Apache Arrow DataFusion中SQL UNION操作符的解析问题分析

在Apache Arrow DataFusion项目中，SQL查询解析器在处理UNION操作时存在一个重要的功能缺陷。本文将深入分析这一问题，解释其技术背景，并探讨正确的解决方案。

问题本质

DataFusion的SQL解析器在将逻辑计划(LogicalPlan)转换回SQL语句时，未能正确处理UNION与UNION ALL的区别。具体表现为：

当原始SQL查询使用UNION操作符时，DataFusion内部会将其转换为一个Distinct节点加上Union节点的组合逻辑计划。然而，在反向转换(即"unparse")过程中，系统却错误地将其输出为UNION ALL语句，这会导致语义上的重大差异。

技术背景解析

在标准SQL中，UNION和UNION ALL有着明确的区别：

1. UNION ALL：简单合并两个查询结果集，保留所有行，包括重复行
2. UNION：合并两个查询结果集后，自动去除重复行

DataFusion内部通过以下方式表示这种差异：

• 对于UNION ALL：直接使用Union节点
• 对于UNION：在Union节点之上添加Distinct节点

问题影响

这种解析错误会导致严重的语义变化。考虑以下示例：

原始查询：

SELECT col1 FROM table1
UNION
SELECT col1 FROM table2

错误解析后：

SELECT col1 FROM table1
UNION ALL
SELECT col1 FROM table2

前者会去除重复行，而后者会保留所有行，这可能导致查询结果包含预期外的重复数据，影响业务逻辑的正确性。

解决方案原理

正确的处理方式应该是：

1. 在解析阶段：将UNION转换为Distinct+Union的组合
2. 在反解析阶段：当检测到Union节点直接父节点是Distinct节点时，应将其转换为UNION而非UNION ALL

这种双向转换确保了SQL语句的语义完整性，实现了真正的"roundtrip"解析能力。

技术实现要点

实现这一修复需要：

1. 修改unparser逻辑，增加对Distinct+Union组合模式的识别
2. 确保在输出SQL时正确处理这种特殊结构
3. 添加相应的测试用例验证各种UNION场景

总结

SQL解析器的正确性对数据库系统至关重要。DataFusion作为高性能查询引擎，正确处理UNION这类基础操作符是其可靠性的重要保证。这一问题的修复不仅解决了特定场景下的查询错误，更体现了对SQL标准语义的严谨遵循。

对于开发者而言，理解这类解析问题的本质有助于在构建类似系统时避免相同陷阱，确保查询语义在解析-执行-反解析全流程中的一致性。