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：

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。