Apache Arrow-Ballista项目中TPC-H查询失败问题分析与解决

Apache Arrow-Ballista项目是一个分布式查询引擎，近期在其主分支上出现了TPC-H基准测试查询失败的问题。本文将深入分析该问题的根源，并探讨解决方案。

问题现象

在分布式模式下运行TPC-H查询时，部分查询成功执行，而另一部分则失败。具体表现为：

• 成功的查询：q1、q3、q4、q5、q6、q11、q12、q13、q16、q17、q19、q20、q21
• 失败的查询：q2、q7、q8、q9、q10、q14、q15、q18、q22

失败查询报错信息显示列引用问题，例如查询q2报错："PhysicalExpr Column references column 's_acctbal' at index 9 (zero-based) but input schema only has 9 columns"。

问题根源

经过技术分析，发现该问题与DataFusion版本升级有关：

1. 在DataFusion 35.0.0版本中，查询能够正常执行
2. 升级到DataFusion 39.0.0版本后，问题开始出现

深入调查发现，问题源于DataFusion中的一个优化规则变更，特别是与JoinSelection规则相关。该规则在创建执行阶段时尚未完全支持投影操作，导致列引用出现偏差。

解决方案

针对这一问题，社区提出了两种解决方案：

1. 移除特定优化：在execution_stage.rs文件中，注释掉可能导致问题的优化代码行。这一改动直接解决了列引用不匹配的问题。

2. 注册缺失函数：部分查询失败还因为缺少必要的标量函数注册。需要在execution_loop.rs中补充注册date_part和substr等函数，确保查询执行时能够找到这些函数实现。

技术启示

这一问题的解决过程为我们提供了几个重要启示：

1. 版本升级需谨慎：即使是小版本号的升级，也可能引入不兼容的变更，特别是在分布式查询引擎这类复杂系统中。

2. 优化规则的边界条件：查询优化规则在提高性能的同时，必须考虑所有可能的边界条件，特别是涉及分布式执行计划时。

3. 测试覆盖的重要性：TPC-H基准测试作为标准测试套件，能够有效发现这类执行计划问题，强调了全面测试的必要性。

通过解决这一问题，Arrow-Ballista项目在分布式查询处理方面又向前迈进了一步，为后续版本的功能完善和性能优化奠定了基础。