Apache Kyuubi 中查询状态提前返回但作业仍在执行的问题分析

问题背景

在 Apache Kyuubi 与 Spark 集成使用过程中，用户发现了一个特殊现象：当执行某些特定类型的 SQL 查询时，Kyuubi 会快速返回 FINISHED 状态，但实际上 Spark 作业仍在后台继续执行。这种情况主要发生在执行包含 JOIN 操作的查询时，特别是当其中一个 JOIN 表为空的情况下。

问题现象

用户提交的查询通常具有以下特征：

1. 查询包含 LEFT JOIN 操作
2. 左表为空（0行结果）
3. 右表数据量较大（上亿行）

在这种情况下，Kyuubi 会在几秒内返回 FINISHED 状态，但实际上 Spark 仍在执行右表的相关任务，持续占用集群资源。只有当用户手动关闭操作时，这些后台任务才会被取消。

技术分析

Spark 执行机制

在 Spark 中，当执行 JOIN 操作时，如果发现其中一边为空表，理论上可以立即终止查询执行，因为结果必然为空。然而，Spark 的 Adaptive Query Execution (AQE) 优化器在某些情况下不会立即取消已经启动的任务。

Kyuubi 行为

Kyuubi 作为 Spark SQL 的网关服务，其状态判断基于 Spark SQL 的执行状态。当 Spark SQL 逻辑上已经完成（如检测到一边 JOIN 为空），Kyuubi 会立即返回 FINISHED 状态，但实际上 Spark 物理执行计划中的某些任务可能仍在运行。

REST API 的特殊情况

通过进一步分析发现，这个问题在使用 Kyuubi REST API 时尤为明显。原因是：

1. REST API 会话不会自动调用 SparkOperation 的 close 方法
2. 缺少对 sparkContext.cancelJobGroup 的调用
3. 导致后台任务无法被及时清理

解决方案

社区已经针对此问题提出了修复方案，主要改进点包括：

1. 在 ExecuteStatement 中显式调用 cancelJobGroup
2. 确保 REST API 会话也能正确清理后台任务
3. 完善状态判断逻辑，避免误导用户

最佳实践

对于使用 Kyuubi 的用户，建议：

1. 对于已知会产生空结果的查询，添加适当的过滤条件
2. 在使用 REST API 时，主动关闭已完成的操作
3. 监控长时间运行的 Spark 任务，及时干预异常情况
4. 考虑升级到包含此修复的 Kyuubi 版本

总结

这个问题揭示了分布式查询执行中逻辑完成与物理完成之间的差异。Kyuubi 和 Spark 的集成需要更精细的状态管理和资源控制机制。通过社区的持续改进，这类问题正在得到更好的解决，为用户提供更准确和可靠的查询体验。