免费试用
作者:黄海升
产品技术解读
2022-09-05

表达式概要

表达式是承载 SQL 大部分逻辑的一个重要部分。SQL 中的表达式和编程语言中的表达式并没有差异。表达式可以大致分为函数、常量、列引用。如 select a + 1 from table 中的 a + 1 是一个表达式,其中 + 是函数,1 是常量,a 是列引用。

在 SQL 中,表达式会归属在不同的算子里执行,以 select a+b from tests.t where c > 0 为例,大家可以从下图看到不同的表达式归属在哪些算子里。

1.PNG

表达式在 SQL 中如何划分出来,并且归属在哪些算子里,是由一套语法规则决定的。下图是 MySQL 8.0 Parser 的语法规则简图,里面大号粗体的是算子标识符,后面跟着的小号字段是归属这个算子的表达式。

2.PNG

在了解了什么是表达式之后,我们来了解一下表达式在 TiFlash 里执行的情况。

在 TiDB HTAP 的体系里,TiFlash 的表达式是由 TiDB 下推给 TiFlash 执行的。首先我们来回顾下 TiDB 计算下推 TiFlash 的流程。

3.PNG

TiDB 接收 MySQL Client 发送的 SQL,经由 Parser 和 Optimizer 解析成算子,在之后将算子下推到 TiFlash 里执行。与此同时,算子内部的表达式也会跟随一起下推到 TiFlash 里执行。

如下图所示,如果某个算子带有 TiFlash 不支持的函数,就会导致一连串的算子都无法下推到 TiFlash 里执行。算子内部的表达式都可以下推执行,是算子下推的必要条件。

4.PNG

在算子和表达式下推到 TiFlash 后,TiFlash 会用向量化执行引擎来执行这些算子和表达式。在谈到 TiFlash 的向量化执行引擎之前,我们先来讲一下执行引擎的一个经典模型 Volcano Model。

5.PNG

Volcano Model 源自 1994 年的论文 Volcano-An Extensible and Parallel Query Evaluation System。Volcano Model 将 SQL 分解为若干个独立的 Operator,Operator 串联成一棵 Operator Tree。

如上图所示,从最源头的 Table Scan Operator 开始,一行一行地读取数据,Operator 处理后,传给上游 Operator。最终 Operator Tree 一行一行地输出结果。

下面是对 Operator 接口的一个简单的伪代码描述。

struct Operator
{
Row next()
{
    Row row = child.next();
    ....
    return row;
}
}

Volcano Model 提供了一个非常简洁的执行模型,在工程上也非常容易实现。但是 Volcano Model 在现代编译器和硬件下运行得慢。在后续几年了诞生了对 Volcano Model 的两个改进方案,Codegen 和 Vectorized。TiFlash 就是使用的 Vectorized 即向量化执行。

向量化执行与 Volcano Model 基本一致,区别在于 Block by Block。

6.PNG

Block 是若干 Row 组合在一起的数据块,Block 内部按 Column 保存数据。

这样设计的好处有几个:

  • 虚函数调用的开销会被减小为 1 / (Block Size)。Volcano Model 中的 Operator 和表达式通常都是用多态来实现的,在其中就会引入虚函数调用。每次 Operator Tree 和内部的表达式被调用就是一系列的虚函数调用,在数据量大的情况下,虚函数开销甚至会成为一个不可忽视的点。Block by Block 可以让 Operator Tree 和内部的表达式的一次调用处理多行而不是一行数据,从而均摊了虚函数开销。
  • Cache Friendly。把会被连续处理的数据放在一个数据块里,提高在 Cache 上的空间局部性。

TiFlash 表达式体系 ExpressionActions

除了向量化执行外,TiFlash 在表达式执行上还有一套独立的执行体系 ExpressionActions,不同于 TiDB 源自 Volcano Model 的 ExpressionTree

