Apache Kyuubi 中 ZORDER 插入功能的优化实践

背景介绍

在 Apache Kyuubi 项目中，ZORDER 是一种数据布局优化技术，它通过对数据进行特定的排序和分区，可以显著提高查询性能，特别是在处理大规模数据时。ZORDER 通过将多维数据映射到一维空间并保持局部性，使得范围查询能够更高效地定位相关数据块。

问题发现

在项目开发过程中，我们发现当逻辑执行计划是 RepartitionByExpression 或 Repartition 时，系统无法执行 ZORDER 插入操作。这种情况限制了 ZORDER 功能的使用场景，特别是在需要对数据进行重新分区的情况下。

技术分析

RepartitionByExpression 和 Repartition 是 Spark SQL 中常用的两种数据重分区操作：

1. Repartition：按照指定分区数对数据进行均匀分布
2. RepartitionByExpression：按照指定的表达式对数据进行分区

这两种操作都会改变数据在集群中的物理分布，而 ZORDER 排序也需要对数据进行重新组织。原先的实现中，这两种操作被视为与 ZORDER 排序互斥的场景，但实际上它们可以协同工作。

解决方案

经过深入分析，我们决定修改逻辑，允许在 ZORDER_GLOBAL_SORT_ENABLED 配置为 false 时，即使执行计划包含 RepartitionByExpression 或 Repartition 也能执行 ZORDER 插入操作。这一改进通过以下方式实现：

1. 放宽执行计划检查条件，不再将重分区操作视为 ZORDER 的障碍
2. 确保在全局排序禁用时，重分区和 ZORDER 可以协同工作
3. 保持原有功能在全局排序启用时的行为不变

实现细节

在代码实现上，主要修改了执行计划的验证逻辑。原先的验证会拒绝所有包含重分区操作的 ZORDER 插入请求，现在则根据 ZORDER_GLOBAL_SORT_ENABLED 配置灵活处理：

• 当全局排序启用时，保持原有严格检查
• 当全局排序禁用时，允许重分区操作与 ZORDER 结合使用

这种改进既保持了原有功能的稳定性，又扩展了 ZORDER 的使用场景。

实际价值

这一改进为 Kyuubi 用户带来了以下好处：

1. 更灵活的数据组织方式：用户可以在重分区的同时应用 ZORDER 排序
2. 性能优化：结合重分区和 ZORDER 可以减少后续查询的数据扫描量
3. 使用场景扩展：支持更多复杂的数据处理流程

总结

通过对 Kyuubi 中 ZORDER 插入功能的优化，我们解决了重分区操作与 ZORDER 排序互斥的问题，为用户提供了更灵活高效的数据处理能力。这一改进展示了开源社区如何通过持续优化来提升项目价值，也体现了 Kyuubi 项目对用户需求的快速响应能力。

未来，我们还将继续探索更多数据布局优化技术，为大数据处理提供更高效的解决方案。