首页
/ DataFusion-Ballista项目中TPC-H查询失败问题分析

DataFusion-Ballista项目中TPC-H查询失败问题分析

2025-07-09 06:43:26作者:魏侃纯Zoe

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:

  1. 在DataFusion 35.0.0版本中,所有TPC-H查询都能正常工作
  2. 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:

  1. 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。

  2. 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:

  1. 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
  2. 关注DataFusion核心项目的更新,了解可能影响分布式执行的变更
  3. 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
  4. 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。

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
143
1.91 K
kernelkernel
deepin linux kernel
C
22
6
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++
192
273
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
927
551
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
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
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)。
Jupyter Notebook
75
64
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
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8