首页
/ Apache DataFusion 中 Join 操作投影列丢失问题分析

Apache DataFusion 中 Join 操作投影列丢失问题分析

2025-05-31 06:51:34作者:冯梦姬Eddie

问题背景

在 Apache DataFusion 项目中,用户发现 SQL 查询在解析和优化过程中存在一个关于列投影(Projection)的特殊问题。具体表现为:当执行包含 Join 操作的查询时,最终生成的 SQL 语句会丢失原始查询中指定的列投影信息,转而输出 SELECT * 形式的查询。

问题复现

考虑以下示例查询:

SELECT t1.v, t2.v FROM test t1, test t2

经过 DataFusion 处理后的逻辑计划显示:

Projection: t1.v, t2.v
  Cross Join: 
    SubqueryAlias: t1
      TableScan: test
    SubqueryAlias: t2
      TableScan: test

优化后的计划变为:

Cross Join:
  SubqueryAlias: t1
    TableScan: test projection=[v]
  SubqueryAlias: t2
    TableScan: test projection=[v]

但最终生成的 SQL 却丢失了投影信息:

SELECT * FROM "test" AS "t1" CROSS JOIN "test" AS "t2"

问题根源分析

经过深入分析,这个问题主要由两个因素共同导致:

  1. 投影优化规则的影响:当最终投影列与表扫描(TableScan)中的列完全匹配时,optimize_projections 优化规则会将投影操作优化掉。

  2. Join 反解析逻辑:在 unparser 模块中的 try_transform_to_simple_table_scan_with_filters 函数在处理 Join 操作时,会丢弃表扫描的投影信息。

技术细节

在 DataFusion 的查询处理流程中,SQL 语句会经历以下几个关键阶段:

  1. 解析阶段:将 SQL 文本解析为逻辑计划
  2. 优化阶段:应用各种优化规则
  3. 反解析阶段:将优化后的逻辑计划转换回 SQL 文本

问题主要出现在第三阶段。当处理 Join 操作时,反解析器会尝试将表扫描转换为简单的表扫描加过滤条件的形式,但在这个过程中,投影信息被意外丢弃。

解决方案建议

要解决这个问题,可以考虑以下几种方法:

  1. 修改 Join 反解析器:确保在处理 Join 操作时保留投影信息
  2. 调整优化规则:修改 optimize_projections 规则,使其在特定情况下保留投影信息
  3. 增加投影信息传递:在反解析阶段,从更高层级的计划节点获取投影信息

从实现复杂度和影响范围考虑,第一种方案可能是最直接有效的解决方案。

影响评估

这个问题会影响以下场景:

  • 使用 DataFusion 进行 SQL 查询重写
  • 需要将优化后的计划转换回 SQL 的场景
  • 需要精确控制输出列的应用程序

虽然不影响查询执行的正确性,但会影响生成的 SQL 的可读性和精确性。

总结

DataFusion 中 Join 操作的投影列丢失问题揭示了查询优化与反解析过程中信息传递的复杂性。理解这一问题有助于开发者更好地使用 DataFusion 的 SQL 处理能力,特别是在需要精确控制输出 SQL 格式的场景中。修复这一问题将提高 DataFusion 在 SQL 转换场景中的可靠性。

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
152
1.97 K
kernelkernel
deepin linux kernel
C
22
6
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
426
34
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
239
9
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
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
988
394
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++
193
274
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
936
554
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)。
Python
75
69