Apache Parquet-Java 中 SizeStatistics 对缺失直方图处理的修复

在 Apache Parquet-Java 项目中，SizeStatistics 是一个用于统计 Parquet 文件中列数据大小的工具类。近期发现该工具类在处理某些特殊情况时存在缺陷，特别是当直方图数据被省略时，其统计逻辑会出现问题。

问题背景

Parquet 文件格式作为列式存储的代表，其统计信息对于查询优化至关重要。SizeStatistics 负责收集和分析列数据的大小分布信息，其中直方图（histogram）是重要的统计手段之一。然而在实际使用中，某些列可能由于配置或数据特性原因没有生成直方图信息。

问题本质

原始实现中，SizeStatistics 在处理统计信息时假设直方图数据必然存在。这种强依赖导致当遇到省略直方图的情况时，会出现以下问题：

1. 空指针异常风险：直接访问不存在的直方图数据结构
2. 统计结果失真：缺失直方图的数据未被正确纳入统计范围
3. 后续处理异常：基于错误统计结果的计算产生连锁反应

解决方案

修复方案主要包含以下关键改进：

1. 防御性编程：增加对直方图存在性的检查
2. 优雅降级：当直方图缺失时采用替代统计策略
3. 结果一致性：确保有无直方图情况下的统计逻辑一致性

核心修复逻辑体现在对 Statistics 对象的处理上，通过显式检查 hasHistogram() 方法来决定后续处理路径。对于没有直方图的情况，转而使用基础统计信息进行计算。

技术实现细节

具体实现中，修改了统计信息的收集逻辑：

if (stats.hasHistogram()) {
    // 使用直方图数据进行精确统计
    processWithHistogram(stats.getHistogram());
} else {
    // 使用基础统计数据进行估算
    processWithoutHistogram(stats);
}

这种处理方式既保留了直方图带来的统计精度优势，又在直方图不可用时提供了合理的备选方案。

影响范围

该修复影响以下使用场景：

1. 使用 SizeStatistics 进行列大小分析的工具
2. 依赖 SizeStatistics 结果的查询优化器
3. 基于统计信息的存储布局优化

最佳实践建议

对于 Parquet 使用者，建议：

1. 明确是否需要直方图统计：权衡存储开销和统计精度
2. 升级到包含此修复的版本以确保稳定性
3. 在自定义统计逻辑时参考此防御性编程模式

该修复已通过相关测试用例验证，确保了向后兼容性和处理各种边缘情况的能力。对于深度使用 Parquet-Java 统计功能的用户，建议检查现有实现是否可能受到类似问题影响。