Apache DataFusion 中 Substrait 逻辑计划构建时的字段名歧义问题解析

问题背景

在 Apache DataFusion 项目中，当通过 Substrait 消费者路径构建逻辑计划时，可能会遇到一个关于字段名歧义的错误。具体表现为：当最终的模式(Schema)中同时存在带限定符和不带限定符的同名字段时，系统会抛出错误提示"Schema contains qualified field name...and unqualified field name...which would be ambiguous"。

问题本质

这个问题的核心在于 DataFusion 的 DFschema 实现不允许同时存在以下两种字段：

1. 带限定符的字段名(如 left.concat(...))
2. 不带限定符但名称相同的字段(如 concat('a', 'b'))

这种限制是为了避免在查询处理过程中可能出现的字段引用歧义。在 SQL 处理中，字段的限定符(通常来自表名或别名)用于明确标识字段的来源，当系统发现可能存在两种解释方式时，就会主动抛出错误以防止后续处理中出现不确定行为。

问题复现场景

这个问题可以通过一个特定的 SQL 查询及其生成的 Substrait 计划复现。查询涉及三个 CTE(Common Table Expression)和一个左连接操作：

WITH a as (SELECT CONCAT('a', 'b'), 1 as "join"),
     b as (SELECT CONCAT('a', 'b'), 1 as "join"),
     c as (SELECT * FROM a LEFT JOIN b on a."join" = b."join")
SELECT * FROM c

在这个查询中，两个 CTE(a 和 b)都包含了相同的 CONCAT 函数调用，当它们通过左连接合并时，就会产生上述的字段名歧义问题。

技术细节分析

在 DataFusion 的实现中，这个问题出现在逻辑计划构建的两个关键位置：

1. 在构建最终项目模式时，build_final_schema 函数会被调用来处理输出字段的模式定义
2. 在消费完整 Substrait 计划后，系统会验证所有字段名的唯一性和明确性

DataFusion 的 DFschema 实现明确禁止这种潜在的歧义情况，这实际上是一种防御性编程的做法，确保在查询处理的早期阶段就能捕获可能导致后续问题的情况。

解决方案与最佳实践

根据问题讨论，这个问题的根本原因在于 Substrait 计划根节点名称中实际包含了重复的字段名。因此，正确的解决方案应该是在生成 Substrait 计划时就确保字段名的唯一性，而不是尝试在 DataFusion 中绕过这个限制。

对于开发者而言，处理这类问题时应该：

1. 确保生成的 Substrait 计划中所有输出字段名都是唯一的
2. 对于可能产生相同表达式的不同部分查询，考虑添加适当的别名
3. 在复杂查询中，显式地为每个输出字段指定明确的名称，而不是依赖自动生成的名称

总结

这个问题展示了 DataFusion 在查询处理过程中对模式一致性的严格要求。通过强制在早期阶段检测和防止字段名歧义，DataFusion 确保了查询执行的确定性和可靠性。对于使用 Substrait 集成的开发者来说，理解并遵守这些约束条件对于构建正确的查询计划至关重要。