这两个表达式体系在逻辑语意上是一致的,仅仅在执行过程上有差别。

7.PNG

如上图所示,同样的表达式在 TiDB 和 TiFlash 里会分别在不同的表达式体系里执行。

接下来以 (a + b) * (a + b) 为例子来讲述一下两个表达式体系执行的差异。

首先从 TiDB ExpressionTree 讲起。(a + b) * (a + b) 会被分解成一棵 Expression Tree,每一个 Expression 都是一个节点。从 Column Expression 和 Literal Expression 开始读取数据,遍历整棵 Expression Tree,最终得出表达式结果。

如下图所示,沿着图中的箭头方向,就可以从 Input 计算得出 (a + b) * (a + b) 的结果 Output。

8.PNG

在图中大家可以发现 (a + b) 这个子树出现了两次,也就意味着 (a + b) 本身执行了两次,那么可不可以复用 (a + b) 的计算结果,如下图所示连线?哪怕这样就不是一棵树了。

9.PNG

事实上是可以的,这也是 TiFlash ExpressionActions 的设计初衷: 中间计算结果复用。

10.PNG

在 TiFlash ExpressionActions 下,中间计算的临时结果会作为 Column 会被写到 Block 里,同时我们会通过 Column Name 获取 Block 中对应的 Column。

如上图所示,沿右图箭头方向遍历 Expression Action,即可得出 (a + b) * (a + b) 的计算结果。可以看到,同样是 (a + b) * (a + b),TiFlash ExpressionActions 里的 (a + b) 只计算了一次。

下面是 ExpressionActions 的执行分解图,从左到右。大家可以对照一下分解图,大概了解一下 ExpressionActions 的执行过程。

1.jpg

接下来我们深入一下代码,从代码层面来了解一下 ExpressionActions 究竟做了些什么。

class ExpressionActions
{
public:
    void execute(Block & block) const
    {
        for (const auto & action : actions)
            action.execute(action);
    }
    void add(const ExpressionAction & action);
    void finalize(const Names & output_columns);
private:
    std::vector<ExpressionAction> actions;
}

以上是 ExpressionActions 接口的简化代码。有三个主要方法:

  • execute
    • ExpressionAction::execute 的包装。用于执行表达式。
  • add
    • 用于外部组装出一个 ExpressionActions
    • ExpressionActions 会维护一个 Sample Block,在 Add Action 的过程中 Sample Block 会不断更新,模拟实际 Block 的变化情况。
    • 在 Add 的过程中,重复的 Action 会被跳过。重复 Action 的判断条件是,该 Action 的执行结果是否已经出现在 Sample Block 里了。
14.png
  • finalize
    • 分析 Block 内的 Column 引用情况,在合适的位置插入 Remove Action 来移除无用的 Column。
    • 在 Column 引用数归 0 的时候,就会插入对应 Column 的 Remove Action。
    • 下图是 (a + b) * (a + b) 的引用数分析和 Remove Action 插入情况。
15.png

ExpressionActionExpressionActions 内部的执行单元。

struct ExpressionAction
{
    Type type;
    …
    void execute(Block & block) const
    {
        switch (type)
        {
            case: APPLY_FUNCTION:
                …
            case: REMOVE_COLUMN:
               …
            case: ADD_COLUMN:
               …
        }
    }
}

ExpressionAction 有不同的 Type 用于对 Block 进行不同的处理

  • REMOVE_COLUMN
    • 即前文所讲的 Remove Action
  • ADD_COLUMN
    • 用于执行 Literal Expression,在 Block 插入一个 Const Column。
    • ADD_COLUMN 会在 Block 中插入一个 Column。对于 Literal,插入的会是 ColumnConst,即常量 Column。
    • block.insert({added_column->cloneResized(block.rows()), result_type, result_name});
16.png
  • APPLY_FUNCTION
    • 用于执行 Function Expression,由 ExpressionAction 持有的 IFunction 执行
    • APPLY_FUNCTION 会读取 Block 中的 Argument Columns 传给 IFunction 做计算。计算出结果 Column 后,插入到 Block 中。
17.png

