PyGDF项目中的Parquet混合编码读取性能优化分析

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。