Apache DataFusion 中 Join 操作投影列丢失问题分析

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。