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。
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
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~0266cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









