ANY_VALUE memory regression in Comet 1.2.0

オープン
  • 何か問題がありますか？
#7,541 コメント 1 件 リアクション 0 件 担当者 0 名 GitHub で見る

メンテナーはふだん 2 日以内に返信

@andygrove がすでに取り組んでいます。

2026年10月26日 から。

  • #7249 @andygrove による — オープン

評価

難易度
3/5
見積もり時間
1〜2日
初心者へのやさしさ
68/100
issue の種類
バグ
明瞭さ
明確に書かれている
活発さ
活発
技術スタック
rust, scala, spark
領域
backend, performance

調査の方向性

Start with the aggregate dependency configuration and native tests for TrivialFirstValueAccumulator::merge_batch; the issue identifies the DataFusion 55.2.0 behavior and upstream fix #26743. Check which released DataFusion version contains that fix and how Comet pins it, then run the focused native regression tests. Done means the dependency includes the fix and the tests pass; validate the rebuilt JAR with the supplied Spark reproducer if possible.

索引モデルが issue の本文から書いたものです。

説明

area:aggregation bug priority:medium

Comet 1.2.0 fails ANY_VALUE(array<string>) with an oversized memory reservation.
Spark lowers this to first, which uses DataFusion 55.2.0's
TrivialFirstValueAccumulator::merge_batch. That method retains the input's
backing buffers and counts them repeatedly across groups.

This is fixed by apache/datafusion#26743.
Could we update to a dependency containing it when released?

Reproducer

With Spark 4.1.3, Java 21, and the Comet JAR installed in $SPARK_HOME/jars,
save this as inline_repro.py:

from pyspark.sql import SparkSession

spark = (
    SparkSession.builder.config("spark.ui.enabled", "false")
    .config("spark.sql.adaptive.enabled", "false")
    .config("spark.sql.shuffle.partitions", "2")
    .config("spark.plugins", "org.apache.spark.CometPlugin")
    .config(
        "spark.shuffle.manager",
        "org.apache.spark.sql.comet.execution.shuffle.CometShuffleManager",
    )
    .config("spark.comet.enabled", "true")
    .config("spark.comet.exec.enabled", "true")
    .config("spark.comet.shuffle.enabled", "true")
    .config("spark.comet.nativeLoadRequired", "true")
    .config("spark.comet.exec.aggregate.enabled", "true")
    .config("spark.memory.offHeap.enabled", "true")
    .config("spark.memory.offHeap.size", "128m")
    .getOrCreate()
)

try:
    path = "/tmp/comet-any-value-input"
    spark.range(256, numPartitions=4).selectExpr(
        "CAST(id AS STRING) AS user_id",
        "transform(sequence(0, 199), x -> concat(lpad(CAST(id AS STRING), 8, '0'), ':', lpad(CAST(x AS STRING), 4, '0'))) AS values",
    ).write.mode("overwrite").parquet(path)
    spark.read.parquet(path).createOrReplaceTempView("input")
    result = spark.sql(
        "SELECT user_id, ANY_VALUE(values) AS values FROM input GROUP BY user_id"
    )
    result.explain()
    rows = result.collect()
    expected = {str(i): [f"{i:08d}:{j:04d}" for j in range(200)] for i in range(256)}
    assert len(rows) == 256
    assert {row.user_id: row["values"] for row in rows} == expected
finally:
    spark.stop()

"$SPARK_HOME/bin/spark-submit" --master 'local[1]' --driver-memory 1g \
  inline_repro.py

The script sets a 128 MiB native pool and two shuffle partitions. It fails in
OrderedFinalAggregateStream, requesting 80,775,440 bytes against a
67,108,864-byte share. The strings contain just 650 KiB of data.

The same script succeeds with Comet 1.1.0, or with
spark.comet.exec.aggregate.enabled set to false on 1.2.0. It checks every
output array.

Fix verification

Focused native tests use DataFusion 55.2.0 and Arrow 59.3.0. For the same
selected array, update_batch reports 3,832 bytes while merge_batch reports
1,311,296 bytes. Adding the upstream fix makes both report 3,832 bytes:

 self.first = ScalarValue::try_from_array(first, 0)?;
+self.first.compact();
 self.is_set = true;

Both native regression tests fail before this change and pass afterward,
with unchanged output values. A rebuilt Comet JAR has not yet been tested.

主要言語
Scala
スター
1.3k
フォーク
414
平均マージ
3日 5時間
マージ済み PR（30日）
210

環境構築

はじめの一歩

  1. issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
  2. 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
  3. リポジトリをフォークし、ブランチを切って変更します。
  4. issue 番号を参照したプルリクエストを送ります。

apache/datafusion-comet のほかの issue

apache/datafusion-comet の issue をすべて見る

似ている issue

Scala の issue をもっと見る

新しい issue をメールで受け取る

初心者向けの GitHub issue を短くまとめたダイジェスト。