JVM上高性能数据格式库包Apache Arrow入门和架构详解(Gkatziouras)

Apache Arrow是是各种大数据工具（包括BigQuery）使用的一种流行格式，它是平面和分层数据的存储格式。它是一种加快应用程序内存密集型。

数据处理和数据科学领域中的常用库： Apache Arrow 。诸如Apache Parquet，Apache Spark，pandas之类的开放源代码项目以及许多商业或封闭源代码服务都使用Arrow。它提供以下功能：

内存计算 标准化的柱状存储格式 一个IPC和RPC框架，分别用于进程和节点之间的数据交换

让我们看一看在Arrow出现之前事物是如何工作的：

我们可以看到，为了使Spark从Parquet文件中读取数据，我们需要以Parquet格式读取和反序列化数据。这要求我们通过将数据加载到内存中来制作数据的完整副本。首先，我们将数据读入内存缓冲区，然后使用Parquet的转换方法将数据（例如字符串或数字）转换为我们的编程语言的表示形式。这是必需的，因为Parquet表示的数字与Python编程语言表示的数字不同。

由于许多原因，这对于性能来说是一个很大的问题：

我们正在复制数据并在其上运行转换步骤。数据的格式不同，我们需要对所有数据进行读取和转换，然后再对数据进行任何计算。 我们正在加载的数据必须放入内存中。您只有8GB的RAM，数据是10GB吗？你真倒霉！

现在，让我们看一下Apache Arrow如何改进这一点：

Arrow无需复制和转换数据，而是了解如何直接读取和操作数据。为此，Arrow社区定义了一种新的文件格式以及直接对序列化数据起作用的操作。可以直接从磁盘读取此数据格式，而无需将其加载到内存中并转换/反序列化数据。当然，部分数据仍将被加载到RAM中，但您的数据不必放入内存中。Arrow使用其文件的内存映射功能，仅在必要和可能的情况下将尽可能多的数据加载到内存中。

Apache Arrow支持以下语言：

C++ C# Go Java JavaScript Rust Python (through the C++ library) Ruby (through the C++ library) R (through the C++ library) MATLAB (through the C++ library).

Arrow特点

Arrow首先是提供用于内存计算的列式数据结构的库，可以将任何数据解压缩并解码为Arrow柱状数据结构，以便随后可以对解码后的数据进行内存内分析。Arrow列格式具有一些不错的属性：随机访问为O（1），每个值单元格在内存中的前一个和后一个相邻，因此进行迭代非常有效。

Apache Arrow定义了一种二进制“序列化”协议，用于安排Arrow列数组的集合（称为“记录批处理”），该数组可用于消息传递和进程间通信。您可以将协议放在任何地方，包括磁盘上，以后可以对其进行内存映射或读入内存并发送到其他地方。

Arrow协议的设计目的是使您可以“映射”一个Arrow数据块而不进行任何反序列化，因此对磁盘上的Arrow协议数据执行分析可以使用内存映射并有效地支付零成本。该协议用于很多事情，例如Spark SQL和Python之间的流数据，用于针对Spark SQL数据块运行pandas函数，这些被称为“ pandas udfs”。

Arrow是为内存而设计的（但是您可以将其放在磁盘上，然后再进行内存映射）。它们旨在相互兼容，并在应用程序中一起使用，而其竞争对手Apache Parquet文件是为磁盘存储而设计的。

优点：Apache Arrow为平面和分层数据定义了一种独立于语言的列式存储格式，该格式组织为在CPU和GPU等现代硬件上进行高效的分析操作而组织。Arrow存储器格式还支持零拷贝读取，以实现闪电般的数据访问，而无需序列化开销。

Java的Apache Arrow

导入库：

<dependency> <groupId>org.apache.arrow</groupId> <artifactId>arrow-memory-netty</artifactId> <version>${arrow.version}</version> </dependency> <dependency> <groupId>org.apache.arrow</groupId> <artifactId>arrow-vector</artifactId> <version>${arrow.version}</version> </dependency>

在开始之前，必须了解对于Arrow的读/写操作，使用了字节缓冲区。诸如读取和写入之类的操作是字节的连续交换。为了提高效率，Arrow附带了一个缓冲区分配器，该缓冲区分配器可以具有一定的大小，也可以具有自动扩展功能。支持分配管理的库是arrow-memory-netty和arrow-memory-unsafe。我们这里使用netty。

用Arrow存储数据需要一个模式，模式可以通过编程定义：

package com.gkatzioura.arrow; import java.io.IOException; import java.util.List; import org.apache.arrow.vector.types.pojo.ArrowType; import org.apache.arrow.vector.types.pojo.Field; import org.apache.arrow.vector.types.pojo.FieldType; import org.apache.arrow.vector.types.pojo.Schema; public class SchemaFactory { public static Schema DEFAULT_SCHEMA = createDefault(); public static Schema createDefault() { var strField = new Field(“col1”, FieldType.nullable(new ArrowType.Utf8()), null); var intField = new Field(“col2”, FieldType.nullable(new ArrowType.Int(32, true)), null); return new Schema(List.of(strField, intField)); } public static Schema schemaWithChildren() { var amount = new Field(“amount”, FieldType.nullable(new ArrowType.Decimal(19,4,128)), null); var currency = new Field(“currency”,FieldType.nullable(new ArrowType.Utf8()), null); var itemField = new Field(“item”, FieldType.nullable(new ArrowType.Utf8()), List.of(amount,currency)); return new Schema(List.of(itemField)); } public static Schema fromJson(String jsonString) { try { return Schema.fromJSON(jsonString); } catch (IOException e) { throw new ArrowExampleException(e); } } }

