DataFusion-Ballista项目中TPC-H查询失败问题分析
问题背景
在DataFusion-Ballista分布式查询引擎的最新版本中,开发人员发现执行TPC-H基准测试时出现部分查询失败的情况。具体表现为:在分布式模式下(使用ballista-cli连接ballista-scheduler,并配合ballista-executor运行)时,部分TPC-H查询能够成功执行,而另一部分则出现错误。
问题现象
成功执行的查询包括:q1、q3、q4、q5、q6、q11、q12、q13、q16、q17、q19、q20、q21;失败的查询包括:q2、q7、q8、q9、q10、q14、q15、q18、q22。
错误信息显示为列引用问题,例如在查询q2中出现的错误:"PhysicalExpr Column references column 's_acctbal' at index 9 (zero-based) but input schema only has 9 columns",这表明在执行计划生成过程中出现了列索引越界的问题。
问题根源
经过技术分析,这个问题与DataFusion版本升级有关。具体表现为:
- 在DataFusion 35.0.0版本中,所有TPC-H查询都能正常工作
- 当升级到DataFusion 39.0.0版本后,部分查询开始失败
深入研究发现,问题源于DataFusion核心中的JoinSelection规则优化器。这个优化器在创建执行阶段时,尚未完全支持投影操作(projections),导致在分布式执行计划生成过程中出现了列引用错误。
解决方案
目前有两种可行的解决方案:
-
临时解决方案:在ExecutionStage的构建过程中,暂时移除特定的优化规则。具体来说,可以注释掉相关代码中触发问题的优化逻辑,这样虽然会牺牲部分性能优化,但可以确保查询正确执行。
-
完整解决方案:需要等待DataFusion核心团队修复JoinSelection规则对投影操作的支持问题。同时,还需要在Ballista的执行循环中注册一些缺失的标量函数,如"date_part"和"substr"等,以确保所有TPC-H查询都能正常执行。
技术影响
这个问题反映了分布式查询引擎开发中的一个典型挑战:当底层计算框架(DataFusion)进行重大更新时,上层分布式调度系统(Ballista)需要相应调整。特别是在执行计划优化和分布式任务切分阶段,需要确保优化后的计划在分布式环境下仍能正确执行。
最佳实践建议
对于使用DataFusion-Ballista的开发者和用户,建议:
- 在升级DataFusion版本时,务必进行全面测试,特别是复杂的多表连接查询
- 关注DataFusion核心项目的更新,了解可能影响分布式执行的变更
- 在遇到类似问题时,可以考虑暂时禁用某些优化规则作为临时解决方案
- 确保所有查询中使用的函数都在执行环境中正确注册
这个问题也提醒我们,在分布式SQL引擎的开发中,执行计划的正确性始终应该优先于优化效果,特别是在优化规则可能引入执行错误的情况下。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









