什么是Lance #

Lance 是一种专为大规模 AI 数据集设计的现代化列式数据格式。它类似于 Parquet，但针对多模态数据（如图像、视频、音频、点云及传统表格数据）的存储和访问进行了深度优化。Lance 支持与 POSIX 兼容的Linux文件系统以及主流云对象存储（火山引擎 TOS），使其成为构建统一 AI 数据湖的理想基础。

Lance 格式的核心在于其高效的文件结构，它由三层逻辑构成：

1. 文件格式层: 自主研发的底层存储格式，能够高效地存储和随机访问大规模、多模态的数据。
2. 数据湖格式层: 类似于 Apache® Iceberg，提供了强大的数据湖管理功能，如原子事务、多版本控制，以离线引擎访问为主，不支持流引擎的写入，AI场景目前也不适用。

   Apache Gravitino, the names of other Apache projects, and the ASF logo are either registered trademarks or trademarks of the Apache Software Foundation in the United States and/or other countries.

3. 应用层: Lance支持多种方式接入，可以使用单机的SDK操作，例如PyLance，也可以通过分布式的引擎，例如Spark和Ray进行读写Lance数据，甚至能够通过lancedb的接口，将lance当做向量数据库使用。

Lance可以做什么 #

主要特点 #

Lance 的主要功能包括：

• 高性能随机访问：针对单条数据，take 操作性能较 Parquet 提升 10 倍以上。
• 向量搜索：索引支持毫秒级最近邻居查找，并实现标量查询与向量搜索的结合。
• 零拷贝、自动版本控制：自动管理数据版本，并使用内置的零拷贝逻辑减少冗余。
• 生态系统集成： Apache® Arrow、DuckDB 以及更多正在开发中。

  Apache Arrow, the names of other Apache projects, and the ASF logo are either registered trademarks or trademarks of the Apache Software Foundation in the United States and/or other countries.

解决的核心问题 （AI 数据集的挑战） #

传统的 AI/ML 工作流中，数据集的管理面临诸多挑战，例如：

• 版本混乱: 训练数据的变更难以追踪，导致模型训练结果无法复现。
• 访问低效: 对于大规模数据集，特别是包含向量或多媒体文件的数据，随机访问和查询性能低下。
• 生态割裂: 数据预处理、模型训练和向量搜索等环节通常需要使用不同的工具和数据格式，增加了系统的复杂性和数据冗余。

Lance 通过提供一个统一的平台来解决这些问题，其核心能力包括：

• 统一管理多模态数据: 将非结构化数据（如图像）和结构化数据（如元数据、标签）存储在同一张表中。
• 高效的数据版本控制: 自动记录每一次数据变更，确保实验的可复现性。
• 高性能的查询与搜索: 支持对数据过滤和向量相似度搜索。

核心特性 #

• 零拷贝、免索引的数据访问: 读取数据时采用零拷贝技术，避免不必要的数据复制，显著提升 I/O 效率。其独特的格式设计使得随机访问性能比 Parquet 快 100 倍，无需依赖额外的索引。
• 数据集版本控制与可复现性: 所有的数据写入、更新或删除操作都会自动生成一个新的、不可变的数据集版本。
• 与生态系统的无缝集成: Lance 与 Apache Arrow 内存格式完全兼容，可以轻松地与 Pandas、DuckDB、Polars 等主流数据科学工具进行数据交换，同时也支持与 Spark、Ray 等大规模分布式计算引擎集成。

架构概览 #

Lance 格式的内部结构 #

一个 Lance 数据集在存储上表现为一个目录，其内部主要包含：

• data/ 目录：存放真实的数据文件（.lance 文件）。
• _versions/ 目录：存放每个版本的元数据清单（manifest 文件），记录了该版本包含了哪些数据文件。
• _transactions/ 目录：用于保证写入操作的原子性。
• _deletions/ 目录：存放删除文件（deletion vectors），用于跟踪已删除的行而无需重写数据文件。
• _indices/ 目录：当对 Lance 数据创建了索引后，会将索引文件存放在此目录中，每个索引存储在独立的 UUID 子目录中。

数据读写流程 #

如何使用 #

如何使用请查看快速入门。

#