免费试用
作者:黄海升
产品技术解读
2022-07-12

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 TiFlash。

step2: 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 UT。

go 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 TestRightShiftPushDownToTiFlash

test 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}))
}

验证 ${plan}${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。

1.png

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;
};
  • getName 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。
  • 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:
      1. 从 Block 中获取 str_column
      2. 创建同等大小的 len_column
      3. foreach 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。
      4. 将 len_column 插入到 Block 中,完成单次计算。
2.png
    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 < val_num; ++i)
        {
            str_column->get(i, str_field);
            len_column->insert(static_cast<Int64>(str_field.get<String>().size()));
        }
        // 4.insert len_column to Block
        block.getByPosition(result).column = std::move(col_res);
    }

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;
}

DataType 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

3.png

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<IColumn>
{
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;
}
4.png

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<T>();  

Column 有两种类型

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 ModuloByConstantImplmodulo(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<ColumnVector<Type>>(column.get()))
{
    // ...
}
else if (const ColumnConst * col = checkAndGetColumn<ColumnConst<Type>>(column.get()))
{
    // ...
}

我们通常使用 DataType::CreateColumnDataType::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:

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<typename Type1, typename Type2>
void executeImpl(Column<Type1> arg1, Column<Type2> arg2, ...);
  • 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

        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);
        };
    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<
            DataTypeDecimal32,
            DataTypeDecimal64,
            DataTypeDecimal128,
            DataTypeDecimal256,
            DataTypeFloat32,
            DataTypeFloat64,
            DataTypeInt8,
            DataTypeInt16,
            DataTypeInt32,
            DataTypeInt64,
            DataTypeUInt8,
            DataTypeUInt16,
            DataTypeUInt32,
            DataTypeUInt64>(type.get(), std::forward(f));
    }

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

2.然后根据函数的实现逻辑,我们可以选择

step3: 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=DEBUG

ninja gtests_dbms # Most TiFlash unit tests

ninja gtests_libdaemon # Settings related tests

ninja gtests_libcommon

And 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。

  1. 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。
  2. 然后修改 /tests/_env.sh 里的 TiFlash 和 TiDB 的相关端口配置。
  3. 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

  1. 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。
  2. 然后就可以按照前面所述的内容,在本地完成开发测试。
  3. 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
  4. 待两边 pr 都被充分 review,获得 LGT2 后,就可以由 committer merge 到 master。

新经济行业内容专区上线,为新经济企业数据库选型和应用提供深入洞察和可靠参考路径。