Hacktoberfest 2026：メンテナが10月に向けて印を付けた、オープンで初心者向けの issue。 Hacktoberfest の issue を見る

BaselineMetrics output_bytes converts every column to ArrayData for every batch

オープン 初心者向け
  • 何か問題がありますか？
#26,071 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 1 日以内に返信

@minhh-nguyen がすでに取り組んでいます。

2026年10月7日 から。

  • #26105 @minhh-nguyen による — オープン

評価

難易度
2/5
見積もり時間
1〜3時間
初心者へのやさしさ
72/100
issue の種類
機能追加
明瞭さ
明確に書かれている
活発さ
活発
技術スタック
rust
領域
performance

調査の方向性

datafusion/physical-expr-common/src/metrics/baseline.rsから始め、RecordOutput::record_outputとget_record_batch_memory_sizeを読み、output_bytesがどのように記録されるかを確認します。提案されているArray::get_array_memory_sizeのアプローチを、既存の共有バッファの計上方法と比較してください。出力バイトの記録時に列がArrayDataに変換されなくなり、メモリ計上には引き続きget_record_batch_memory_sizeを利用できる状態が完了条件です。

索引モデルが issue の本文から書いたものです。

説明

Is your feature request related to a problem or challenge?

Every operator's BaselineMetrics records output_bytes for every output batch through RecordOutput::record_output (datafusion/physical-expr-common/src/metrics/baseline.rs), which calls get_record_batch_memory_size. That function converts each column, and each child of a nested column, to ArrayData and inserts every buffer's address into a HashSet, so that buffers shared between columns are counted once. Exact accounting matters for memory reservations; for a per-batch metric it is a cost every query pays, and it grows with the width and nesting of the schema rather than with the data.

Measured on main (c0e872f), release build, Apple M1 Max, one batch of Int32 struct columns:

batch get_record_batch_memory_size sum of Array::get_array_memory_size
35 struct columns x 20 fields, 100 rows 21.9 µs 1.6 µs
35 struct columns x 20 fields, 4,000 rows 15.1 µs 1.5 µs
5 struct columns x 5 fields, 4,000 rows 0.58 µs 0.05 µs

That is per operator per batch. We hit it running one wide plan repeatedly (a game's world, 35 struct columns, a few thousand rows, a few hundred operators, through Sail on DataFusion 55.1): in a sampled profile, BaselineMetrics::record_poll -> get_record_batch_memory_size -> StructArray::to_data was about 12% of executing the plan, and computing the metric as below took a run from 40 ms to 34 ms.

Describe the solution you'd like

Compute output_bytes without ArrayData, for example:

fn output_bytes(batch: &RecordBatch) -> usize {
    batch.columns().iter().map(|c| c.get_array_memory_size()).sum()
}

This can count a buffer shared between columns more than once (in the table above it reports 350,840 bytes against 280,000 for the 100-row batch, which shares nothing; the difference is the arrays' own structures), which seems acceptable for a metric; get_record_batch_memory_size would stay for memory accounting. Alternatively, output_bytes could be computed only when a metrics level that shows it is requested.

Describe alternatives you've considered

Making get_record_batch_memory_size itself cheaper for nested arrays (walking the arrays' buffers without building ArrayData) would help memory accounting too, but keeps the hash set per batch.

Additional context

Related: #26065 (struct literal comparisons through ArrayData in physical planning) and the planning-speed work in #19795.

主要言語
Rust
スター
9.4k
フォーク
2.5k
平均マージ
4日 5時間
マージ済み PR（30日）
331

環境構築

Codespaces で開く

このプロジェクトの開発コンテナを、あなたの GitHub アカウントでブラウザ上に起動します。

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 のほかの issue

apache/datafusion の issue をすべて見る

似ている issue

Rust 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。