Column Expression 没有对应的 Action Type,直接执行 Block::getPositionByName 获取 Column 在 Block 里的下标。但是从 TiDB 获得的 Column Expression 计算得出的并不是 Column 在 Block 中的 Column Name,而是 Column 在 TiDB Schema 中的下标。所以 TiFlash 会维护 TiDB Schema (std::vector<String>) 来桥接 TiDB Column Index 和 TiFlash Column Name,如下图所示。

18.png

标量函数在 TiFlash 中的编译与执行

ExpressionAction 的 Type 为 APPLY_FUNCTION 时,ExpressionAction 内部会持有 IFunction。 对 ExpressionAction::execute 的调用都会转发给 IFunction 执行。IFunction 是 TiFlash 向量化标量函数的基类。

19.png

首先我们从函数在 TiFlash 中的编译讲起。tipb 是 TiDB 与 TiFlash 之间的序列化协议,下图的 tipb::Expr 等同是 TiDB 里的 Expression。

对于传入的一个 tipb::Expr,首先分门别类,按照 Column,Literal,Function 分别处理。

如果是 Function,首先处理 Function 的所有参数。参数本身也是 tipb::Expr,所以也会按照对应的 tipb::Expr 处理流程处理。在处理完 Function 的所有参数后,就可以去构建 IFunction 本身,然后塞入 ExpressionAction,返回处理结果。

20.png

TiDB 对函数的标识是 tipb::ScalarFuncSig,而 TiFlash 使用 Function Name 作为函数的标识。在 TiFlash 里,我们会用映射表的形式将 tipb::ScalarFuncSig 映射成 Function Name。再根据 Function Name 找到对应的 TiFlash Function Builder。

21.png

对于窗口函数、聚合函数、distinct 聚合函数、标量函数都有各自的映射表。

const std::unordered_map<tipb::ExprType, String> window_func_map({
    {tipb::ExprType::Rank, "rank"},
        ...
});
const std::unordered_map<tipb::ExprType, String> agg_func_map({
    {tipb::ExprType::Count, "count"},
        ...
});
const std::unordered_map<tipb::ExprType, String> distinct_agg_func_map({
    {tipb::ExprType::Count, "countDistinct"},
    ...
});
const std::unordered_map<tipb::ScalarFuncSig, String> scalar_func_map({
    {tipb::ScalarFuncSig::CastIntAsInt, "tidb_cast"},
        ...
});

拿到 Function Name 之后,我们就可以去找到 Function 对应的 Function Builder 去 Build 出 IFunction 实现。TiFlash 有两类 Function Builder: Default Function Builder 和 Special Function Builder。前者是用于处理大多数 Function,后者处理某些特殊情况。

22.png
String DAGExpressionAnalyzerHelper::buildFunction(
    DAGExpressionAnalyzer * analyzer,
    const tipb::Expr & expr,
    const ExpressionActionsPtr & actions)
{
    const String & func_name = getFunctionName(expr);
    if (function_builder_map.count(func_name) != 0)
    {
        return function_builder_map[func_name](analyzer, expr, actions);
    }
    else
    {
        return buildDefaultFunction(analyzer, expr, actions);
    }
}

Default Function Builder 的处理本身很简单,就是先处理所有的函数入参,然后调用 applyFunction 生成对应的 IFunction 实现。

String DAGExpressionAnalyzerHelper::buildDefaultFunction(
    DAGExpressionAnalyzer * analyzer,
    const tipb::Expr & expr,
    const ExpressionActionsPtr & actions)
{
    const String & func_name = getFunctionName(expr);
    Names argument_names;
    for (const auto & child : expr.children())
    {
        String name = analyzer->getActions(child, actions);
        argument_names.push_back(name);
    }
    return analyzer->applyFunction(func_name, argument_names, actions, getCollatorFromExpr(expr));
}

