Adding Bloom filter to small Parquet file bloats in size X1700
- 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
Converting a small, 14 rows/1 string column csv file to Parquet without bloom filter yields a 600B file, adding '.withBloomFilterEnabled(true)' to ParquetWriter then yields a 1049197B file.
It isn't clear what the extra space is used by.
Attached csv and bloated Parquet files.
**Reporter**: [Ze'ev Maor](https://issues.apache.org/jira/secure/ViewProfile.jspa?name=WiredWolf)
#### Original Issue Attachments:
- [data_index_bloom.parquet](https://issues.apache.org/jira/secure/attachment/13039997/data_index_bloom.parquet)
- [data.csv](https://issues.apache.org/jira/secure/attachment/13039998/data.csv)
**Note**: *This issue was originally created as [PARQUET-2122](https://issues.apache.org/jira/browse/PARQUET-2122). 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
添付された data.csv と data_index_bloom.parquet から始め、次に issue で説明されている変換を .withBloomFilterEnabled(true) を付けた場合と付けない場合で再現します。追加の領域がどこに割り当てられているかを調査し、この小さな入力に対する 600 B から 1,049,197 B への説明のつかない増加を回避することを完了の定義とします。
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
- data
- 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
- 25/100