为什么Apache Orc RecordReader.searchArgument()没有正确过滤

Question

这是一个简单的程序：

1. 将记录写入 Orc 文件
2. 然后尝试使用谓词下推 ( searchArgument ( 读取文件

问题：

1. 这是在兽人中使用谓词下推的正确方法吗？
2. read(..)方法似乎返回所有记录，完全忽略searchArguments。为什么？

笔记：

我找不到任何有用的单元测试来演示谓词下推在 Orc(GitHub 上的 Orc(中的工作原理。我也找不到有关此功能的任何明确文档。尝试查看Spark和Presto代码，但我找不到任何有用的东西。

下面的代码是 https://github.com/melanio/codecheese-blog-examples/tree/master/orc-examples/src/main/java/codecheese/blog/examples/orc 的修改版本

public class TestRoundTrip {
public static void main(String[] args) throws IOException {
    final String file = "tmp/test-round-trip.orc";
    new File(file).delete();
    final long highestX = 10000L;
    final Configuration conf = new Configuration();
    write(file, highestX, conf);
    read(file, highestX, conf);
}
private static void read(String file, long highestX, Configuration conf) throws IOException {
    Reader reader = OrcFile.createReader(
            new Path(file),
            OrcFile.readerOptions(conf)
    );
    //Retrieve x that is "highestX - 1000". So, only 1 value should've been retrieved.
    Options readerOptions = new Options(conf)
            .searchArgument(
                    SearchArgumentFactory
                            .newBuilder()
                            .equals("x", Type.LONG, highestX - 1000)
                            .build(),
                    new String[]{"x"}
            );
    RecordReader rows = reader.rows(readerOptions);
    VectorizedRowBatch batch = reader.getSchema().createRowBatch();
    while (rows.nextBatch(batch)) {
        LongColumnVector x = (LongColumnVector) batch.cols[0];
        LongColumnVector y = (LongColumnVector) batch.cols[1];
        for (int r = 0; r < batch.size; r++) {
            long xValue = x.vector[r];
            long yValue = y.vector[r];
            System.out.println(xValue + ", " + yValue);
        }
    }
    rows.close();
}
private static void write(String file, long highestX, Configuration conf) throws IOException {
    TypeDescription schema = TypeDescription.fromString("struct<x:int,y:int>");
    Writer writer = OrcFile.createWriter(
            new Path(file),
            OrcFile.writerOptions(conf).setSchema(schema)
    );
    VectorizedRowBatch batch = schema.createRowBatch();
    LongColumnVector x = (LongColumnVector) batch.cols[0];
    LongColumnVector y = (LongColumnVector) batch.cols[1];
    for (int r = 0; r < highestX; ++r) {
        int row = batch.size++;
        x.vector[row] = r;
        y.vector[row] = r * 3;
        // If the batch is full, write it out and start over.
        if (batch.size == batch.getMaxSize()) {
            writer.addRowBatch(batch);
            batch.reset();
        }
    }
    if (batch.size != 0) {
        writer.addRowBatch(batch);
        batch.reset();
    }
    writer.close();
}

}

Answer 1

我知道

这个问题很老，但也许答案对某人有用。(而且我刚刚看到Mac几个小时前写了一条评论说和我基本一样，但我认为单独的答案更明显(

Orc 在内部将数据分隔到所谓的"行组"(每个行组默认有 10000 行(，其中每个行组都有自己的索引。搜索参数仅用于筛选出其中没有行可以与搜索参数匹配的行组。但是，它不会筛选出单个行。甚至可能是索引声明行组与搜索参数匹配，而其中没有一行实际上与搜索匹配。这是因为行组索引主要由行组中每列的最小值和最大值组成。

因此，您必须遍历返回的行并跳过与您的搜索条件不匹配的行。

Answer 2

我遇到了同样的问题，我认为它已通过更改来纠正

.equals("x", Type.LONG,

自

.equals("x",PredicateLeaf.Type.LONG

在使用它时，读取器似乎只返回具有相关行的批次，而不仅仅是我们要求的一次。