Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

Parquet: StringReader decodes every occurrence of a dictionary value into a new String

Aperta Adatta ai principianti
  • Qualcosa non va?
#18,259 2 commenti 0 reazioni 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 1 giorno

@Neuw84 ci sta già lavorando.

Dal 25/9/2026.

  • #18260 di @Neuw84 — aperta

Valutazione

Difficoltà
2/5
Tempo stimato
1-3 ore
Idoneità per principianti
76/100
Tipo di issue
Refactoring
Chiarezza
Specificata chiaramente
Stato di attività
Attiva
Stack tecnologico
java
Ambito
data, performance

Direzione di ricerca

Partire da ParquetValueReaders.StringReader e seguire il modo in cui BaseDeleteLoader.readPosDeletes fornisce valori di file_path codificati tramite dizionario. Aggiungere il test unitario e il benchmark JMH descritti nella proposta, quindi verificare che i valori di dizionario ripetuti riutilizzino il risultato decodificato e che il caricamento delle eliminazioni per posizione mostri il miglioramento previsto.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

ParquetValueReaders.StringReader decodes every value with column.nextBinary().toStringUsingUTF8(). When a page is dictionary-encoded, Parquet's dictionary reader hands back the same Binary instance for every occurrence of a dictionary entry. The reader still decodes each of them into a new String.

This shows up when position deletes are loaded. BaseDeleteLoader.readPosDeletes reads a whole position delete file through the generic reader. file_path is dictionary-encoded and, since the spec sorts position deletes by file_path, it repeats for thousands of rows in a row. We profiled a Spark 4.1 MERGE INTO over a v2 table with position and equality deletes (8 executors, JFR on all of them). Loading the position deletes was 10.5 % of the target-scan stage, even with #17864 applied. Inside that load, StringReader.read for file_path was 22.9 % of the samples.

Proposal

In StringReader, keep the last Binary read and its String, and return that String while the next value is the same instance. Values are unchanged. A PR with a unit test and a JMH benchmark (loading a whole position delete file through BaseDeleteLoader: 143.3 ms on main, 113.1 ms with the change) follows.

Related: #17864, #16440, #16052.

Lingua principale
Java
Stelle
9.3k
Fork
3.6k
Merge medio
2g 20h
PR unite (30g)
143

Preparare l'ambiente

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di apache/iceberg

Tutte le issue di apache/iceberg

Issue simili

Altre issue su Java

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.