手把手教程实现TiFlash向量化函数 十分钟成为TiFlashContributor

作者：黄海升，TiFlash 研发工程师TiFlash 自开源以来得到了社区的广泛关注，很多小伙伴通过源码阅读的活动学习 TiFlash 背后的设计原理，也有许多小伙伴跃跃欲试，希望能参与到 TiFlash 的贡献中来，十分钟成为 TiFlash Contributor 系列应运而生，我们将

从原理到实践，与大家分享关于 TiFlash 的一切！前言在前篇 TiFlash 函数下推必知必会 里我们简述了 TiDB 下推函数到 TiFlash 的开发过程，讲述了在开发过程中必知必会的一些知识在本篇，我们会沿着用户旅程，手把手教你具体怎么在 TiFlash 里实现一个向量化函数的~

TiDB 侧修改step1: 打开下推在 TiDB repo 中把要下推到 TiFlash 的函数补充到 expression/expression.go 中的 scalarExprSupportedByFlash

里TiDB planner 在执行算子下推到 TiFlash 的逻辑时，会依赖这个方法来判断当前函数是否能下推到 TiFlashstep2: UT 验证下推expression/expr_to_pb_test.go 中的 TestExprPushDownToFlash。

在 TiDB repo，expression/expr_to_pb_test.go 中的 TestExprPushDownToFlash 补充新函数的 UTgo test $BUILD/expression/expr_to_pb_test.go。

即可在本地把单测跑起来planner/core/integration_test.go在 TiDB repo 中的 /planner/core/integration_test.go 中补充对应的 UT。

可以参考 planner/core/integration_test.go 中的 TestRightShiftPushDownToTiFlashtest case 的名字可以形如 Test${func_name}PushDownToTiFlash。

，形式大致如下func Test${func_name}PushDownToTiFlash(t *testing.T) { store, clean := testkit.CreateMockStore(t) defer clean() tk := testkit.NewTestKit(t, store) tk.MustExec("use test") tk.MustExec("drop table if exists t") tk.MustExec("create table t (id int, value decimal(6,3), name char(128))") tk.MustExec("set @@tidb_allow_mpp=1; set @@tidb_enforce_mpp=1;") tk.MustExec("set @@tidb_isolation_read_engines = tiflash") // Create virtual tiflash replica info. dom := domain.GetDomain(tk.Session()) is := dom.InfoSchema() db, exists := is.SchemaByName(model.NewCIStr("test")) require.True(t, exists) for _, tblInfo := range db.Tables { if tblInfo.Name.L == "t" { tblInfo.TiFlashReplica = &model.TiFlashReplicaInfo{ Count: 1, Available: true, } } } tk.MustQuery("explain select ${func}(a) from t;").Check(testkit.Rows(${plan})) }

Copy验证 ${plan} 中 ${func} 是否在下推到 TiFlash 的算子中go test $BUILD/planner/core/integration_test.go 即可在本地把单测跑起来。

TiFlash 侧修改step1: 了解前置知识了解 TiFlash 向量化计算TiFlash 作为一个向量化分析计算引擎，不仅仅在存储层按列存储压缩，在计算层也会按列将数据保存在内存中，并且按列对数据做计算。

如上图所示TiFlash 在内存中以 Block 的形式来保存一批数据Block 中以 Column 来保存每一列数据TiFlash 计算过程中，以 Block 中的 Column 为计算单位，每次获取一个 Column 完成计算后，再获取下一个 Column。

了解 IFunction 接口目前 TiFlash 所有的函数实现代码都放在 dbms/src/Functions 下面我们以 dbms/src/Functions/FunctionsString.cpp 。

中的 FunctionLength 为例，来简单介绍一个向量化函数的工作过程向量化函数通常继承 dbms/src/Functions/IFunction.h 中的 IFunction 接口，接口定义如下（省去注释和部分成员函数）。

class IFunction { public: virtual String getName() const = 0; virtual size_t getNumberOfArguments() const = 0; virtual DataTypePtr getReturnTypeImpl(const DataTypes & /*arguments*/) const; virtual void executeImpl(Block & block, const ColumnNumbers & arguments, size_t result) const; };

CopygetName 返回 Function 的 name，name 是作为 TiFlash 向量化函数的唯一标识来使用getNumberOfArguments 记录向量化函数的参数有多少个getReturnTypeImpl。

负责做向量化函数的类型推导，因为输入参数数据类型的变化可能会导致输出数据类型变化 FunctionLength::getReturnTypeImpl 会固定返回 Int64，属于比较简单的情况executeImpl。

负责向量化函数的执行逻辑，这也是一个向量化函数的主体部分一个 TiFlash 向量化函数够不够"向量化"，够不够快也就看这里了 FunctionLength::executeImpl 的行为如下图所示，简单来说： 。

从 Block 中获取 str_column创建同等大小的 len_columnforeach str_column，获取每一个行的 str，调用 str.length()，将结果插入 len_column 中的对应行。

