`Arrow.Table` uses last dictionary for all batches in streaming decode, resulting in incorrect reads

Đang mở
  • Có gì không ổn?
#610 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Chưa có ai nhận issue này.

Đánh giá

Độ khó
4/5
Thời gian dự kiến
3-5 ngày
Mức phù hợp với người mới
55/100
Loại issue
Lỗi
Độ rõ ràng
Khá rõ ràng
Mức độ hoạt động
Sôi nổi
Công nghệ
julia
Lĩnh vực
data

Hướng nghiên cứu

Bắt đầu bằng cách so sánh các đường dẫn giải mã streaming được Arrow.Table và Arrow.Stream sử dụng với trình tái hiện hai batch trong issue. Theo dõi cách mỗi DictionaryBatch được áp dụng khi đọc combined.arrows, sau đó xác minh rằng kết quả của bảng giữ nguyên ["alpha", "beta", "gamma", "delta"] giống như Arrow.Stream và pyarrow.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

This issue was primarily written by AI, but checked by a person. The practical upshot is that data is read back differently than it was written.

Example:

Here's a 2-batch stream where the second DictionaryBatch replaces (not deltas) the dictionary for column a: batch 1 uses ["alpha","beta"], batch 2 uses ["gamma","delta"]. Reading it back with Arrow.Table gives ["gamma","delta","gamma","delta"] instead of ["alpha","beta","gamma","delta"]; Arrow.Stream on the same bytes gives the correct answer.

using Arrow

# Two independent single-batch streams, same schema, different dict pools.
# Each is written fresh, so each DictionaryBatch is "initial" (isDelta=false) —
# exactly what a producer like pyarrow emits when per-batch pools differ.
open(io -> Arrow.write(io, (a=Arrow.DictEncode(["alpha", "beta"]),)), "s1.arrows", "w")
open(io -> Arrow.write(io, (a=Arrow.DictEncode(["gamma", "delta"]),)), "s2.arrows", "w")

# Splice: [schema, dict1, rb1] from s1 + [dict2, rb2] from s2 + EOS.
# This reproduces a foreign stream whose 2nd DictionaryBatch replaces dict id 0.
function messages(bytes)
    spans, pos = UnitRange{Int}[], 1
    while pos + 3 <= length(bytes) && Arrow.readbuffer(bytes, pos, UInt32) == Arrow.CONTINUATION_INDICATOR_BYTES
        pos += 4
        msglen = Arrow.readbuffer(bytes, pos, Int32)
        msglen == 0 && break
        pos += 4
        msg = Arrow.FlatBuffers.getrootas(Arrow.Meta.Message, bytes, pos - 1)
        start = pos - 8
        pos += msglen + msg.bodyLength
        push!(spans, start:(pos - 1))
    end
    spans
end

b1, b2 = read("s1.arrows"), read("s2.arrows")
s1, s2 = messages(b1), messages(b2)
eos = reinterpret(UInt8, [Arrow.CONTINUATION_INDICATOR_BYTES, UInt32(0)])
write("combined.arrows", vcat(b1[s1[1]], b1[s1[2]], b1[s1[3]], b2[s2[2]], b2[s2[3]], eos))

println(collect(Arrow.Table("combined.arrows").a))                    # ["gamma","delta","gamma","delta"] -- WRONG
println([collect(b.a) for b in Arrow.Stream("combined.arrows")])      # [["alpha","beta"],["gamma","delta"]] -- correct

The pyarrow version behaves correctly in this case:

import pyarrow as pa, pyarrow.ipc as ipc
b1 = pa.record_batch({'a': pa.DictionaryArray.from_arrays(
        pa.array([0, 1], pa.int32()), pa.array(['alpha', 'beta']))})
b2 = pa.record_batch({'a': pa.DictionaryArray.from_arrays(
        pa.array([0, 1], pa.int32()), pa.array(['gamma', 'delta']))})
with ipc.new_stream('r2.arrows', b1.schema) as w:
    w.write_batch(b1); w.write_batch(b2)

ipc.open_stream('r2.arrows').read_all().column(0).to_pylist()
# ['alpha', 'beta', 'gamma', 'delta']
Ngôn ngữ chính
Julia
Star
315
Fork
79
Không có pull request nào được merge trong 30 ngày

Chuẩn bị môi trường

Dự án này không cung cấp dev container, Dockerfile hay hướng dẫn đóng góp, nên bạn cần tự thiết lập môi trường: hãy bắt đầu từ README và xem hướng dẫn đóng góp lần đầu của chúng tôi để biết các bước chung.

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của apache/arrow-julia

Tất cả issue của apache/arrow-julia

Issue tương tự

Thêm issue về Julia

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.