如何在Python中优化Parquet文件的列式存储与压缩策略以减少IO?

胖丽酱_5855

胖丽酱_5855

2026-11-22

326人浏览

原创

列裁剪失效需显式指定columns、检查写入时是否含冗余列、验证RowGroup元数据;ZSTD level 1为压缩最优解;RowGroup宜设75–128MB;嵌套结构应扁平化并精确指定子字段读取。

如何在python中优化parquet文件的列式存储与压缩策略以减少io?

Parquet列裁剪失效时怎么确认和修复

列裁剪失效是IO没降下来的最常见原因,本质是读取时没真正跳过无关列。先用 pyarrow.parquet.read_table 的 columns 参数显式指定所需列,而不是读全表再用 pandas 选列;同时检查底层 Parquet 文件是否真的按需写入——如果原始写入时用了 df.to_parquet(..., columns=['a','b']),但后续追加写入却漏了 columns,新数据块可能含冗余列,导致读取时无法跳过。

  • 用 parquet-tools meta your_file.parquet 查看每个 RowGroup 的 column metadata,确认目标列的 num_values 和 total_compressed_size 是否显著小于其他列
  • PyArrow 读取时加 use_pandas_metadata=True,避免因 schema 不一致导致列裁剪被绕过
  • Spark 用户注意:spark.read.parquet().select("col_a") 有效,但若中间有 filter() 且谓词涉及未选列,可能触发全列扫描

Snappy、ZSTD、LZ4 压缩算法怎么选

不是压缩率越高越好,关键是解压吞吐与CPU开销的平衡。Snappy 是 Parquet 默认,解压快但压缩率一般;ZSTD 在 level 1–3 时比 Snappy 多压 15–25%,解压速度仍接近;LZ4 解压最快,但压缩率略低于 Snappy。实测中,ZSTD level 1 通常是最优起点。

  • 写入时指定:df.to_parquet(..., compression='ZSTD', compression_level=1)
  • 避免用 gzip:压缩慢、解压慢、不支持并行解压,Parquet 场景下纯属拖累
  • 注意 PyArrow 版本:ZSTD 支持需 >= 3.0.0,旧版会静默退回到 Snappy
  • 如果数据含大量重复字符串(如枚举字段),开启 use_dictionary=True(默认开启),能大幅提升字典编码 + ZSTD 的协同压缩效果

RowGroup大小设成多少才不浪费IO和内存

RowGroup 是 Parquet 的最小IO单元,太小会导致元数据膨胀、随机IO增多;太大则单次读取载入过多无关数据,浪费内存和解压开销。经验上,75–128 MB(未压缩前)是较稳的区间,对应约 500万–1000万行(视每行宽窄而定)。

Define repeatable Python automation sessions in code with nox
Define repeatable Python automation sessions in code with nox

将测试、lint、构建和文档流程编码为命名的Python会话,以便人类和代理每次运行相同的workflow。

下载
  • 写入时控制:df.to_parquet(..., row_group_size=1000000)(按行数)或用 data_page_size 配合 dictionary_pages_size 细调
  • 用 pyarrow.parquet.read_metadata() 检查实际 RowGroup 大小分布,警惕“长尾”——个别 RG 超 500 MB 往往是 append 操作未对齐导致
  • 列类型影响大:含大量 string 或 list 的列,实际压缩后 RG 尺寸波动剧烈,建议先抽样统计典型行宽再反推

嵌套结构(struct/list)如何避免IO爆炸

Parquet 对嵌套类型的存储不是“整块序列化”,而是展平为多个平行列(如 user.address.city、user.address.zip),读取任意子字段都会加载整个 struct 所在的 RowGroup 中所有相关列。一旦嵌套层级深、字段多,IO很容易翻倍。

  • 扁平化优先:把高频访问的嵌套路径提前展开成独立列,例如 df["address_city"] = df["user"].apply(lambda x: x["address"]["city"]),再写入
  • 避免 list 类型直接写入:它会生成大量重复的定义页(definition levels),大幅增加元数据体积;改用宽表展开或预聚合
  • 读取时务必用 columns=["user.address.city"] 而非 columns=["user"],后者会拉取 user 下所有字段列

列式存储的优势不会自动生效——它高度依赖写入时的结构设计、压缩参数选择,以及读取端是否严格约束列集合。最容易被忽略的是:同一份数据在不同时间分批写入,若 RowGroup 大小或压缩算法不一致,查询引擎可能被迫回退到最弱兼容模式,让前面所有优化归零。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

python

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1971

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5664

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1929

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34797

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4047

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4067

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1303

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3163

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程