[Feature Request]: Bound PGBKCVOperation precombine table by in-memory size, not key count

Abierto
  • ¿Algo no está bien?
#39,754 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Los mantenedores suelen responder en 1 día

Nadie ha tomado este issue todavía.

  • #39767 de @Dharshika-11 — cerrado sin fusionar

Evaluación

Dificultad
5/5
Tiempo estimado
Más de una semana
Aptitud para principiantes
35/100
Tipo de issue
Nueva funcionalidad
Claridad
Bastante claro
Estado de actividad
Tranquilo
Stack tecnológico
python
Área
data-engineering

Línea de trabajo

Comienza en sdks/python/apache_beam/runners/worker/operations.py, en PGBKCVOperation y su TODO sobre limitar por tamaño en memoria. Compara la PGBKOperation relacionada e inspecciona cómo se representan los acumuladores Count, Mean, min, max y sum. Se considera terminado cuando la tabla de precombine está limitada mediante una estimación del tamaño en memoria, en lugar de depender únicamente del número de claves, teniendo en cuenta los acumuladores envueltos o nativos.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

P3
What would you like to happen?

PGBKCVOperation (sdks/python/apache_beam/runners/worker/operations.py) caps its precombine table by key count (max_keys, default 100k / 1M for Count/Mean/min/max/sum), flushing ~10% of keys once the count is hit. The code already flags this as a stopgap:

# TODO(b/36567833): Bound by in-memory size rather than key count.

A fixed key-count cap is a poor memory proxy when accumulators vary in size, so workers can OOM well below max_keys (or flush needlessly when accumulators are tiny). Request: bound the table by estimated in-memory size instead of (or in addition to) key count.

Notes:

  • b/36567833 is a Google-internal Buganizer ref with no public page; this issue tracks it publicly.
  • Sibling PGBKOperation has the same shape (max_size = 10 * 1000 elements).
  • Sizing accurately is the hard part — sys.getsizeof undercounts wrapped/native (e.g. C-extension) accumulators; a coder-based or sampled-RSS estimate is likely needed.
Issue Priority

Priority: 3 (nice-to-have improvement)

Issue Components
  • Component: Python SDK
Lenguaje dominante
Java
Estrellas
8.7k
Forks
4.8k
Merge medio
2 d 9 h
PR fusionados (30 d)
368

Preparar el entorno

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de apache/beam

Todos los issues de apache/beam

Issues similares

Más issues de Java

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.