将 len_column 插入到 Block 中，完成单次计算。

void executeImpl(Block & block, const ColumnNumbers & arguments, size_t result) const override { // 1.read str_column from block const IColumn * str_column = block.getByPosition(arguments[0]).column.get(); // 2.create len_column int val_num = str_column->size(); auto len_column = ColumnInt64::create(); len_column->reserve(val_num); // 3.foreach str_column and compute Field str_field; for (int i = 0; i get(i, str_field); len_column->insert(static_cast(str_field.get().size())); } // 4.insert len_column to Block block.getByPosition(result).column = std::move(col_res); }

Copy向量化计算本身并不神秘，精髓就是 foreach column:)了解 DataType 体系TiFlash 数据类型的代码放在 dbms/src/DataTypes 下面class IDataType : private boost::noncopyable { public: virtual String getName() const; virtual TypeIndex getTypeId(); virtual MutableColumnPtr createColumn() const; ColumnPtr createColumnConst(size_t size, const Field & field) const; }。

CopyDataType 用于处理数据类型相关的逻辑，例如类型推导，Column 创建等等 每一种数据类型都会有一个对应的实现 class DataType${Type} final : public IDataType。

值得注意的是，Nullable 本身并不是作为 DataType 的一个属性，而是独立一个 DataType 实现: dbms/src/DataTypes/DataTypeNullable.h 中的 。

DataTypeNullable。

所以你会发现 DataTypeNullable(DataTypeString).isString() == false 对于 DataTypeNullable，我们通常用 DataTypePtr data_type = removeNullable(nullable_data_type);。

来获取实际的数据类型了解 Column 体系TiFlash 关于 Column 的主要代码放在 dbms/src/Columns 下面class IColumn : public COWPtr { public: virtual size_t size() const = 0; bool empty() const { return size() == 0; } virtual Field operator[](size_t n) const = 0; virtual void get(size_t n, Field & res) const = 0; }。

Copy

Column 是计算过程中列数据存放的容器获取 Column 中数据的一种常用手法是for (size_t i = 0; i < column.size(); ++i) T data = column[i].get(); 。

CopyColumn 有两种类型常量 column：dbms/src/Columns/ColumnConst.h 中的 ColumnConst向量 column：dbms/src/Columns/ColumnVector.h

中的 ColumnVector之所以要区分出这两类 Column 是为了在具体函数实现时可以做特殊优化提速比如 dbms/src/Functions/modulo.cpp 中的 ModuloByConstantImpl。

，modulo(vector, const) 可以将 a % b 转换 为 a - a / b * b，这样会提速详情可见 faster-remainders-when-the-divisor-is-a-constant-beating-compilers-and-libdivide/。

ColumnVector 和 ColumnConst 使用姿势通常为if (const ColumnVector * col = checkAndGetColumn(column.get())) { // ... } else if (const ColumnConst * col = checkAndGetColumn(column.get())) { // ... }。

Copy我们通常使用 DataType::CreateColumn 和 DataType::CreateColumnConst 来创建 ColumnVector 和 ColumnConst除此之外 ColumnVector 对 string 和 decimal 分别有特殊优化实现：。

dbms/src/Columns/ColumnString.h 中的 ColumnStringdbms/src/Columns/ColumnDecimal.h 中的 ColumnDecimal大家可以去看看实现代码和相关的使用代码，这里就不展开了。

用 C++ 模板做类型体操向量化函数里输入参数的类型可能会有很多种，比如 add 函数的输入数据类型可以是 UInt8, ..., UInt64, Int8, ..., Int64, Float32, Float64, Decimal32, ..., Decimal256

，多达 14 种，如果要为每一种数据类型实现一遍执行逻辑是非常繁琐的 用 C++ 模板做类型体操，简化函数开发逻辑是一种很常见的做法首先脱离具体的数据类型，将向量化函数的执行逻辑抽象成一个模板函数template void executeImpl(Column arg1, Column arg2, ...);

Copy 在 IFunction::executeImpl 将不同数据类型的参数转发给模板函数，在 TiFlash 里有几种转发做法 用 DataType->getTypeId()，获取每一个 type 的标识，做 switch case 调用模板函数，例如

dbms/src/Functions/FunctionsString.cpp 中的 PadImpl::executePad TypeIndex type_index = block.getByPosition(arguments[0]).type->getTypeId(); switch (type_index) { case TypeIndex::UInt8: executeImpl(block, arguments); break; case TypeIndex::UInt16: executeImpl(block, arguments); break; case TypeIndex::UInt32: executeImpl(block, arguments); break; case TypeIndex::UInt64: executeImpl(block, arguments); break; case TypeIndex::Int8: executeImpl(block, arguments); break; case TypeIndex::Int16: executeImpl(block, arguments); break; case TypeIndex::Int32: executeImpl(block, arguments); break; case TypeIndex::Int64: executeImpl(block, arguments); break; default: throw Exception(fmt::format("the argument type of {} is invalid, expect integer, got {}", getName(), type_index), ErrorCodes::ILLEGAL_TYPE_OF_ARGUMENT); };。

