Apache DataFusion 中分区列与数据列混合过滤的缺陷分析
2025-05-31 10:59:55作者:温艾琴Wonderful
Apache DataFusion 是一个高性能的查询引擎,近期发现了一个关于分区表查询过滤的重要缺陷。该缺陷会导致当查询条件同时涉及分区列和数据文件列时,过滤条件无法正确应用,从而返回错误的查询结果。
问题现象
在 DataFusion 中,当用户创建了一个分区表并执行包含分区列和数据列比较的查询时,如果开启了 pushdown_filters
参数,查询结果会包含不符合条件的数据行。
例如,假设有一个分区表 test
,按 part
列分区,包含 val
数据列。执行查询 SELECT * FROM test WHERE part != val
时,本应只返回 part
和 val
不相等的行,但实际上会返回所有行。
问题根源
这个问题源于 DataFusion 的查询优化逻辑。当启用 pushdown_filters
时,系统会尝试将过滤条件下推到数据源层执行,以提高查询性能。然而,对于同时涉及分区列和数据列的过滤条件,当前的实现存在缺陷:
- 分区列的值是从目录结构中解析得到的
- 数据列的值是从实际数据文件中读取的
- 当前的过滤下推逻辑没有正确处理这种跨源的比较条件
技术影响
这种缺陷会导致以下严重后果:
- 查询结果不正确,违反数据一致性原则
- 用户可能基于错误的结果做出决策
- 问题不易被发现,因为简单的等值查询可能表现正常
解决方案
修复方案相对直接:对于任何同时引用分区列和数据列的过滤条件,需要将其标记为"不精确"(Inexact),这样查询引擎就不会尝试将其下推到数据源层执行,而是会在内存中进行完整的过滤操作。
最佳实践建议
对于使用 DataFusion 分区表的用户,建议:
- 暂时避免在查询条件中混合使用分区列和数据列
- 如果必须使用此类查询,可以暂时关闭
pushdown_filters
选项 - 等待包含修复的版本发布后升级
总结
这个案例展示了查询优化中一个有趣的边界情况,提醒我们在设计查询优化策略时需要考虑各种复杂的条件组合。DataFusion 社区已经快速响应并提出了修复方案,体现了开源项目的敏捷性和可靠性。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-4.6
GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】Jinja00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0118AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
23
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
225
2.27 K

React Native鸿蒙化仓库
JavaScript
211
287

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1

暂无简介
Dart
526
116

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
986
583

openGauss kernel ~ openGauss is an open source relational database management system
C++
148
197

GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】
Jinja
45
0

ArkUI-X adaptation to Android | ArkUI-X支持Android平台的适配层
C++
39
55

ArkUI-X adaptation to iOS | ArkUI-X支持iOS平台的适配层
Objective-C++
19
44