对某些函数,有些特殊处理,这时就会使用到 Special Function Builder。

特殊处理的 Function Builder 会放在表里,遇到对应的函数,会转发过来。

下面是一些函数的特殊处理映射。

FunctionBuilderMap DAGExpressionAnalyzerHelper::function_builder_map(
    {...
     {"ifNull", DAGExpressionAnalyzerHelper::buildIfNullFunction},
     {"multiIf", DAGExpressionAnalyzerHelper::buildMultiIfFunction},
     ...
     {"bitAnd", DAGExpressionAnalyzerHelper::buildBitwiseFunction},
     {"bitOr", DAGExpressionAnalyzerHelper::buildBitwiseFunction},
     {"bitXor", DAGExpressionAnalyzerHelper::buildBitwiseFunction},
     {"bitNot", DAGExpressionAnalyzerHelper::buildBitwiseFunction},
     {"bitShiftLeft", DAGExpressionAnalyzerHelper::buildBitwiseFunction},
     {"bitShiftRight", DAGExpressionAnalyzerHelper::buildBitwiseFunction},
     ...
});

一个特殊的处理的情况是复用函数实现。某些函数可以由另一个函数来代理执行,比如
leftUTF8(str,len) = substrUTF8(str,1,len)。如果让 substrUTF8 来代理执行 leftUTF8,那么就可以省掉 leftUTF8 本身的开发实现工作。下面是 leftUTF8(str,len) = substrUTF8(str,1,len) 的代理实现代码。为 substrUTF8 生成第二个参数 1 后,将 leftUTF8 的两个参数传入 substrUTF8substrUTF8 就可以代理 leftUTF8 执行。

String DAGExpressionAnalyzerHelper::buildLeftUTF8Function(
    DAGExpressionAnalyzer * analyzer,
    const tipb::Expr & expr,
    const ExpressionActionsPtr & actions)
{
    const String & func_name = "substringUTF8";
    Names argument_names;
    // the first parameter: str
    String str = analyzer->getActions(expr.children()[0], actions, false);
    argument_names.push_back(str);
    // the second parameter: const(1)
    auto const_one = constructInt64LiteralTiExpr(1);
    auto col_const_one = analyzer->getActions(const_one, actions, false);
    argument_names.push_back(col_const_one);
    // the third parameter: len
    String name = analyzer->getActions(expr.children()[1], actions, false);
    argument_names.push_back(name);
    return analyzer->applyFunction(func_name, argument_names, actions, getCollatorFromExpr(expr));
}

接下来我们来看一下 IFunction 本身的接口。

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

IFunction 有三个主要方法

  • getName: 返回 Function 的 Name,Name 是作为 TiFlash 向量化函数的唯一标识来使用。
  • 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。

接下来以 jsonLength(string) 为例子,讲一下向量化函数的执行

  1. 从 Block 中获取 Json Column
  2. 创建同等大小的 Json Length Column
  3. Foreach Json Column,获取每一个行的 Json
  4. 调用 GetJsonLength(Json) 获取 Json Length,将结果插入 Json Length Column 中的对应位置。
  5. 将 Json Length Column 插入到 Block 中,完成单次计算
23.png
void executeImpl(Block & block, const ColumnNumbers & arguments, size_t result) const override
{
    // 1. 获取 json column,json column 本身是 String 类型,所以 json column 用的是 ColumnString 这个 column 实现
    const ColumnPtr column = block.getByPosition(arguments[0]).column;
    if (const auto * col = checkAndGetColumn<ColumnString>(column.get()))
    {
        // 2.创建 json len column, json len 本身是 UInt64 类型,用的是 ColumnUInt64 这个 column 实现
        auto col_res = ColumnUInt64::create();
        typename ColumnUInt64::Container & vec_col_res = col_res->getData();
        {
            // 3. 遍历 json column,ColumnString 提供了一些裸操作内部 string 的方法,可以提高效率
            const auto & data = col->getChars();
            const auto & offsets = col->getOffsets();
            const size_t size = offsets.size();
            vec_col_res.resize(size);
            ColumnString::Offset prev_offset = 0;
            for (size_t i = 0; i < size; ++i)
            {
                // 4. 调用 GetJsonLength,计算出 json 的 length,插入到 json len column 中。
                std::string_view sv(reinterpret_cast<const char *>(&data[prev_offset]), offsets[i] - prev_offset - 1);
                vec_col_res[i] = GetJsonLength(sv);
                prev_offset = offsets[i];
            }
        }
        // 5. 将 json len column 插入到 Block 中,完成单次计算。
        block.getByPosition(result).column = std::move(col_res);
    }
    else
        throw Exception(fmt::format("Illegal column {} of argument of function {}", column->getName(), getName()), ErrorCodes::ILLEGAL_COLUMN);
}

