首页
/ Apache DataFusion 中分区列与数据列混合过滤的缺陷分析

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 partval 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:

  1. 分区列的值是从目录结构中解析得到的
  2. 数据列的值是从实际数据文件中读取的
  3. 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:

  1. 查询结果不正确,违反数据一致性原则
  2. 用户可能基于错误的结果做出决策
  3. 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:

  1. 暂时避免在查询条件中混合使用分区列和数据列
  2. 如果必须使用此类查询,可以暂时关闭 pushdown_filters 选项
  3. 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

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
152
1.97 K
kernelkernel
deepin linux kernel
C
22
6
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
426
34
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
239
9
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
988
394
nop-entropynop-entropy
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
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
274
RuoYi-Vue3RuoYi-Vue3
🎉 (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
936
554
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
69