Apache Arrow源码分析(一)——简介和框架

时间:2021-12-05 07:21:48

@原创文章,转载请注明: 转载自 镜中影的技术博客
本文链接地址: Apache Arrow源码分析(一)——简介和框架
URL:http://blog.csdn.net/linkpark1904/article/details/50980464

背景

列存储在数据库领域中早已被提出,列存储数据结构在分析型事务上表现优异,大数据分析引擎,诸如Spark-SQL,Impala 均采用列存储作为其中间数据表示形式,那么Apache Arrow就是这样一种内存列式数据结构。

在众多分布式系统中,每个系统都有自己内部的内存格式,70-80%的CPU浪费在序列化和反序列化过程,类似功能在多个项目中实现,没有一个标准。那么Arrow就是为解决这一问题而提出了。Arrow基于列存储的数据组织方式,能够很好的适应CPU的Cache,以及现代CPU SIMD (Single input multiple data) 技术,并且提供良好的序列化和反序列化性能。更值得一提的是,Arrow提供良好的扩展性,既有C++版的实现,又有java版的实现,是一个很值得学习的数据结构库。

基本思想

Arrow 基本思想就是把向量在内存中的布局给紧凑话,说白了,就是把之前按行表示的数据按列进行组织。
Apache Arrow源码分析(一)——简介和框架

举一个很简单的例子,对于一个字符串向量{“a”, “bb”, “”, “”, “ccc”},通常在c++中我们采用vector< string >进行存储vector<string> strings = {"a", "bb", "", "", "ccc"};, 采用这种存储方式,其内存布局大致如下图所示:
Apache Arrow源码分析(一)——简介和框架

由于STL容器string中存储字符串的空间在堆上分配,那么每一个string对象会单独在堆上申请内存空间,存储字符串,这就可能导致在内存中,vector< string > 存储空间并非连续的。这样的存储会带来两个问题,其一在于,不能很好的适应CPU cache,其二在于序列化和反序列化代价较大。

那么Apache Arrow将vector< string >进行变形,转换成如下的存储方式:
Apache Arrow源码分析(一)——简介和框架

引入一个Offset向量,以及连续内存空间的buffer,对外提供和vector类似的接口。其中,对于string 的访问接口实现如下所示:

  const uint8_t* GetValue(int64_t i, int64_t* out_length) const {                                                                
int32_t pos = offsets_[i];
*out_length = offsets_[i + 1] - pos;
return raw_bytes_ + pos;
}

std::string GetString(int64_t i) const {
const uint8_t* str = GetValue(i, &nchars);
return std::string(reinterpret_cast<const char*>(str), nchars);
}

引入偏移量向量来对连续的buffer空间进行索引,从而对外提供和vector< string >类似的取值接口。

框架和类图

Apache Arrow类的设计采用建造者模式,封装了基础类array,buffer,以及arraybuilder,具体类图如下图所示:

Apache Arrow源码分析(一)——简介和框架

参考资料:

https://github.com/apache/arrow
http://www.uml.org.cn/itnews/2016030208.asp