Apache Arrow DataFusion 移除旧版数据源执行器的技术解析

Apache Arrow DataFusion 项目近期完成了一项重要的架构优化工作——移除了旧版的数据源执行器实现，包括 ParquetExec、AvroExec、CsvExec 和 JsonExec。这项变更标志着 DataFusion 向更统一、更现代化的执行引擎架构迈出了关键一步。

背景与动机

在 DataFusion 的早期版本中，每种数据源都有自己独立的执行器实现。这种设计虽然直观，但随着支持的格式增多，代码重复和维护成本也随之增加。DataFusion 46 版本引入了一个统一的 DataSourceExec 结构，旨在通过通用接口处理所有数据源类型。

随着新架构的稳定，旧版执行器被标记为"已弃用"。按照常规流程，这些代码本应保留多个版本周期以确保平稳过渡。但开发团队发现，由于测试用例已全面转向新实现，旧代码实际上处于"无人维护"状态，存在潜在的"代码腐化"风险。

技术实现细节

移除的旧版执行器包括：

1. ParquetExec：原先专门处理 Parquet 格式文件的执行器
2. AvroExec：处理 Avro 格式数据的专用执行器
3. CsvExec：针对 CSV 文件的定制化执行器
4. NDJsonExec：处理 JSON 行格式的执行器

新版的 DataSourceExec 通过统一的接口抽象了这些数据源的共性，同时通过特定的配置选项保留了对不同格式的特殊处理能力。这种设计显著减少了代码重复，提高了可维护性。

升级影响与建议

对于使用 DataFusion 47 及以上版本的用户，需要注意：

1. 所有使用旧版执行器的代码都需要迁移到 DataSourceExec
2. 新接口提供了更一致的配置方式和更丰富的功能
3. 性能方面，新实现通常与旧版持平或有所提升

迁移过程通常只需少量代码调整，因为新版接口在设计时已考虑了向后兼容性。开发团队建议用户尽快完成迁移，以获得更好的稳定性和未来功能支持。

架构演进的意义

这项变更不仅是简单的代码清理，更反映了 DataFusion 项目在架构设计上的成熟：

1. 从特定实现到通用抽象的演进
2. 减少重复代码，提高可维护性
3. 为未来支持更多数据源类型奠定基础
4. 统一的执行路径有利于优化和性能调优

这种架构演进也使得 DataFusion 能够更灵活地适应各种数据处理场景，同时保持代码库的整洁和高效。对于开发者而言，统一的接口也降低了学习曲线和使用复杂度。

随着 DataFusion 在数据工程领域的应用日益广泛，这类架构优化工作将帮助项目保持技术领先地位，同时为用户提供更可靠、更高效的数据处理能力。