Apache DataFusion 中内联表扫描导致投影丢失的问题分析

Apache DataFusion 是一个用 Rust 编写的现代化查询引擎，它提供了高性能的 SQL 查询执行能力。在最新版本中，开发者发现了一个关于查询计划优化的关键问题：内联表扫描操作会意外地丢弃投影(projection)信息。

问题背景

在查询优化过程中，DataFusion 会对逻辑计划进行各种转换和优化。其中一个优化是将某些表扫描操作内联(inline)到查询计划中。这个优化原本是为了简化查询计划，但当表扫描操作带有投影时，优化后的计划会错误地丢失这些投影信息。

技术细节

问题的根源在于逻辑计划构建器(builder.rs)中的内联表扫描逻辑。当检测到表扫描可以内联时，代码只检查了是否存在过滤条件(filter)，却忽略了投影信息。具体来说，在构建逻辑计划时，如果遇到视图表(ViewTable)的扫描操作，系统会尝试将其替换为视图定义的逻辑计划，但在这个过程中没有正确处理原始查询中的列投影。

影响范围

这个问题会影响所有使用视图表并指定列投影的查询。例如，当用户只选择视图中的部分列时，优化后的查询计划会错误地返回所有列而不是请求的列。这不仅会导致不必要的计算和内存消耗，还可能引发类型不匹配等运行时错误。

解决方案

修复方案是在内联表扫描时，不仅要检查过滤条件，还要保留原始查询中的投影信息。具体实现需要修改逻辑计划构建器中的相关代码，确保投影信息能够正确地传递到优化后的查询计划中。

验证方法

可以通过编写测试用例来验证修复效果。测试应该创建一个带有投影的视图表查询，然后检查优化后的逻辑计划是否仍然包含正确的投影信息。例如，对于一个包含两列(a和b)的视图，当只查询a列时，优化后的计划应该明确显示只投影a列。

版本影响

这个问题在DataFusion 47.0.0版本中引入，影响了从该版本开始的所有用户。对于依赖正确投影行为的应用程序，建议升级到包含修复的47.0.1或更高版本。

总结

查询优化是数据库系统的核心功能，但优化过程必须保证语义的正确性。DataFusion的这个案例提醒我们，在实现查询优化时需要考虑所有可能影响查询结果的上下文信息，包括但不限于过滤条件、投影、排序等。只有全面考虑这些因素，才能确保优化后的查询既高效又正确。