Apache Kyuubi中Spark血缘关系解析的缺陷分析与修复

背景介绍

Apache Kyuubi是一个开源的分布式SQL引擎，它提供了JDBC接口来执行SQL查询。在数据处理领域，数据血缘（Lineage）追踪是一个重要功能，它可以帮助用户理解数据的来源和流转过程。Kyuubi通过org.apache.kyuubi.plugin.lineage.Lineage类来记录SQL操作的数据血缘信息。

问题发现

在特定场景下，Kyuubi生成的血缘关系对象会出现错误。具体表现为：当用户通过临时视图（temporary view）向目标表插入数据时，系统本应生成完整的血缘关系信息，但实际上却生成了一个值为None的空对象。

问题复现步骤

1. 首先创建一个基于CSV文件的临时视图：

CREATE OR REPLACE TEMPORARY VIEW temp_view
(
 `a` STRING COMMENT '',
 `b` STRING COMMENT ''
)
USING csv OPTIONS(
    sep='\t',
    path='数据文件路径'
);

2. 然后执行插入操作，将临时视图数据写入目标表：

insert overwrite table test_db.test_table_from_dir
SELECT
    `a`,
    `b`
FROM temp_view

3. 在执行上述插入语句时，系统尝试生成血缘关系信息，但结果不正确。

预期与实际的差异

按照预期，系统应该生成如下完整的血缘关系信息：

inputTables(List())
outputTables(List(spark_catalog.test_db.test_table_from_dir))
columnLineage(List(ColumnLineage(spark_catalog.test_db.test_table_from_dir.a0,Set()), ColumnLineage(spark_catalog.test_db.test_table_from_dir.b0,Set())))

但实际上，系统生成了一个None值，导致血缘信息完全缺失。

问题根源分析

通过代码分析发现，问题出在LogicalPlan对象的解析逻辑上。当前实现中，当解析过程中遇到某些特殊情况时，系统会触发"try-recover"自我保护机制，导致最终返回None值而不是正确的血缘关系对象。

问题影响

单元测试环境

在单元测试中，当代码尝试获取这个None值时，会抛出None.get异常，导致测试失败。异常堆栈显示：

None.get
java.util.NoSuchElementException: None.get
    at scala.None$.get(Option.scala:529)

生产环境

在生产环境中，这个None值会导致血缘关系功能完全失效，用户无法获取任何关于数据流转的信息，严重影响数据治理和追踪能力。

解决方案

针对这个问题，社区已经提出了修复方案。修复的核心思路是改进LogicalPlan的解析逻辑，确保在遇到临时视图等特殊情况时，仍能正确生成血缘关系信息，而不是简单地返回None值。

修复后的代码能够正确处理临时视图到目标表的数据流转场景，确保血缘关系的完整性和准确性。这对于依赖Kyuubi进行数据治理的企业用户来说尤为重要，因为它保证了数据流转过程的可追溯性。

总结

数据血缘是数据治理的重要组成部分，Kyuubi作为SQL执行引擎，其血缘关系功能的稳定性直接影响用户的数据管理能力。这次修复不仅解决了一个具体的技术问题，也提升了整个系统在复杂场景下的可靠性。对于使用Kyuubi的用户来说，升级到包含此修复的版本将获得更稳定的血缘关系追踪能力。