首页
/ PyGDF项目中的Parquet混合编码读取性能优化分析

PyGDF项目中的Parquet混合编码读取性能优化分析

2025-05-26 11:10:48作者:晏闻田Solitary

背景介绍

在PyGDF项目中,当处理包含混合编码(字典编码和普通编码)的Parquet文件时,存在显著的性能瓶颈问题。这个问题特别出现在使用PyArrow 18.1.0及以上版本写入的高基数字符串列时,因为这些版本默认会优先尝试使用字典编码,仅在特定条件下回退到普通编码。

问题本质

PyArrow写入器在处理高基数字符串列时,经常会在同一列中产生混合编码的页面——部分页面使用字典编码,部分使用普通编码。当PyGDF读取这样的文件时,会导致对decompress_page_data函数的两次独立调用,进而引发两个unsnap内核的启动:

  1. 第一次调用处理初始的字典片段
  2. 第二次调用处理普通编码的数据

性能分析表明,第一次unsnap内核的执行效率通常非常低下,这直接影响了整体读取性能。在测试案例中,禁用字典编码的写入方式(use_dictionary=False)使读取时间从122ms降至66ms,几乎提升了一倍的性能。

技术细节分析

当前实现机制

当前PyGDF的Parquet读取器在处理混合编码列时,采用了以下流程:

  1. 首先解压缩字典页面
  2. 然后解压缩数据页面
  3. 分别进行解码处理

这种分离处理方式导致了额外的开销,特别是在使用RMM的CudaAsyncMemoryResource时更为明显。

性能瓶颈点

主要性能损失来自:

  • 多次内核启动开销
  • 设备-主机间的数据传输
  • 不必要的数据处理流水线中断

优化方案探讨

针对这一问题,可以考虑以下几种优化方向:

方案一:合并解压缩操作

将字典页面和数据页面的解压缩操作合并为单个decompress_page_data调用,然后在设备上完成后续解码工作。这种方案可以:

  • 减少内核启动次数
  • 提高设备利用率
  • 降低总体延迟

方案二:主机端处理字典

在主机上解压缩字典页面,而数据页面仍在设备上处理。这种混合处理方式可以:

  • 减轻设备负担
  • 利用主机CPU处理小数据量的字典
  • 保持大数据量的处理在GPU上进行

方案三:完全分离处理

分别在主机和设备上完成字典页面和数据页面的解压缩与解码,最后合并结果。这种方案:

  • 最大化利用异构计算资源
  • 适合字典页面较小而数据页面较大的场景
  • 增加了结果合并的开销

实际应用场景

在NDS-H SF10基准测试中,可以观察到不同表的表现差异:

  • lineitem表:PyGDF和PyArrow都显示混合编码
  • supplier表:仅PyArrow显示混合编码
  • partsupp、part、orders表:两者都显示混合编码
  • customer表:仅PyArrow显示混合编码

这种不一致性表明编码策略的选择可能还受到其他因素影响,如数据特征或写入参数。

实现建议

对于实际实现,建议优先考虑方案一(合并解压缩操作),因为:

  1. 它保持了数据处理在设备上的连续性
  2. 减少了内核启动和数据传输的开销
  3. 对现有代码结构的改动相对较小

对于特别大的数据集,可以考虑实现方案二作为备选路径,通过运行时决策选择最优策略。

总结

PyGDF在处理混合编码的Parquet文件时存在明显的性能优化空间。通过重构解压缩流程,特别是合并对decompress_page_data的调用,可以显著提升读取性能。这一优化对于处理由PyArrow写入的高基数字符串列尤为重要,能够使PyGDF在这些场景下的性能提升接近一倍。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
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++
192
273
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
923
551
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
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
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)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
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
easy-eseasy-es
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