Ibis项目读取Delta Lake表时遇到的Arrow扫描问题分析
2025-06-06 07:37:56作者:俞予舒Fleming
问题背景
在使用Ibis 10.0.0版本时,开发人员发现读取Delta Lake格式的表数据会出现错误。具体表现为当尝试通过read_delta
方法加载数据并显示时,系统抛出"Repetition level histogram size mismatch"的错误信息。
问题复现
通过以下步骤可以稳定复现该问题:
- 创建一个简单的企鹅数据集示例
- 将其保存为Delta Lake格式
- 尝试重新读取该Delta表
- 在交互模式下显示表内容时出现错误
错误的核心信息表明在Arrow扫描过程中出现了重复级别直方图大小不匹配的问题。
技术分析
经过深入调查,发现问题实际上存在于PyArrow层而非Ibis本身。具体表现为:
- 当使用DuckDB直接通过
delta_scan
函数读取Delta表时工作正常 - 但当通过PyArrow数据集接口读取时就会失败
- 同样的错误也出现在纯PyArrow环境中,不涉及Ibis或DuckDB
这表明问题根源在于PyArrow处理Delta Lake格式数据时的内部实现。
解决方案
这个问题已经被PyArrow社区确认并修复。目前建议的解决方案是:
- 等待PyArrow 19.0.1版本的发布
- 升级到包含修复的PyArrow版本后,Ibis的Delta Lake支持将恢复正常
临时替代方案
在等待官方修复期间,可以考虑以下替代方案:
- 使用DuckDB的
delta_scan
函数直接读取Delta表 - 将数据临时转换为其他格式如Parquet进行读取
- 降级到PyArrow的早期稳定版本(如果确认该版本无此问题)
总结
这次事件展示了数据生态系统各组件间的依赖关系。虽然问题表现在Ibis中,但根源在PyArrow层。作为用户,在遇到类似问题时可以:
- 尝试隔离问题发生的具体层次
- 检查各组件的版本兼容性
- 关注上游项目的issue跟踪情况
Ibis团队将持续关注PyArrow的修复进展,并在确认稳定后更新相关依赖。对于生产环境中依赖Delta Lake格式的用户,建议暂时采用替代方案或等待官方修复。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

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

React Native鸿蒙化仓库
C++
192
273

🎉 (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
923
551

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
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

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)。
Jupyter Notebook
74
64

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
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8