filter2 API performance regression
- 主要言語
- Java
- スター
- 3.1k
- フォーク
- 1.6k
- 平均マージ
- 3日 12時間
- マージ済み PR(30日)
- 33
説明
The new filter API seems to be much slower (or perhaps I'm using it wrong \:)
Code using an UnboundRecordFilter:
```java
ColumnRecordFilter.column(column,
ColumnPredicates.applyFunctionToBinary(
input -> Binary.fromString(value).equals(input)));
```
vs. code using FilterPredicate:
```java
eq(binaryColumn(column), Binary.fromString(value));
```
The latter performs twice as slow on the same Parquet file (built using 1.6.0rc2).
Note: the reader is constructed using
```java
ParquetReader.builder(new ProtoReadSupport().withFilter(filter).build()
```
The new filter API based approach seems to create a whole lot more garbage (perhaps due to reconstructing all the rows?).
**Reporter**: [Viktor Szathmáry](https://issues.apache.org/jira/secure/ViewProfile.jspa?name=phraktle) / @phraktle
#### Related issues:
- [FilteredRecordReader skips rows it shouldn't for schema with optional columns](https://github.com/apache/parquet-java/issues/1730) (is related to)
**Note**: *This issue was originally created as [PARQUET-98](https://issues.apache.org/jira/browse/PARQUET-98). Please see the [migration documentation](https://issues.apache.org/jira/browse/PARQUET-2502) for further details.*
コントリビューションガイド
このリポジトリのコントリビューションガイドは索引されていません
調査の方向性
まず、ColumnRecordFilter.column と ColumnPredicates.applyFunctionToBinary を使用する UnboundRecordFilter パスと、eq と binaryColumn を使用する FilterPredicate パスを比較します。同じ Parquet ファイルで ProtoReadSupport を使用して両方のケースを再現し、実行時間と garbage の生成量を測定します。報告されたパフォーマンスリグレッションを説明して修正し、フィルタリング結果を変更しないことが完了の条件です。
索引モデルが issue の本文から書いたものです。
評価
- 技術スタック
- java
- 領域
- performance
- issue の種類
- バグ
- 難易度
- 4/5
- 見積もり時間
- 3〜5日
- 活発さ
- 停滞
- 明瞭さ
- 説明が足りない
- 初心者へのやさしさ
- 32/100