Apache Arrow DataFusion 优化：移除 ParquetSource 中的冗余修剪谓词

在 Apache Arrow DataFusion 项目中，近期对 Parquet 数据源处理逻辑进行了一项重要优化。本文将深入分析这项优化的技术背景、实现方案及其对系统性能的影响。

背景与问题

DataFusion 作为高性能查询引擎，其 Parquet 数据源实现包含了一个名为 pruning_predicate 的字段，原本用于在读取 Parquet 文件时进行页面级别的数据修剪。这种修剪机制旨在通过跳过不符合查询条件的数据页来提高查询效率。

然而，随着项目的发展，这个功能逐渐变得不再必要。主要原因在于：

1. 系统架构演进后，该字段实际上已不再被使用
2. 维护未使用的代码会增加技术债务
3. 存在潜在的代码腐化风险（即功能停止工作但未被测试发现）

技术解决方案

项目团队决定采用渐进式的代码清理策略：

1. 首先通过 PR #15301 移除了对该字段的实际使用
2. 然后计划完全移除该字段本身
3. 保留已弃用的方法以保持向后兼容性

这种分阶段的方法确保了系统稳定性，同时逐步清理技术债务。

实现细节

在具体实现上，这项优化涉及：

• 删除 ParquetSource 结构体中的 pruning_predicate 字段
• 保留相关方法但标记为已弃用
• 确保所有调用路径都正确处理 None 返回值

技术影响

这项优化带来了多重好处：

1. 代码精简：减少了不必要的代码复杂度
2. 维护性提升：消除了潜在的代码腐化点
3. 性能影响：虽然不直接影响运行时性能，但简化了代码路径

总结

这项优化展示了 DataFusion 项目对代码质量的持续关注。通过定期识别和清理不再使用的功能，项目保持了高度的可维护性和清晰的架构。这种实践对于长期维护的大型开源项目尤为重要，能够确保代码库保持健康状态，便于新贡献者理解和参与开发。

对于使用 DataFusion 的开发者来说，这项变更属于内部实现细节，不会影响现有的 API 契约，体现了项目对向后兼容性的重视。