讲师中心 微信公众号

工具推荐

视频效率加速
SoundView
SoundView

字幕擦除翻译、配音口型同步

Seko
Seko

AI短剧一键生成成片

Laper
Laper

剧本策划到成片协作

updream

一键生成高质量推广成片

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

发布时间:2026-11-22 10:35:19

|

326人浏览过

|

来源于php中文网

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。

立即学习“Python免费学习笔记(深入)”;

  • 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<struct></struct> 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。

热门AI工具

更多
咔片AIPPT

一款在线AI演示文稿制作工具,可根据主题和内容需求辅助生成PPT结构与页面,提高演示材料制作效率。

音述AI
音述AI Hot

一款AI音频处理工具,主要用于音述AI是一个以“用声音述说故事”为核心的 AI 音乐创作与声音分享社区,适合需要提升相关任务效率的用户。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

码上飞
码上飞 Hot

一款基于自然语言的AI应用开发平台,可根据用户描述自动生成应用程序,帮助个人和团队快速完成应用原型与开发。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

小橡皮AI

一款AI工具,主要用于小橡皮一键去AI味,将机器味重的内容改得更有活人感,防止因为 AI 内容被平台打上 AI 标签,以及限流,适合需要提升相关任务效率的用户。

讯飞智作

讯飞智作是一款AI视频创作工具,AI文本配音工具,数字人课程、营销视频制作。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

二狗PPT
二狗PPT Hot

一款AI演示文稿工具,主要用于专为中式职场打造的AI PPT生成工具,适合需要提升相关任务效率的用户。

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。

1971

2023.07.20

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。

5664

2023.07.25

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。

1929

2023.07.31

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。

34797

2023.08.03

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。

4047

2023.08.04

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。

4067

2023.08.04

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。

1303

2023.08.11

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。

636

2023.08.10

Navicat创建数据库教程
Navicat创建数据库教程

本专题整理Navicat创建数据库相关教程,介绍新建前的准备、基础设置和创建后的检查方法。内容兼顾入门学习及实际使用需求,帮助用户了解不同数据库类型下的操作差异,为后续建表、保存数据和日常管理提供参考。

0

2026.11.20

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
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn