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 05:21:45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

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
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
860
511
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
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
259
300
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
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
332
1.08 K