[parquet-java] Intermittent out-of-bounds dictionary ID when reading dictionary-encoded Parquet pages
- Ngôn ngữ chính
- Java
- Star
- 3.1k
- Fork
- 1.6k
- Merge trung bình
- 3 ngày 12 giờ
- Pull request đã merge (30 ngày)
- 33
Mô tả
### Describe the bug, including details regarding any error messages, version, and platform.
## Description
We intermittently encounter a `ParquetDecodingException` when reading Parquet files written by Apache Hudi with Spark.
The issue cannot be reproduced consistently for every write, but it has occurred repeatedly across different write jobs.
The failures have a similar call chain: while reading a dictionary-encoded data page, parquet-java decodes a dictionary ID that is outside the range of the current dictionary. `PlainValuesDictionary` then attempts to access the dictionary array with that ID and throws an `ArrayIndexOutOfBoundsException`.
In the representative case below, the affected column is:
```text
optional int32 chan_second_cate_cd
```
The dictionary contains 13 entries, so the valid dictionary IDs are `0` through `12`. However, the data page produces dictionary ID `14`, resulting in:
```text
java.lang.ArrayIndexOutOfBoundsException: Index 14 out of bounds for length 13
```
This failure occurs in row group `0`, at column value `292293` out of `478848`, and at value `12293` out of `20000` in the current data page.
The value `14` is an internal Parquet dictionary ID, not the actual value stored in the column.
## Environment
| Component | Version |
| --- | --- |
| Apache Hudi | `0.13.1` |
| Write engine | Apache Spark `3.4` |
| parquet-mr | `1.12.3` |
## Representative Stack Trace
Click to expand
```text
org.apache.parquet.io.ParquetDecodingException: Can not read value at 292293 in block 0 in file
at org.apache.parquet.hadoop.InternalParquetRecordReader.nextKeyValue(InternalParquetRecordReader.java:264)
at org.apache.parquet.hadoop.ParquetRecordReader.nextKeyValue(ParquetRecordReader.java:207)
at org.apache.spark.sql.execution.datasources.RecordReaderIterator.hasNext(RecordReaderIterator.scala:39)
at org.apache.spark.sql.execution.datasources.RecordReaderIterator$$anon$1.hasNext(RecordReaderIterator.scala:61)
at org.apache.spark.sql.execution.datasources.FileScanRDD$$anon$1.hasNext(FileScanRDD.scala:125)
at scala.collection.Iterator$$anon$10.hasNext(Iterator.scala:460)
at org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIteratorForCodegenStage1.processNext(Unknown Source)
at org.apache.spark.sql.execution.BufferedRowIterator.hasNext(BufferedRowIterator.java:43)
at org.apache.spark.sql.execution.WholeStageCodegenExec$$anon$1.hasNext(WholeStageCodegenExec.scala:760)
at org.apache.spark.shuffle.sort.BypassMergeSortShuffleWriter.write(BypassMergeSortShuffleWriter.java:140)
at org.apache.spark.shuffle.ShuffleWriteProcessor.write(ShuffleWriteProcessor.scala:59)
at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:101)
at org.apache.spark.scheduler.Task.run(Task.scala:140)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:565)
Caused by: org.apache.parquet.io.ParquetDecodingException: Can't read value in column [chan_second_cate_cd] optional int32 chan_second_cate_cd at value 292293 out of 478848, 12293 out of 20000 in currentPage. repetition level: 0, definition level: 1
at org.apache.parquet.column.impl.ColumnReaderBase.readValue(ColumnReaderBase.java:553)
at org.apache.parquet.column.impl.ColumnReaderImpl.readValue(ColumnReaderImpl.java:30)
at org.apache.parquet.column.impl.ColumnReaderBase.writeCurrentValueToConverter(ColumnReaderBase.java:439)
at org.apache.parquet.column.impl.ColumnReaderImpl.writeCurrentValueToConverter(ColumnReaderImpl.java:30)
at org.apache.parquet.io.RecordReaderImplementation.read(RecordReaderImplementation.java:406)
at org.apache.parquet.hadoop.InternalParquetRecordReader.nextKeyValue(InternalParquetRecordReader.java:234)
Caused by: java.lang.ArrayIndexOutOfBoundsException: Index 14 out of bounds for length 13
at org.apache.parquet.column.values.dictionary.PlainValuesDictionary$PlainIntegerDictionary.decodeToInt(PlainValuesDictionary.java:251)
at org.apache.parquet.column.values.dictionary.DictionaryValuesReader.readInteger(DictionaryValuesReader.java:108)
at org.apache.parquet.column.impl.ColumnReaderBase$2$3.read(ColumnReaderBase.java:279)
at org.apache.parquet.column.impl.ColumnReaderBase.readValue(ColumnReaderBase.java:533)
```
### Component(s)
_No response_
Hướng dẫn đóng góp
Chưa lập chỉ mục được hướng dẫn đóng góp cho kho mã nguồn này
Hướng nghiên cứu
Bắt đầu với PlainValuesDictionary.decodeToInt, DictionaryValuesReader.readInteger và chuỗi lệnh gọi của ColumnReaderBase được hiển thị trong stack trace. Điều tra cách các ID của dictionary được tạo ra khi đọc các page được mã hóa bằng dictionary, sử dụng dictionary gồm 13 mục được báo cáo và ID 14 làm trường hợp tham chiếu. Được xem là hoàn tất khi các page bị ảnh hưởng có thể được đọc mà không xảy ra truy cập dictionary vượt quá giới hạn và lỗi không liên tục được bao phủ bằng một regression test.
Do mô hình lập chỉ mục viết ra từ nội dung của issue.
Đánh giá
- Công nghệ
- java
- Lĩnh vực
- data-engineering
- Loại issue
- Lỗi
- Độ khó
- 4/5
- Thời gian dự kiến
- 3-5 ngày
- Mức độ hoạt động
- Ít trao đổi
- Độ rõ ràng
- Cần làm rõ
- Mức phù hợp với người mới
- 42/100