apache / apache/parquet-java

InternalParquetRecordWriter doesn't use min/max row counts

Aperta
#1,461 4 commenti 0 reazioni 0 assegnatari Vedi su GitHub
Component: Java Component: Parquet Priority: Major Type: bug
Lingua principale
Java
Stelle
3.1k
Fork
1.6k
Merge medio
3g 12h
PR unite (30g)
33

Descrizione

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.*

Guida per i contributori

Nessuna guida per i contributori indicizzata per questo repository

Direzione di ricerca

Inizia in parquet-hadoop/src/main/java/org/apache/parquet/hadoop/InternalParquetRecordWriter.java intorno alla riga 143 e confronta i suoi controlli di page flush con le impostazioni introdotte da PARQUET-99. Esamina la pull request #495 e le issue correlate prima di decidere il comportamento previsto; il lavoro è completato quando il writer gestisce in modo coerente i conteggi configurabili minimo e massimo delle righe oppure documenta perché non dovrebbe farlo.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Valutazione

Stack tecnologico
java
Ambito
data-engineering
Tipo di issue
Bug
Difficoltà
5/5
Tempo stimato
Più di una settimana
Stato di attività
Ferma
Chiarezza
Da chiarire
Idoneità per principianti
25/100

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.