他们也有一个可解析的json表示形式：

{ “fields” : [ { “name” : “col1”, “nullable” : true, “type” : { “name” : “utf8” }, “children” : [ ] }, { “name” : “col2”, “nullable” : true, “type” : { “name” : “int”, “bitWidth” : 32, “isSigned” : true }, “children” : [ ] } ] }

另外，就像Avro一样，您可以在字段上设计复杂的架构和嵌入式值：

public static Schema schemaWithChildren() { var amount = new Field(“amount”, FieldType.nullable(new ArrowType.Decimal(19,4,128)), null); var currency = new Field(“currency”,FieldType.nullable(new ArrowType.Utf8()), null); var itemField = new Field(“item”, FieldType.nullable(new ArrowType.Utf8()), List.of(amount,currency)); return new Schema(List.of(itemField)); }

基于上面的的Schema，我们将为我们的类创建一个DTO：

package com.gkatzioura.arrow; import lombok.Builder; import lombok.Data; @Data @Builder public class DefaultArrowEntry { private String col1; private Integer col2; }

我们的目标是将这些Java对象转换为Arrow字节流。

1. 使用分配器创建 DirectByteBuffer

这些缓冲区是 堆外的 。您确实需要释放所使用的内存，但是对于库用户而言，这是通过在分配器上执行 close（）操作来完成的。在我们的例子中，我们的类将实现Closeable 接口，该接口将执行分配器关闭操作。

通过使用流api，数据将被流传输到使用Arrow格式提交的OutPutStream：

package com.gkatzioura.arrow; import java.io.Closeable; import java.io.IOException; import java.nio.channels.WritableByteChannel; import java.util.List; import org.apache.arrow.memory.RootAllocator; import org.apache.arrow.vector.IntVector; import org.apache.arrow.vector.VarCharVector; import org.apache.arrow.vector.VectorSchemaRoot; import org.apache.arrow.vector.dictionary.DictionaryProvider; import org.apache.arrow.vector.ipc.ArrowStreamWriter; import org.apache.arrow.vector.util.Text; import static com.gkatzioura.arrow.SchemaFactory.DEFAULT_SCHEMA; public class DefaultEntriesWriter implements Closeable { private final RootAllocator rootAllocator; private final VectorSchemaRoot vectorSchemaRoot;//向量分配器创建： public DefaultEntriesWriter() { rootAllocator = new RootAllocator(); vectorSchemaRoot = VectorSchemaRoot.create(DEFAULT_SCHEMA, rootAllocator); } public void write(List<DefaultArrowEntry> defaultArrowEntries, int batchSize, WritableByteChannel out) { if (batchSize <= 0) { batchSize = defaultArrowEntries.size(); } DictionaryProvider.MapDictionaryProvider dictProvider = new DictionaryProvider.MapDictionaryProvider(); try(ArrowStreamWriter writer = new ArrowStreamWriter(vectorSchemaRoot, dictProvider, out)) { writer.start(); VarCharVector childVector1 = (VarCharVector) vectorSchemaRoot.getVector(0); IntVector childVector2 = (IntVector) vectorSchemaRoot.getVector(1); childVector1.reset(); childVector2.reset(); boolean exactBatches = defaultArrowEntries.size()%batchSize == 0; int batchCounter = 0; for(int i=0; i < defaultArrowEntries.size(); i++) { childVector1.setSafe(batchCounter, new Text(defaultArrowEntries.get(i).getCol1())); childVector2.setSafe(batchCounter, defaultArrowEntries.get(i).getCol2()); batchCounter++; if(batchCounter == batchSize) { vectorSchemaRoot.setRowCount(batchSize); writer.writeBatch(); batchCounter = 0; } } if(!exactBatches) { vectorSchemaRoot.setRowCount(batchCounter); writer.writeBatch(); } writer.end(); } catch (IOException e) { throw new ArrowExampleException(e); } } @Override public void close() throws IOException { vectorSchemaRoot.close(); rootAllocator.close(); } }

为了在Arrow上显示批处理的支持，已在函数中实现了简单的批处理算法。对于我们的示例，只需考虑将数据分批写入。

让我们深入了解上面代码功能：

向量分配器创建：

public DefaultEntriesToBytesConverter() { rootAllocator = new RootAllocator(); vectorSchemaRoot = VectorSchemaRoot.create(DEFAULT_SCHEMA, rootAllocator); }

然后在写入流时，实现并启动了Arrow流编写器

ArrowStreamWriter writer = new ArrowStreamWriter(vectorSchemaRoot, dictProvider, Channels.newChannel(out)); writer.start();

我们将数据填充向量，然后还重置它们，但让预分配的缓冲区 存在 ：

VarCharVector childVector1 = (VarCharVector) vectorSchemaRoot.getVector(0); IntVector childVector2 = (IntVector) vectorSchemaRoot.getVector(1); childVector1.reset(); childVector2.reset();

写入数据时，我们使用 setSafe 操作。如果需要分配更多的缓冲区，应采用这种方式。对于此示例，此操作在每次写入时都完成，但是在考虑了所需的操作和缓冲区大小后可以避免：

childVector1.setSafe(i, new Text(defaultArrowEntries.get(i).getCol1())); childVector2.setSafe(i, defaultArrowEntries.get(i).getCol2());

然后，将批处理写入流中：

vectorSchemaRoot.setRowCount(batchSize); writer.writeBatch();

最后但并非最不重要的一点是，我们关闭了writer:

@Override public void close() throws IOException { vectorSchemaRoot.close(); rootAllocator.close(); }

以上就是JVM上高性能数据格式库包Apache Arrow入门和架构详解(Gkatziouras)的详细内容，更多关于Apache Arrow入门的资料请关注其它相关文章！