为什么 `plain_dictionary` 编码的字典页偏移量为 0？

Question

parquet 由 Spark v2.4 Parquet-mr v1.10 生成

n = 10000
x = [1.0, 2.0, 3.0, 4.0, 5.0, 5.0, None] * n
y = [u'é', u'é', u'é', u'é', u'a', None, u'a'] * n

z = np.random.rand(len(x)).tolist()
dfs = spark.createDataFrame(zip(x, y, z), schema=StructType([StructField('x', DoubleType(),True),StructField('y', StringType(), True),StructField('z', DoubleType(), False)]))
dfs.repartition(1).write.mode('overwrite').parquet('test_spark.parquet')

使用 parquet-tools v1.12 检查

row group 0 
--------------------------------------------------------------------------------
x:  DOUBLE SNAPPY DO:0 FPO:4 SZ:1632/31635/19.38 VC:70000 ENC:RLE,BIT_PACKED,PLAIN_DICTIONARY ST:[min: 1.0, max: 5.0, num_nulls: 10000]
y:  BINARY SNAPPY DO:0 FPO:1636 SZ:864/16573/19.18 VC:70000 ENC:RLE,BIT_PACKED,PLAIN_DICTIONARY ST:[min: a, max: é, num_nulls: 10000]
z:  DOUBLE SNAPPY DO:0 FPO:2500 SZ:560097/560067/1.00 VC:70000 ENC:PLAIN,BIT_PACKED ST:[min: 2.0828331581679294E-7, max: 0.9999892375625329, num_nulls: 0]

    x TV=70000 RL=0 DL=1 DS: 5 DE:PLAIN_DICTIONARY
    ----------------------------------------------------------------------------
    page 0:                   DLE:RLE RLE:BIT_PACKED VLE:PLAIN_DICTIONARY ST:[min: 1.0, max: 5.0, num_nulls: 10000] SZ:31514 VC:70000

    y TV=70000 RL=0 DL=1 DS: 2 DE:PLAIN_DICTIONARY
    ----------------------------------------------------------------------------
    page 0:                   DLE:RLE RLE:BIT_PACKED VLE:PLAIN_DICTIONARY ST:[min: a, max: é, num_nulls: 10000] SZ:16514 VC:70000

    z TV=70000 RL=0 DL=0
    ----------------------------------------------------------------------------
    page 0:                   DLE:BIT_PACKED RLE:BIT_PACKED VLE:PLAIN ST:[min: 2.0828331581679294E-7, max: 0.9999892375625329, num_nulls: 0] SZ:560000 VC:70000

问题：

FPO（第一个数据页偏移量）应该总是大于还是小于 DO（字典页偏移量）？我从某处读到字典页存储在数据页之后。

对于列x & y，plain_dictionary用于编码。但是，为什么两列的字典偏移量都是 0？

如果我使用使用 parquet-cpp v1.5.1 的 pyarrow v0.11.1 检查，它会告诉我 has_dictionary_page: False & dictionary_page_offset: None

有没有字典页？

Answer 1

第一个数据页的偏移量总是大于字典的偏移量。换句话说，首先是字典，然后才是数据页。有两个元数据字段用于存储这些偏移量：dictionary_page_offset（又名 DO）和 data_page_offset（又名 FPO）。不幸的是，parquet-mr 没有正确填写这些元数据字段。

例如，如果字典从偏移量 1000 开始，第一个数据页从偏移量 2000 开始，那么正确的值将是：

dictionary_page_offset = 1000
data_page_offset = 2000

相反，parquet-mr 商店

dictionary_page_offset = 0
data_page_offset = 1000

应用于您的示例，这意味着尽管 parquet-tools 显示 DO: 0，但列 x 和 y 仍然是字典编码的（列 z 不是）。

值得一提的是，Impala正确地遵循了规范，所以你不能相信每个文件都有这个缺陷。

这是 parquet-mr 在读取过程中处理这种情况的方式：

// TODO: this should use getDictionaryPageOffset() but it isn't reliable.
if (f.getPos() != meta.getStartingPos()) {
  f.seek(meta.getStartingPos());
}

其中 getStartingPos 定义为：

/**
 * @return the offset of the first byte in the chunk
 */
public long getStartingPos() {
  long dictionaryPageOffset = getDictionaryPageOffset();
  long firstDataPageOffset = getFirstDataPageOffset();
  if (dictionaryPageOffset > 0 && dictionaryPageOffset < firstDataPageOffset) {
    // if there's a dictionary and it's before the first data page, start from there
    return dictionaryPageOffset;
  }
  return firstDataPageOffset;
}

您可以在此处的上下文中看到这些代码行：ParquetFileReader.readDictionary, ColumnChunkMetaData.getStartingPos。

为什么 `plain_dictionary` 编码的字典页偏移量为 0？

Why is dictionary page offset 0 for `plain_dictionary` encoding?

arrows

parquet

pyarrow

parquet-mr