Apache DataFusion ClickBench 查询优化：避免使用 to_timestamp_seconds 函数

在 Apache DataFusion 项目中，ClickBench 基准测试的查询实现存在一个值得关注的优化点。当前测试中使用了 to_timestamp_seconds 函数来处理时间戳数据，但这种做法可能会对查询性能产生不利影响。

问题背景

ClickBench 是一个广泛使用的数据库性能基准测试套件。在 DataFusion 的实现版本中，查询语句对 EventTime 字段使用了 to_timestamp_seconds 函数进行转换。例如：

SELECT * FROM 'hits.parquet' WHERE "URL" LIKE '%google%' 
ORDER BY to_timestamp_seconds("EventTime") LIMIT 10

然而，其他数据库系统如 DuckDB 和 ClickHouse 的 ClickBench 实现中，都直接使用了原始的 EventTime 字段，没有进行任何转换：

SELECT * FROM 'hits.parquet' WHERE "URL" LIKE '%google%' 
ORDER BY "EventTime" LIMIT 10

性能影响分析

to_timestamp_seconds 函数会对时间戳数据进行验证处理，这会带来两个主要问题：

1. 额外的计算开销：函数调用本身会增加 CPU 计算负担
2. 优化器限制：阻碍查询优化器应用某些优化策略，如将 min(to_timestamp_seconds(column)) 转换为更高效的 column < [current topk min heap value] 形式

数据类型考量

EventTime 字段在原始数据集中是 int64 类型，直接使用这个字段进行排序和比较操作是完全可行的。转换为时间戳类型虽然语义上更明确，但对于基准测试场景来说并非必要，反而可能影响性能比较的公平性。

其他相关优化点

除了 to_timestamp_seconds 问题外，查询中还发现了其他可能影响性能的类型转换操作，例如对 EventDate 字段的 ::INT::DATE 转换。这些转换同样可能带来不必要的性能开销，值得进一步评估和优化。

建议解决方案

建议将 DataFusion 的 ClickBench 查询修改为直接使用原始字段，与其他数据库实现保持一致：

SELECT * FROM 'hits.parquet' WHERE "URL" LIKE '%google%' 
ORDER BY "EventTime" LIMIT 10

这种修改不仅能够提高查询性能，还能确保基准测试结果更具可比性。同时，这也为查询优化器提供了更多优化机会，使 DataFusion 能够充分发挥其性能潜力。