apache / apache/parquet-java

InternalParquetRecordWriter doesn't use min/max row counts

Offen
#1,461 4 Kommentare 0 Reaktionen 0 zugewiesene Personen Auf GitHub ansehen
Component: Java Component: Parquet Priority: Major Type: bug
Vorherrschende Sprache
Java
Sterne
3.1k
Forks
1.6k
Ø Merge
3 T. 12 Std.
Gemergte PRs (30 T.)
33

Beschreibung

PARQUET-99 added settings to control the min and max number of rows between size checks when flushing pages, and a setting to control whether to always use a static size (the min). The [InternalParquetRecordWriter has similar checks](https://github.com/apache/parquet-mr/blob/master/parquet-hadoop/src/main/java/org/apache/parquet/hadoop/InternalParquetRecordWriter.java#L143) that don't use those settings. We should determine if it should update it to use those settings or similar.

**Reporter**: [Ryan Blue](https://issues.apache.org/jira/secure/ViewProfile.jspa?name=rdblue) / @rdblue
#### Related issues:
- [Min/Max record counts for block size checks are not configurable](https://github.com/apache/parquet-java/issues/2038) (duplicates)
- [Large rows cause unnecessary OOM exceptions](https://github.com/apache/parquet-java/issues/1584) (is related to)
#### PRs and other links:
- [GitHub Pull Request #495](https://github.com/apache/parquet-mr/pull/495)

**Note**: *This issue was originally created as [PARQUET-409](https://issues.apache.org/jira/browse/PARQUET-409). Please see the [migration documentation](https://issues.apache.org/jira/browse/PARQUET-2502) for further details.*

Beitragsleitfaden

Für dieses Repository ist kein Beitragsleitfaden indexiert

Rechercherichtung

Beginnen Sie in parquet-hadoop/src/main/java/org/apache/parquet/hadoop/InternalParquetRecordWriter.java ungefähr bei Zeile 143 und vergleichen Sie die Prüfungen zum Seiten-Flush mit den durch PARQUET-99 eingeführten Einstellungen. Prüfen Sie Pull Request #495 und die zugehörigen Issues, bevor Sie das beabsichtigte Verhalten festlegen; als erledigt gilt die Aufgabe, wenn der Writer die konfigurierbaren minimalen und maximalen Zeilenanzahlen konsistent verarbeitet oder dokumentiert, warum dies nicht der Fall sein sollte.

Vom Indexierungsmodell aus dem Issue-Text verfasst.

Bewertung

Tech-Stack
java
Bereich
data-engineering
Issue-Typ
Bug
Schwierigkeit
5/5
Geschätzter Aufwand
Über eine Woche
Aktivitätsstatus
Veraltet
Klarheit
Muss geklärt werden
Anfängerfreundlichkeit
25/100

Neue Issues direkt in Ihr Postfach

Eine kurze Übersicht über anfängerfreundliche GitHub-Issues.