apache / apache/parquet-java

Vectorized Reader In Parquet

Offen
#1,657 24 Kommentare 0 Reaktionen 0 zugewiesene Personen Auf GitHub ansehen
Component: Java Component: Parquet Priority: Major Type: enhancement
Vorherrschende Sprache
Java
Sterne
3.1k
Forks
1.6k
Ø Merge
3 T. 12 Std.
Gemergte PRs (30 T.)
33

Beschreibung

Vectorized Query Execution could have big performance improvement for SQL engines like Hive, Drill, and Presto. Instead of processing one row at a time, Vectorized Query Execution could streamline operations by processing a batch of rows at a time. Within one batch, each column is represented as a vector of a primitive data type. SQL engines could apply predicates very efficiently on these vectors, avoiding a single row going through all the operators before the next row can be processed.
As an efficient columnar data representation, it would be nice if Parquet could support Vectorized APIs, so that all SQL engines could read vectors from Parquet files, and do vectorized execution for Parquet File Format.

Detail proposal:
https://gist.github.com/zhenxiao/2728ce4fe0a7be2d3b30

**Reporter**: [Zhenxiao Luo](https://issues.apache.org/jira/secure/ViewProfile.jspa?name=zhenxiao) / @zhenxiao
**Assignee**: [Zhenxiao Luo](https://issues.apache.org/jira/secure/ViewProfile.jspa?name=zhenxiao) / @zhenxiao
#### Subtasks:
- [ ] [[Vectorized Reader] Support Complex Types (Map, Array, Struct) in Parquet Vectorized Reader](https://github.com/apache/parquet-java/issues/1824)
- [ ] [[Vectorized Reader] ColumnVector length should be in terms of rows, not DataPages](https://github.com/apache/parquet-java/issues/1439)
- [ ] [[Vectorized Reader] Make sure all encodings work in Parquet Vectorized Reader](https://github.com/apache/parquet-java/issues/1825)
- [ ] [[Vectorized Reader] Lazy Load in Vectorized Reader](https://github.com/apache/parquet-java/issues/1826)
- [ ] [[Vectorized Reader] Lazy Decoding in Vectorized Reader](https://github.com/apache/parquet-java/issues/1827)
- [ ] [[Vectorized Reader] Add Testcases/Benchmarks for ParquetVectorizedReader](https://github.com/apache/parquet-java/issues/1828)
- [ ] [[Vectorized Reader] Add attributes in ColumnVector and RowBatch](https://github.com/apache/parquet-java/issues/1852)
#### Related issues:
- [Improve Parquet Vectorization](https://issues.apache.org/jira/browse/HIVE-8128) (is related to)
#### Original Issue Attachments:
- [ParquetInPresto.pdf](https://issues.apache.org/jira/secure/attachment/12684592/ParquetInPresto.pdf)
- [Parquet-Vectorized-APIs.pdf](https://issues.apache.org/jira/secure/attachment/12684393/Parquet-Vectorized-APIs.pdf)

**Note**: *This issue was originally created as [PARQUET-131](https://issues.apache.org/jira/browse/PARQUET-131). 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

Beginne mit dem verlinkten Vorschlag für eine vectorized API und prüfe die aufgeführten Subtasks für den aktuellen Umfang, insbesondere komplexe Typen, Encodings, Lazy Loading und Benchmarks. Als erledigt gilt die Aufgabe, wenn Parquet Unterstützung für vektorisierte Lesevorgänge bereitstellt, die für SQL-Engines geeignet ist, und das aufgeführte Reader-Verhalten sowie die Test- oder Benchmark-Abdeckung berücksichtigt wurden.

Vom Indexierungsmodell aus dem Issue-Text verfasst.

Bewertung

Tech-Stack
java
Bereich
data-engineering
Issue-Typ
Feature
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.