Citus分布式数据库中DISTINCT ON查询结果异常问题分析

问题现象

在Citus分布式数据库(版本12.1-1)中，当对分布式表执行包含DISTINCT ON子句的查询时，出现了结果不正确的问题。具体表现为：在表未分布式时查询返回3条记录，而将表分布式后同样的查询仅返回2条记录，丢失了一条本应存在的记录。

问题复现步骤

1. 创建测试表并插入数据：

CREATE TABLE test (
    attribute1 varchar(255),
    attribute2 varchar(255),
    attribute3 varchar(255)
);

INSERT INTO test (attribute1, attribute2, attribute3)
VALUES ('Phone', 'John', 'A'),
       ('Phone', 'Eric', 'A'),
       ('Tablet','Eric', 'B');

2. 执行查询(表未分布式时)：

SELECT DISTINCT ON (T.attribute1, T.attribute2)
       T.attribute1 as attribute1,
       T.attribute3 as attribute2
FROM test T;

此时返回3条记录，结果正确。

3. 将表分布式后执行相同查询：

SELECT create_distributed_table('test', 'attribute1');
SELECT DISTINCT ON (T.attribute1, T.attribute2)
       T.attribute1 as attribute1,
       T.attribute3 as attribute2
FROM test T;

此时仅返回2条记录，结果不正确。

问题根源分析

经过深入分析，发现问题的根源在于Citus在构建分布式查询时对列别名的处理方式。当表被分布式后，Citus会重写查询，生成类似如下的形式：

SELECT DISTINCT ON (attribute1, attribute2) 
  attribute1,
  attribute3 AS attribute2,
  attribute2 AS worker_column_3 
FROM test_pg t WHERE true;

这里存在两个关键问题：

1. 列别名处理不当：Citus在重写查询时没有正确处理原始查询中的列别名(T.attribute3 as attribute2)，导致后续的DISTINCT ON操作基于错误的列进行。

2. 表限定符缺失：重写后的查询中缺少表限定符(如T.)，这在某些情况下可能导致列解析错误。

解决方案探讨

针对这个问题，社区提出了几种可能的解决方案：

1. 修正列别名处理：确保在重写查询时正确保留原始查询中的列别名信息，避免因别名混淆导致的问题。

2. 添加表限定符：在重写查询时保留或添加表限定符，确保列引用明确无误。

3. 借鉴PostgreSQL 17的修复方案：PostgreSQL 17中有一个相关修复(a7eb633563c)，可以考虑将其反向移植到Citus中。

技术背景

DISTINCT ON是PostgreSQL特有的语法，它允许基于指定列的唯一性返回结果集。与标准DISTINCT不同，DISTINCT ON可以保留每组中第一条记录的完整信息。在分布式环境中，这类查询需要特别处理，因为：

1. 数据分布在多个节点上，需要协调节点收集和合并结果
2. 排序和去重操作需要在多个层次上正确执行
3. 列引用和别名需要在查询重写过程中保持一致

最佳实践建议

对于使用Citus分布式数据库的开发人员，在处理类似问题时建议：

1. 在分布式环境中测试关键查询，确保结果与单机环境一致
2. 避免在DISTINCT ON查询中使用复杂的列别名
3. 考虑使用明确的表限定符来减少歧义
4. 关注Citus版本更新，及时应用相关修复

总结

这个案例展示了分布式查询重写过程中的复杂性，特别是在处理PostgreSQL特有语法时可能遇到的边缘情况。Citus团队正在积极解决这个问题，未来版本中将会包含更健壮的查询重写机制。对于遇到类似问题的用户，建议升级到包含修复的版本或采用上述的变通方案。