Apache Arrow项目Parquet文件读取兼容性问题分析与解决方案

Apache Arrow是一个跨语言的内存数据框架，其Parquet模块提供了高效的列式存储支持。近期在Arrow 19.0.0版本中出现了一个关键的兼容性问题，导致部分Parquet文件无法正常读取。

问题现象

当用户尝试使用PyArrow 19.0.0及以上版本读取某些特定Parquet文件时，会遇到"OSError: Repetition level histogram size mismatch"的错误提示。这个问题主要影响那些包含字典编码的必填字段且启用了统计信息功能的Parquet文件。

技术背景

Parquet文件格式支持多种统计信息，包括重复级别直方图。在Arrow 19.0.0中，开发团队引入了新的统计信息处理逻辑，特别是针对重复级别直方图大小的验证机制。对于必填字段(required)，其最大重复级别(max_repetition_level)应为0，相应的重复级别直方图应当被省略。

问题根源

经过分析，问题出在以下两个方面：

1. 当Parquet文件由某些特定工具生成时（如Rust的parquet crate），即使对于必填字段也会生成重复级别直方图统计信息
2. Arrow 19.0.0新增的统计信息验证逻辑没有正确处理必填字段的情况，导致验证失败

影响范围

该问题影响所有使用PyArrow 19.0.0读取特定Parquet文件的场景，特别是：

• 文件包含必填字段
• 文件启用了统计信息功能
• 文件由某些特定工具生成（如Rust的parquet crate或delta-rs库）

解决方案

Arrow开发团队迅速响应，在后续版本中修复了这个问题。解决方案包括：

1. 对于必填字段，正确识别并跳过重复级别直方图的验证
2. 增强统计信息处理逻辑的兼容性

用户可以通过以下方式解决该问题：

• 升级到Arrow 19.0.1或更高版本
• 在生成Parquet文件时禁用统计信息功能（不推荐，会损失性能优势）

最佳实践建议

1. 保持Arrow库的及时更新
2. 在生成Parquet文件时，确保使用的工具版本与读取工具兼容
3. 对于关键业务系统，建议在升级前进行充分的兼容性测试

总结

这个案例展示了开源社区如何快速响应和解决兼容性问题。Arrow团队在发现问题后迅速定位原因并发布修复版本，体现了成熟开源项目的响应能力。对于数据工程师和开发者而言，理解底层存储格式的特性和版本兼容性问题，对于构建稳定可靠的数据处理管道至关重要。