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

Pluggable Backend Interface with DataFusion for Bounded-Memory Compute

オープン
#3,715 コメント 0 件 リアクション 0 件 担当者 0 名 GitHub で見る

まだ誰も着手していません。

評価

難易度
5/5
見積もり時間
1週間以上
初心者へのやさしさ
25/100
issue の種類
機能追加
明瞭さ
説明が足りない
活発さ
静か
技術スタック
python

調査の方向性

実装ファイルやテストは指定されていません。まず関連する issue #1210、#3270、#3554 を読み、次に提案されている ReadBackend、WriteBackend、ComputeBackend プロトコルと DataFusion 統合の範囲を定めてください。完了条件は、一覧にある delete、ストリーミング、ソート、スキャン計画の動作が実現され、DataFusion なしでもリグレッションがなく、PyArrow と DataFusion の結果が同等であることです。

索引モデルが issue の本文から書いたものです。

説明

Summary

PyIceberg uses PyArrow as its sole execution engine. PyArrow is a kernel library with no memory management, no spill-to-disk, and no join operators. Operations that process more data than available memory (CoW deletes, equality delete resolution, scan planning for heavily-deleted tables, sorted writes) crash with OOM errors.

This issue tracks introducing a pluggable backend interface (ReadBackend, WriteBackend, ComputeBackend protocols) and integrating Apache DataFusion as the first bounded-memory compute backend.

Problem

Operation Current Status OOM Pattern
Equality delete reads Hard ValueError Anti-join requires all delete keys in memory
CoW delete (large files) OOMs Materializes entire Parquet file into RAM
Scan planning (>100K deletes) OOMs All delete entries in Python dict
Sort-on-write Not implemented Full sort before write
Positional deletes (millions) OOMs Python set of positions

Tables written by Flink (which uses equality deletes) are completely unreadable by PyIceberg today.

Solution

  1. Pluggable interface: ReadBackend, WriteBackend, ComputeBackend protocols that decouple PyIceberg from PyArrow
  2. DataFusion integration: Bounded-memory sort, join, and filter with spill-to-disk via datafusion-python
  3. Migration: All existing data operations route through the interface with zero API changes

Deliverables

  • Equality delete resolution (NEW): tables with equality deletes can now be read
  • CoW delete/overwrite streaming (FIX): statistics short-circuit + two-pass streaming
  • Positional delete resolution (IMPROVED): bounded-memory for large delete sets
  • Sort-on-write (NEW): external merge sort when DataFusion installed
  • Bounded-memory scan planning (NEW): for tables with >100K delete files

Related Issues

  • #1210 - Support reading equality delete files
  • #3270 - Equality Delete support
  • #3554 - Integrate DataFusion as execution engine

Acceptance Criteria

  • All existing tests pass without datafusion installed (no regression)
  • Tables with equality deletes return correct results
  • CoW delete on 2GB+ files completes without OOM (with DataFusion)
  • Sort-on-write produces sorted files when table has sort order and DataFusion installed
  • Property-based tests verify PyArrow and DataFusion backends produce identical output
主要言語
Python
スター
1.1k
フォーク
589
平均マージ
2日 2時間
マージ済み PR(30日)
70

コントリビューションガイド

このリポジトリのコントリビューションガイドは索引されていません

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/iceberg-python のほかの issue

apache/iceberg-python の issue をすべて見る

似ている issue

Python 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。