首页
/ Apache DataFusion聚合执行任务无法取消问题分析

Apache DataFusion聚合执行任务无法取消问题分析

2025-06-14 13:13:47作者:董灵辛Dennis

Apache DataFusion是一个高性能的查询引擎,但在其聚合执行(AggregateExec)的实现中存在一个关键问题:聚合操作无法被及时取消。这个问题在用户尝试中断长时间运行的聚合查询时尤为明显。

问题本质

DataFusion的AggregateExec在执行聚合操作时,其内部流(stream)实现会在一个循环中持续消费输入数据,而不会主动让出(yield)执行权。当输入源是文件等不会返回Pending状态的流时,Tokio运行时将没有机会中止正在运行的任务。

这个问题通常被查询计划中的CoalesceExec所掩盖,因为CoalesceExec会在单独的任务中运行聚合操作。虽然CoalesceExec使用的RecordBatchReceiverStream确实会返回Pending状态,使得它本身可以被取消,但实际聚合任务的停止仍然需要等待Tokio能够获得执行权。

问题复现

要复现这个问题,可以按照以下步骤操作:

  1. 启动datafusion-cli
  2. 执行SET datafusion.execution.target_partitions = 1;
  3. 在一个较大的表上执行SELECT sum(column) from table;
  4. 尝试使用Ctrl-C取消查询

预期行为是查询应该立即停止,但实际行为是查询会继续执行直到完成。

技术分析

问题的核心在于DataFusion的流处理模型与Tokio任务调度的交互方式。在Tokio的异步模型中,任务只能在显式让出执行权时才能被取消。当AggregateExec的实现持续处理数据而不让出执行权时,即使外部触发了取消操作,Tokio也无法立即中断任务。

这个问题在单线程运行时尤为明显,因为此时没有其他任务可以抢占执行权。在多线程运行时,虽然其他任务可以继续执行,但聚合任务本身仍然会消耗CPU资源直到完成。

解决方案

解决这个问题的关键在于在聚合操作的执行流中定期插入让出点(yield point)。目前社区提出了几种解决方案:

  1. 在AggregateExec的输入流中包装一个定期让出的适配器,例如每处理64个批次后让出一次
  2. 修改CoalescePartitionExec,使其在单分区情况下也使用任务分离的方式执行
  3. 在查询执行的顶层添加取消检查点

这些解决方案都需要在保证查询性能不受显著影响的前提下,提供及时取消的能力。性能测试表明,合理的让出频率对查询性能的影响可以控制在可接受范围内。

影响范围

这个问题不仅影响命令行工具的交互体验,还会影响所有通过编程接口使用DataFusion的场景。例如:

  • Java应用通过JNI调用DataFusion时无法及时取消查询
  • gRPC服务端处理客户端断开连接时无法及时终止查询
  • 任何需要设置查询超时的场景

结论

DataFusion的聚合执行取消问题是一个典型的异步任务管理挑战。通过合理地在执行流中插入让出点,可以在保持高性能的同时提供良好的取消支持。这个问题也提醒我们在设计流处理系统时,需要考虑任务管理的各个方面,包括但不限于性能、资源使用和用户交互体验。

登录后查看全文
热门项目推荐

项目优选

收起
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
52
461
kernelkernel
deepin linux kernel
C
22
5
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
349
381
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
7
0
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
131
185
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
873
517
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
336
1.09 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
264
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
607
59
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4