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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
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
860
511
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
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
259
300
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
595
57
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
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
332
1.08 K