apache / apache/datafusion

Expose set_data_page_v2_compression_ratio_threshold for Parquet

Offen
#23,949 0 Kommentare 0 Reaktionen 0 zugewiesene Personen Auf GitHub ansehen
enhancement
Vorherrschende Sprache
Rust
Sterne
9.3k
Forks
2.4k
Ø Merge
3 T. 11 Std.
Gemergte PRs (30 T.)
360

Beschreibung

### Is your feature request related to a problem or challenge?

Writing Parquet V2 can benefit from [set_data_page_v2_compression_ratio_threshold](https://docs.rs/parquet/58.3.0/parquet/file/properties/struct.WriterPropertiesBuilder.html#method.set_data_page_v2_compression_ratio_threshold), which is not exposed in Datafusion.

### Describe the solution you'd like

Expose `data_page_compression_ratio_threshold` on `datafusion_common::config::ParquetOptions` and `ParquetColumnOptions` so it can be passed along to `WriterPropertiesBuilder`.

This primarily enables `datafusion_datasource_parquet::file_format::ParquetFormat` to use this setting.

### Describe alternatives you've considered

We are evaluating if we should always disable compression for sorted delta-encoded columns. This can easily be done with `ParquetColumnOptions.compression` today.

We can also create a wrapper `ParquetSink` to set more options on the `WriterPropertiesBuilder` but that's quite a painful workaround for little gain.

### Additional context

We experience poor compression ratios (<5%) with Zstd for delta-encoded columns of timestamps and other types. Disabling compression with a threshold would be ideal to avoid the decompression overhead at query time.

Beitragsleitfaden

Beitragsleitfaden öffnen

Rechercherichtung

Beginne mit datafusion_common::config::ParquetOptions und ParquetColumnOptions und verfolge dann, wie datafusion_datasource_parquet::file_format::ParquetFormat den WriterPropertiesBuilder erstellt. Prüfe die verlinkte parquet API auf set_data_page_v2_compression_ratio_threshold; abgeschlossen ist die Aufgabe, wenn die Option verfügbar gemacht und weitergereicht wird, sodass das Schreiben von Parquet V2 den konfigurierten Schwellenwert anwenden kann.

Vom Indexierungsmodell aus dem Issue-Text verfasst.

Bewertung

Tech-Stack
rust
Bereich
data-engineering
Issue-Typ
Feature
Schwierigkeit
3/5
Geschätzter Aufwand
1-2 Tage
Aktivitätsstatus
Ruhig
Klarheit
Größtenteils klar
Anfängerfreundlichkeit
68/100

Neue Issues direkt in Ihr Postfach

Eine kurze Übersicht über anfängerfreundliche GitHub-Issues.