首页
/ Apache Arrow DataFusion 中 Join 操作投影列丢失问题分析

Apache Arrow DataFusion 中 Join 操作投影列丢失问题分析

2025-06-14 09:04:17作者:蔡怀权

在 Apache Arrow DataFusion 项目中,最近发现了一个关于 SQL 查询解析和优化的有趣问题。这个问题涉及到查询计划中的投影列(Projection)在特定情况下会被错误地丢弃,导致生成的 SQL 语句与原始查询意图不符。

问题现象

当执行包含 JOIN 操作的查询时,如果满足以下两个条件:

  1. 最终投影列与底层表扫描(TableScan)的列完全匹配
  2. 使用特定的优化规则后

生成的 SQL 语句会丢失原本指定的投影列,转而使用通配符(*)选择所有列。例如,对于查询:

SELECT t1.v, t2.v FROM test t1, test t2

优化后的查询计划会错误地生成:

SELECT * FROM "test" AS "t1" CROSS JOIN "test" AS "t2"

技术背景

在 DataFusion 的查询处理流程中,SQL 语句会经历解析、优化和执行几个阶段。其中:

  1. 解析阶段:将 SQL 文本转换为逻辑计划
  2. 优化阶段:应用各种优化规则改进查询计划
  3. 反解析阶段:将优化后的计划转换回 SQL 文本

问题出现在优化和反解析阶段的交互中。DataFusion 有一个优化规则 optimize_projections,它会移除被认为冗余的投影操作。同时,在反解析 JOIN 操作时,try_transform_to_simple_table_scan_with_filters 函数会进一步简化表扫描操作,导致投影信息丢失。

问题根源

深入分析发现,问题的核心在于:

  1. 当投影列与表扫描列完全匹配时,优化器认为投影是冗余的并将其移除
  2. 在反解析 JOIN 操作时,处理表扫描的逻辑没有保留原始的投影信息
  3. 这两个因素共同作用,导致最终生成的 SQL 丢失了指定的列

解决方案思路

解决这个问题有几种可能的途径:

  1. 修改 JOIN 反解析逻辑:确保在处理 JOIN 操作时保留投影信息
  2. 调整优化规则:防止在特定情况下移除投影操作
  3. 增强反解析器:在最终输出前重新应用投影信息

从架构角度看,第一种方案可能更为合理,因为它保持了优化器的独立性,只在反解析阶段做必要的信息恢复。

影响分析

这个问题虽然不会影响查询执行的正确性(因为优化后的计划仍然会返回正确结果),但会影响:

  1. 查询的可读性:生成的 SQL 不再反映原始查询的精确意图
  2. 工具互操作性:某些工具可能依赖生成的 SQL 格式
  3. 调试体验:开发者看到的执行计划与原始查询差异增大

总结

这个案例展示了查询优化器中不同组件间交互的复杂性。在追求性能优化的同时,也需要保持查询表示的一致性。DataFusion 社区正在考虑最合适的修复方案,以平衡优化效果和查询表示的准确性。

对于开发者而言,这个问题提醒我们:在编写涉及查询优化的代码时,需要考虑优化后的表示如何被后续阶段(如反解析)处理,确保整个流程的信息完整性。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
152
1.96 K
kernelkernel
deepin linux kernel
C
22
6
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
431
34
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
251
9
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
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
989
394
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++
193
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
936
554
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)。
Python
75
69