Copy用 castTypeToEither 获取参数数据类型，调用模板函数，例如 dbms/src/Functions/FunctionsString.cpp 中的 FormatImpl::executeImpl

void executeImpl(Block & block, const ColumnNumbers & arguments, size_t result) const override { bool is_type_valid = getType(block.getByPosition(arguments[0]).type, [&](const auto & type, bool) { using Type = std::decay_t; using FieldType = typename Type::FieldType; executeImpl(block, arguments); return true; }); if (!is_type_valid) throw Exception(fmt::format("argument of function {} is invalid.", getName())); } template static bool getType(DataTypePtr type, F && f) { return castTypeToEither(type.get(), std::forward(f)); }。

Copy个人喜好选择哪一种都可以当然，如果有 C++ 老司机们有自己喜欢的做法，请尽情施展，没必要局限在 TiFlash 已有的做法里step2: 实现下推在这里我们对前篇 TiFlash 函数下推必知必会。

所述开发流程做一个简单回顾1.首先在函数映射表里添加 TiDB Function 到 TiFlash Function 的映射根据函数的类型，映射表分别为窗口函数 dbms/src/Flash/Coprocessor/DAGUtils.cpp。

中的 window_func_map聚合函数 dbms/src/Flash/Coprocessor/DAGUtils.cpp 中的 agg_func_mapdistinct 聚合函数 dbms/src/Flash/Coprocessor/DAGUtils.cpp

中的 distinct_agg_func_map标量函数 dbms/src/Flash/Coprocessor/DAGUtils.cpp 中的 scalar_func_map2.然后根据函数的实现逻辑，我们可以选择

复用原有 TiFlash 函数的逻辑， 对类似 ifNull(arg1, arg2) = if(isNull(arg1), arg2, arg1) 这种情况，我们可以考虑复用原有 TiFlash 函数的逻辑。

我们把 TiFlash 函数复用的代码实现放在 dbms/src/Flash/Coprocessor/DAGExpressionAnalyzerHelper.cpp 中的 DAGExpressionAnalyzerHelper::function_builder_map

里从头开始实现一个 TiFlash 函数 编写一个 FunctionClass，实现 IFunction 这个 interface 的四个接口然后调用 factory.registerFunction(); 。

注册函数factory.registerFunction(); 通常会和函数实现放在一起，比如 String 函数都会放在 dbms/src/Functions/FunctionsString.cpp。

中的 registerFunctionsStringstep3: UT 验证函数功能在前篇 TiFlash 函数下推必知必会 里提到了关于 Unit Test 如何写这里补充一下大家比较关心的，怎么在本地把测试跑起来~ 。

见 TiFlash repo 中 README.md 中所述To run unit tests, you need to build with -DCMAKE_BUILD_TYPE=DEBUG:cd $BUILD。

cmake $WORKSPACE/tiflash -GNinja -DCMAKE_BUILD_TYPE=DEBUGninja gtests_dbms # Most TiFlash unit testsninja gtests_libdaemon # Settings related tests

ninja gtests_libcommonAnd the unit-test executables are at $BUILD/dbms/gtests_dbms, $BUILD/libs/libdaemon/src/tests/gtests_libdaemon

and $BUILD/libs/libcommon/src/tests/gtests_libcommon.集成测试在前篇 TiFlash 函数下推必知必会 里提到了关于 Integration Test 如何写。

这里补充一下大家比较关心的，怎么在本地把测试跑起来~测试的相关脚本在 /tests 目录下首先如 TiFlash 函数下推必知必会 中所述，起一个带有自己 build 好的 TiDB 和 TiFlash 的集群。

然后修改 /tests/_env.sh 里的 TiFlash 和 TiDB 的相关端口配置最后调用 /tests/run-test.sh 把测试跑起来，如 ./run_test.sh $Build/tests/fullstack-test/expr/format.test。

How To Contribute首先在 https://github.com/pingcap/tiflash/issues/5092 中认领一个你感兴趣的函数，并告诉大家你将会完成这个函数，避免同一个函数被重复认领。

然后就可以按照前面所述的内容，在本地完成开发测试在本地验证函数下推到 TiFlash 且执行结果无误，并且代码本身也觉得 ok 后，就可以提 pr 到 github 上TiDB 和 TiFlash 各自需要提一个 pr，对应 TiDB 和 TiFlash 侧的修改。

TiDB 和 TiFlash 两边的 pr merge 顺序并没有要求，大家可以放心提 pr~TiDB 和 TiFlash 的 pr 描述里都贴上对应 TiFlash/TiDB 的 pr 链接TiDB 和 TiFlash 的 pr 都需要补充 release note，例如

Support to pushdown ${function} to TiFlash待两边 pr 都被充分 review，获得 LGT2 后，就可以由 committer merge 到 masterTiFlash

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。