apache / apache/parquet-java

The number of values in a miniblock should be multiple of 32 instead of 8 in DeltaBinaryPackingConfig

Offen
#2,639 0 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

In the code of [DeltaBinaryPackingValuesWriter](https://github.com/apache/parquet-mr/blob/master/parquet-column/src/main/java/org/apache/parquet/column/values/delta/DeltaBinaryPackingValuesWriter.java#L82), the parameters are always DEFAULT_NUM_BLOCK_VALUES(which is 128) and DEFAULT_NUM_MINIBLOCKS(which is 4). So if the file is written by parquet-mr, the number of values in a miniblock is always 32. It is consistent with the [spec.](https://github.com/apache/parquet-format/blob/master/Encodings.md#delta-encoding-delta_binary_packed--5)
However, the code in [DeltaBinaryPackingConfig](https://github.com/apache/parquet-mr/blob/master/parquet-column/src/main/java/org/apache/parquet/column/values/delta/DeltaBinaryPackingConfig.java#L41) indicates that the number of values in a miniblock must be multiple of 8. Would it be better if the limitation was changed to 32?

**Reporter**: [Shan Huang](https://issues.apache.org/jira/secure/ViewProfile.jspa?name=shanhuang) / @shanhuuang

**Note**: *This issue was originally created as [PARQUET-2077](https://issues.apache.org/jira/browse/PARQUET-2077). 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

Lesen Sie DeltaBinaryPackingConfig.java und vergleichen Sie dessen Validierung der miniblock-Größe mit DeltaBinaryPackingValuesWriter.java und der Spezifikation für Delta Binary Packed. Bestätigen Sie, dass die akzeptierte Anzahl von miniblock-Werten der Spezifikation sowie der Konfiguration des Writers mit 128 Werten und vier miniblocks entspricht, und führen Sie anschließend die relevanten parquet-column-Tests aus, falls verfügbar.

Vom Indexierungsmodell aus dem Issue-Text verfasst.

Bewertung

Tech-Stack
java
Bereich
data-engineering
Issue-Typ
Bug
Schwierigkeit
2/5
Geschätzter Aufwand
1-3 Stunden
Aktivitätsstatus
Veraltet
Klarheit
Klar beschrieben
Anfängerfreundlichkeit
45/100

Neue Issues direkt in Ihr Postfach

Eine kurze Übersicht über anfängerfreundliche GitHub-Issues.