Apache Arrow-RS项目中的Parquet统计信息优化方案

背景介绍

在Apache Arrow-RS项目中，Parquet文件格式的统计信息存储机制存在冗余问题。Parquet文件格式目前提供了三种统计信息存储位置：列块(ColumnChunk)元数据、数据页(Data Page)头部以及列索引(ColumnIndex)。这种多位置存储机制导致了存储空间的浪费和性能问题。

当前实现的问题

当前实现中，EnabledStatistics::Page选项会同时在三个位置写入统计信息：

1. 列块元数据中的统计信息
2. 数据页头部的统计信息
3. 列索引中的统计信息

这种实现方式存在两个主要问题：

1. 存储空间浪费：数据页头部的统计信息与列索引中的统计信息实际上是重复的
2. 兼容性问题：数据页头部的统计信息在现代Parquet阅读器中甚至无法被访问，其功能已被列索引完全取代

技术分析

Parquet格式规范明确指出："支持ColumnIndex的阅读器不应再使用页面统计信息。在写入ColumnIndex结构时同时写入页面级统计信息的唯一原因是为了支持旧的阅读器(不推荐)"。这表明当前实现方式已经不符合最佳实践。

优化方案

经过社区讨论，提出了三种优化方案：

1. 重新定义EnabledStatistics::Page：保持API不变，但修改其行为，使其只写入列块和列索引统计信息，不再写入数据页头部统计信息。同时新增一个显式选项来控制是否写入数据页统计信息。

2. 新增ChunkAndIndex选项：添加一个新的枚举变体，专门用于写入列块和列索引统计信息，而不写入数据页头部统计信息。

3. 细化统计信息选项：将统计信息选项细化为None、Chunk、ColumnIndex和ColumnIndexAndPage四种情况，提供更精确的控制。

推荐方案

综合考虑API兼容性和实际需求，推荐采用第一种方案：

• 保持现有API不变，避免破坏性变更
• 符合Parquet格式规范的最佳实践
• 自动为现有用户优化文件大小
• 通过新增选项保留对旧格式的支持能力

实施影响

这一优化将带来以下好处：

1. 显著减少Parquet文件大小
2. 提高写入性能
3. 保持与现代Parquet阅读器的兼容性
4. 符合格式规范推荐的最佳实践

对于需要向后兼容的特殊场景，可以通过新增的显式选项来启用数据页统计信息的写入。

结论

Apache Arrow-RS项目中的Parquet统计信息存储机制优化是一个典型的性能与兼容性平衡问题。通过重新定义现有枚举行为并添加精细控制选项，可以在不破坏现有API的情况下实现显著的存储优化，同时保持必要的兼容性支持。这一改进将提升Arrow-RS在处理大规模数据时的整体效率。