ParadeDB查询计划器Bug：过滤条件与BM25全文搜索结果的JOIN匹配缺失问题分析

背景介绍

ParadeDB作为PostgreSQL的扩展，提供了强大的全文搜索能力，其BM25索引功能在复杂查询场景下表现优异。然而，在实际使用过程中，我们发现了一个特定条件下的查询计划器Bug，该Bug会导致JOIN操作无法正确匹配符合条件的结果。

问题现象

当查询满足以下所有条件时，会出现JOIN匹配缺失的问题：

1. 涉及多表关联查询
2. 包含针对company_id的过滤条件（特别是包含company_id=15的情况）
3. 使用ParadeDB的全文搜索功能（BM25索引）
4. 在JOIN操作后使用GROUP BY子句

典型表现为：即使company_id=15的记录明显包含搜索关键词"Testing"，在查询结果中该记录也会被错误地标记为无匹配（mc_company_id为NULL且score=0）。

技术分析

查询计划差异

通过分析执行计划，我们发现问题的核心在于查询优化器选择了不同的JOIN策略：

1. 问题查询计划：采用Nested Loop Join

   • 首先扫描user表并应用过滤条件
   • 然后对每条user记录执行并行Custom Scan（ParadeDB搜索）
   • 这种执行方式在某些情况下会导致segment处理顺序问题

2. 正常查询计划：采用Hash Join

   • 先完成全文搜索并构建哈希表
   • 然后扫描user表并应用过滤条件
   • 最后通过哈希连接合并结果
   • 这种方式能正确处理所有匹配记录

根本原因

深入分析表明，问题出在可见性检查(visibility check)环节。当使用Nested Loop Join时：

1. 对于company_id=15的记录，segment 0的可见性检查失败
2. 而segment 1的可见性检查成功
3. 不同的JOIN策略影响了segment的处理和合并方式
4. 最终导致部分有效结果被错误过滤

解决方案

目前发现两种有效的规避方案：

方案一：使用MATERIALIZED提示

WITH target_users AS MATERIALIZED (
    -- 查询内容
)

这种方法强制PostgreSQL物化CTE结果，改变执行计划生成方式。

方案二：重构查询条件

将company_id过滤条件从WHERE子句移动到单独的JOIN操作：

FROM all_users u
JOIN (VALUES (4), (5), (13), (15)) AS filter(id) ON u.company_id = filter.id

最佳实践建议

1. 复杂查询监控：对于包含全文搜索的多表关联查询，应仔细验证结果完整性
2. 执行计划检查：当发现结果异常时，优先检查EXPLAIN输出中的JOIN策略
3. 测试策略：建议对关键查询编写单元测试，验证边界条件（如特定ID值）
4. 版本升级：关注ParadeDB的版本更新，该问题可能在后续版本中得到修复

总结

这个案例展示了数据库扩展与查询优化器交互时可能出现的边界情况。作为开发者，理解查询计划的选择及其影响对于确保数据一致性至关重要。在ParadeDB的使用过程中，特别是在复杂查询场景下，建议采用本文提到的规避方案，并保持对查询结果的验证习惯。

该问题的发现也提醒我们，在数据库扩展开发中，需要特别关注与查询优化器的交互逻辑，确保在各种执行计划下都能返回一致正确的结果。