Apache Arrow DataFusion 中排序执行溢出问题的线程优化方案

背景与问题分析

在Apache Arrow DataFusion项目中，特别是在其Comet执行引擎中，当查询在最小内存配置下运行时，会出现查询"挂起"的现象。经过深入分析，发现问题根源在于排序执行(SortExec)的溢出(spill)处理机制。

当内存不足时，DataFusion会将中间结果溢出到磁盘文件中。在后续的合并阶段，每个溢出文件都会被封装成一个由阻塞线程支持的流。当存在大量溢出文件时(例如183个)，系统会尝试创建同等数量的tokio阻塞线程。而Comet执行引擎默认配置的线程池大小有限，无法满足如此大量的线程需求，从而导致查询无法继续执行。

技术挑战

这个问题的核心在于当前实现中的几个技术限制：

1. 线程资源竞争：每个溢出文件读取操作都需要独占一个tokio阻塞线程，当文件数量超过线程池大小时，系统无法继续处理。

2. 缺乏分级合并机制：当前实现尝试一次性合并所有溢出文件，而不是采用分阶段合并策略。

3. 线程配置不透明：Tokio运行时没有提供API来查询当前配置的阻塞线程数量上限，使得程序无法根据实际资源情况动态调整。

解决方案设计

针对上述问题，社区提出了几种改进思路：

1. 分级合并策略

最根本的解决方案是引入分级合并机制，而不是一次性合并所有溢出文件。具体步骤如下：

1. 将大量溢出文件分成若干批次(例如每10个文件一组)
2. 并行合并每组文件，生成中间合并结果
3. 最后合并所有中间结果

这种方法虽然会增加约一倍的I/O操作(需要读写每条数据两次)，但能有效控制并发线程数量，避免资源耗尽。

2. 统一溢出管理

建议引入SpillFileManager组件，集中管理所有溢出文件的读写操作。这个管理器可以：

• 跟踪所有溢出文件的状态
• 实现智能的合并策略
• 控制并发读写操作的数量
• 提供统一的资源管理接口

3. 与聚合执行的协同优化

类似的问题也出现在使用row_hash的聚合执行(AggregateExec)中，因为它同样使用SortPreservingMergeStream来处理溢出。因此，解决方案应考虑同时适用于排序和聚合两种场景。

实现考量

在实际实现过程中，还需要考虑以下技术细节：

1. 预取优化：可以在等待当前批次合并完成时，预取下一批次的数据，减少I/O等待时间。

2. 动态并发控制：虽然没有直接API获取tokio线程池大小，但可以通过实验性方法或配置参数来合理设置并发度。

3. 执行引擎适配：考虑到Comet执行引擎可能使用独立的tokio运行时，解决方案需要兼容不同的运行时配置。

总结与展望

通过对DataFusion排序执行溢出问题的深入分析，我们认识到在大规模数据处理中，资源管理的重要性不亚于算法效率。分级合并策略虽然增加了I/O开销，但换来了更好的资源利用率和系统稳定性。

未来，随着SpillFileManager等统一管理组件的引入，DataFusion将能够更优雅地处理内存溢出场景，为复杂查询提供更可靠的执行保障。这也为后续优化如智能预取、自适应并发控制等特性奠定了基础。

这一改进不仅解决了当前的线程资源耗尽问题，也为处理更大规模数据集提供了可行的技术路径，体现了DataFusion项目在内存管理和执行效率方面的持续进步。