YTsaurus项目中SPYT引擎的冗余排序问题分析与优化

背景介绍

在YTsaurus项目的SPYT(Spark on YTsaurus)引擎使用过程中，开发人员发现了一个关于查询优化的问题。当在DataFrame的join操作后添加where条件时，查询执行计划会不必要地引入排序操作，导致性能下降。这个问题与之前报告过的类似问题有所不同，值得深入分析。

问题现象

开发人员在使用SPYT引擎时，构建了一个包含join和where条件的查询。基础表已经按照[market, deal_id, unix_timestamp]进行了排序，理论上join操作可以直接利用现有的排序属性。然而，当添加特定的where条件后，查询计划却意外地增加了排序阶段。

具体来说，当执行以下类型的查询时：

deals.join(books, on=[*STORAGE_INFO_KEY])
     .where(F.floor((deals.unix_timestamp + 1) / 10) == F.floor(books.unix_timestamp / 10))

即使输入表已经按照join键排序，SPYT仍然会在join前插入排序操作，这显然是冗余的，会影响查询性能。

技术分析

问题根源

经过深入分析，发现问题出在Spark查询优化器的处理逻辑上。当join操作后跟有filter条件时，Spark优化器可能会将filter条件"下推"到join条件中。这种优化在某些情况下是有益的，但在YTsaurus的上下文中却导致了不必要的排序。

具体来说，优化器会将原始join条件[market, deal_id]扩展为包含filter表达式的新join条件，如[market, deal_id, unix_timestamp/10]。由于表数据没有按照这个新的复合键排序，优化器就决定插入排序操作。

解决方案

YTsaurus团队已经修复了这个问题，修复方案将在下一个版本中发布。修复的核心思路是：

1. 保持原始的join条件不变，避免引入新的排序键
2. 将复杂的filter条件保留在join后的阶段处理
3. 在某些情况下，可以重写filter条件表达式，使其不会被优化器错误地"下推"

例如，可以将原来的filter条件：

F.floor((deals.unix_timestamp + 1) / 10) == F.floor(books.unix_timestamp / 10)

改写为等效但不会被优化器错误处理的表达式：

F.floor((deals.unix_timestamp + 1) / 10) - F.floor(books.unix_timestamp / 10) == 0

这种改写可以防止优化器将条件错误地合并到join条件中，从而避免不必要的排序操作。

最佳实践建议

基于这个问题的分析，我们建议YTsaurus用户：

1. 在join操作后添加filter条件时，注意观察查询执行计划
2. 如果发现不必要的排序操作，可以尝试重写filter条件表达式
3. 对于数值比较，使用减法等于零的形式可能比直接比较更有效
4. 定期更新SPYT版本以获取最新的优化修复

总结

YTsaurus团队持续优化SPYT引擎的性能表现，这次修复进一步提升了join操作的效率。理解Spark优化器的工作原理有助于开发人员编写更高效的查询，避免潜在的性能陷阱。通过合理设计查询表达式和利用系统提供的优化手段，可以充分发挥YTsaurus分布式计算平台的优势。