Apache Arrow DataFusion中Union操作字段名匹配问题的分析与解决

问题背景

在Apache Arrow DataFusion项目中，物理计划执行阶段出现了一个关于字段名匹配的错误。具体表现为当处理包含UNION操作的Substrait计划时，系统会抛出错误信息："Input field name $f3 does not match with the projection expression Utf8("people")"。这个错误发生在物理表达式等价性检查阶段，导致物理计划构建失败。

问题现象

该问题主要出现在通过Substrait消费者路径处理UNION操作时。系统能够成功地从Substrait计划生成逻辑计划，但在后续构建物理计划阶段失败。观察发现，某些Substrait计划会为列生成类似"$fN"的别名。

例如，在示例中生成的逻辑计划包含以下结构：

Projection: Utf8("people") AS product_category, Utf8("people")__temp__0 AS product_type, product_key
  Union
    Projection: Utf8("people"), Utf8("people") AS Utf8("people")__temp__0, sales.product_key
      ...
    Union
      Projection: people.$f3, people.$f5, people.product_key0
        ...

问题出现在构建最上层ProjectionExec时，虽然逻辑计划中的Union节点模式包含"Utf8("people")"，但物理计划中的UnionExec节点却使用了"$f3"作为字段名。

技术分析

根本原因

经过深入分析，发现问题根源在于UnionExec物理节点构建过程中对字段名的处理逻辑。具体来说：

1. 在构建UnionExec时，系统需要合并来自不同输入的模式(schema)
2. 当前实现中的find_or_first函数会优先选择第一个可为空的字段，无论它来自UNION的左侧还是右侧
3. 在示例中，"Utf8("people")"字段是不可为空的，而"$f3"字段是可空的
4. 因此系统选择了"$f3"作为最终字段名，导致与投影表达式中的"Utf8("people")"不匹配

影响范围

这个问题主要影响以下场景：

• 通过Substrait接口处理的查询计划
• 包含UNION操作的复杂查询
• 涉及字段可为空性不同的情况

解决方案

为了解决这个问题，需要对UnionExec的模式合并逻辑进行改进：

1. 在合并模式时，不仅要考虑字段的可空性，还应考虑字段名的语义一致性
2. 当存在多个候选字段名时，优先选择具有明确语义的名称(如"people")而非自动生成的名称(如"$f3")
3. 保持字段类型和可为空性的正确性，同时确保名称匹配

实现建议

具体的代码修改应集中在UnionExec的构建过程中，特别是模式合并部分。可以考虑以下改进方向：

1. 增强字段名匹配逻辑，优先保留有意义的名称
2. 在合并模式时，建立更智能的名称解析策略
3. 确保物理计划构建时能够正确处理来自逻辑计划的字段别名

总结

这个问题展示了在查询计划转换过程中，特别是在逻辑计划到物理计划的转换阶段，字段名处理的重要性。它不仅关系到系统的正确性，也影响着查询执行的效率。通过深入分析这个问题，我们不仅找到了解决方案，也加深了对DataFusion查询处理流程的理解。

对于开发者来说，这个案例提醒我们在处理复杂查询操作时，需要特别注意模式合并和字段名解析的逻辑，确保在整个查询处理流程中保持一致性和正确性。