk/python/tests/unit/infra/offline_stores/test_dask_non_entity.py),返回对象同样是 DaskRetrievalJob,可通过 to_df() 获取结果。

物化与特征日志支持

Dask 离线存储在在线物化链路中也承担重要角色:

  • pull_latest_from_table_or_query:在物化(materialization)阶段按 join key 取每个实体的最新特征值写入在线存储。实现上先按 created timestamp、事件时间戳排序,再按 join keys drop_duplicates(keep="last");当 feature view 没有实体(join keys 为空)时,会注入 DUMMY_ENTITY_ID 哨兵实体(见 sdk/python/feast/infra/offline_stores/dask.py);
  • pull_all_from_table_or_query:与上者类似但不去重,用于读取已保存数据集的完整内容;
  • offline_write_batch:将 PyArrow Table 追加写入 FileSource 对应的 Parquet 文件,写入前校验列顺序与 schema 一致性,必要时进行类型 cast(见 sdk/python/feast/infra/offline_stores/dask.py);
  • write_logged_features:将特征日志以 Parquet 数据集形式写入 FileLoggingDestination 指定目录,支持按列分区(partition_by)与 UUID 命名模板(见 sdk/python/feast/infra/offline_stores/dask.py)。

数据质量监控集成

Dask 离线存储还实现了数据质量监控(Data Quality Monitoring)相关接口(见 sdk/python/feast/infra/offline_stores/dask.py):

  • compute_monitoring_metrics:基于 PyArrow 计算数值特征(均值、标准差、min/max、p50/p75/p90/p95/p99 分位数、直方图)与类别特征(Top-N 取值计数、唯一值数量)的监控指标;
  • get_monitoring_max_timestamp:读取源 Parquet 中时间戳列的最大值,用于确定监控窗口;
  • ensure_monitoring_tables / save_monitoring_metrics / query_monitoring_metrics / clear_monitoring_baseline:在仓库目录下创建并维护 monitoring 子目录内的 Parquet 监控表,支持按 project、feature view、feature 维度 upsert 与查询。

这意味着即使在本地文件场景下,你也可以借助 Feast 的监控功能对特征漂移进行基线管理与告警,相关示例见 examples/monitoring/monitoring-quickstart.ipynb。

运行环境与依赖

使用 Dask offline store 需要 Feast Python SDK 及其核心依赖。以仓库当前的锁定依赖为例(见 sdk/python/requirements/py3.12-requirements.txt):

  • dask[dataframe]==2026.7.1:离线存储的计算引擎;
  • pandas==2.3.3:entity_df 与结果 DataFrame 的数据结构;
  • pyarrow==25.0.0:Parquet 读写与 Arrow 导出。

值得注意的实现细节:模块加载时会执行 dask.config.set({"dataframe.convert-string": False})(见 sdk/python/feast/infra/offline_stores/dask.py)。这是因为从 Dask 2023.7.1 起,DaskRetrievalJob 会把字符串对象 cast 为 string[pyarrow] 类型,而这并非 Feast 期望的行为,因此显式关闭该转换选项以保证特征列类型与其余离线存储实现一致。

总结:Dask offline store 的选型建议

维度 结论
数据源 仅支持 FileSource(Parquet / Delta,本地或 S3)
历史检索 支持点对点正确 join、非实体按时间范围快照
物化 支持 pull_latest / pull_all,可配合本地 materialization
写入与日志 支持 offline_write_batch 与 write_logged_features
结果导出 DataFrame 与 Arrow Table;不支持 SQL、数据湖、数仓、Spark
On-demand 变换 支持本地执行,不支持远程执行
规模化能力 全 Python 进程内计算,内存敏感,适合实验与开发环境

Dask offline store 的价值在于以零云资源成本获得完整的 Feast 离线能力闭环:从特征定义、历史训练数据检索、在线物化到特征日志与质量监控一应俱全。当你的特征数据以文件形式存在且规模可控时,它是体验 Feast 全链路、搭建本地特征平台原型的最佳起点;当数据规模增长到需要分布式数仓级 join 时,再平滑迁移到 docs/reference/offline-stores/overview.md 中列出的其他离线存储实现即可。

登录后查看全文
feast