首页
/ Apache Arrow DataFusion 数据源架构解析

Apache Arrow DataFusion 数据源架构解析

2025-06-14 10:02:35作者:农烁颖Land

核心组件关系图

在Apache Arrow DataFusion项目中,数据读取模块采用分层架构设计,主要包含以下核心组件:

                   ┌─────────────────────┐                 
                   │                     │                 
                   │   DataSourceExec    │                 
                   │                     │                 
                   └─────────────────────┘                 
                              │                            
                              │                            
                   ┌──────────▼──────────┐                 
                   │                     │                 
                   │     DataSource      │                 
                   │                     │                 
                   └─────────────────────┘                 
                              │                            
           ┌──────────────────┴────────────────┐           
┌──────────▼──────────┐             ┌──────────▼──────────┐
│                     │             │                     │
│   FileScanConfig    │             │ MemorySourceConfig  │
│                     │             │                     │
└─────────────────────┘             └─────────────────────┘
           │                                               
           │                                               
           │                                               
┌──────────▼──────────┐                                    
│                     │                                    
│     FileSource      │                                    
│                     │                                    
└─────────────────────┘                                    
           │                                               
           │                                               
           │                                               
┌──────────▼──────────┐                                    
│     ArrowSource     │                                    
│         ...         │                                    
│    ParquetSource    │                                    
└─────────────────────┘                                    
           │                                               
           │                                               
           │                                               
┌──────────▼──────────┐                                    
│                     │                                    
│    ParquetOpener    │                                    
│                     │                                    
└─────────────────────┘                                    
           │                                               
           │                                               
           │                                               
┌──────────▼──────────┐                                    
│                     │                                    
│ RecordBatch Stream  │                                    
│                     │                                    
└─────────────────────┘                                    

架构分层解析

1. 执行层 (DataSourceExec)

作为查询计划执行树的物理节点,负责调度数据读取任务。这是查询引擎与数据源交互的最高层抽象,处理分区读取、并行执行等逻辑。

2. 数据源抽象层 (DataSource)

定义统一的数据源接口,包含:

  • 获取数据模式(schema)的能力
  • 数据分片(partition)信息
  • 创建具体扫描器(Scanner)的方法

3. 配置层 (ScanConfig)

具体数据源的配置实现:

  • FileScanConfig:文件扫描配置,包含文件路径、格式等
  • MemorySourceConfig:内存数据配置,处理内存中的RecordBatch

4. 文件源实现层 (FileSource)

针对文件系统的通用抽象,处理:

  • 文件列表发现
  • 分区过滤
  • 文件格式路由

5. 格式特定实现层

各文件格式的具体实现:

  • ParquetSource:Apache Parquet列式存储
  • ArrowSource:Arrow内存格式
  • 其他格式通过实现相同接口扩展

6. 底层读取器 (Opener)

实际执行文件解码的组件,如:

  • ParquetOpener:使用parquet-rs库读取文件
  • 返回RecordBatch流式迭代器

设计优势

  1. 清晰的职责分离:每层只关注单一职责,上层不依赖具体实现细节

  2. 灵活的可扩展性:新增文件格式只需实现对应Source和Opener

  3. 统一的执行接口:无论底层数据源如何变化,执行引擎都通过DataSourceExec统一调度

  4. 配置与执行解耦:ScanConfig允许复用相同配置创建多个执行实例

典型数据流

  1. 查询计划生成DataSourceExec节点
  2. 根据配置创建对应DataSource实例
  3. DataSource初始化具体文件扫描器
  4. 通过格式特定Source获取Opener
  5. Opener返回RecordBatch流
  6. DataSourceExec收集所有分区的数据流

这种分层设计使得DataFusion能够以统一的方式处理各种数据源,同时保持各格式特定的优化空间。开发者可以方便地扩展支持新的数据格式,而查询优化器和执行引擎无需关心底层细节。

登录后查看全文
热门项目推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.92 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
929
553
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8