前段时间 TiFlash 有个社区活动,号召大家来参与 TiFlash 函数下推的工作。

以上关于标量函数的内容在社区活动的两篇文章 TiFlash 函数下推必知必会手把手教你实现 TiFlash 向量化函数 都有包含,大家可以通过这两篇文章了解更多关于 TiFlash 标量函数的内容。也欢迎小伙伴们也参与到 TiFlash 函数下推的工作中来。

聚合函数在 TiFlash 中的编译与执行

聚合函数不同于标量函数的点在于输入 m 行数据输出 n 行数据,且有 m >= n。

24.png
25.png

所以聚合函数不会使用 ExpressionActionsIFunction,而是有独立的执行体系。

聚合函数本身由 Aggregate 算子来执行,Aggregate 算子负责管理聚合函数的执行步骤,执行并发度等等。

Aggregate 算子的执行有两部分

  • 前者 ExpressionActions 用于执行标量函数的部分。
  • 后者 Aggregator 用于执行聚合函数的部分

如下图所示,对于 select max(a+b)ExpressionActions 执行 a+bAggregator 执行 max

26.png

下面详细来说一说 Aggregator 是如何执行聚合函数的。

首先 Aggregator 会多线程从 Input 读取 Block,调用 executeOnBlock 写入 Thread Local AggregatedDataVariantsAggregatedDataVariants 内部会保存当前线程的部分聚合计算结果。

executeOnBlock 阶段完成后,Aggregator 会调用 mergeAndConvertBlocks 将多个 AggregatedDataVariants 合并成一个,输出最终聚合的结果给 Output

27.png

Aggregator::executeOnBlock 会对每一个 Key 都会创建一个 Aggregate Data。
输入的 Row 会根据 Key 找到对应的 Aggregate Data, 调用 IAggregateFunction::add,更新 Agg Function 保存在 Aggregate Data 里的聚合结果。
如下图所示,Row1 和 Row4 经由 Aggregate Function 计算后,更新 Key1 保存的 Aggregate Data;Row2 经由 Aggregate Function 计算后,更新 Key2 保存的 Aggregate Data;Row3 和 Row5 经由 Aggregate Function 计算后,更新 Key3 保存的 Aggregate Data。

28.png

executeOnBlock 完成后,每个线程都会有一个独立的 Aggregate Data。

mergeAndConvertBlocks 阶段会把其他 Aggregate Data 都合并到 Aggregate Data0 上面

IAggregateFunction::merge 用于执行把所有线程计算的部分聚合结果聚合成一个最终聚合结果。

如下图所示,Aggregate Data 在合并的时候,同一个 Key 的数据会合并到一起,与其他 Key 互不干扰。

29.png

IAggregateFunction 是聚合函数的实现基类。接下来我们来看一下 IAggregateFunction 本身的接口。

class IAggregateFunction
{
public:
    String getName() const = 0;
    DataTypePtr getReturnType() const = 0;
    void add(AggregateDataPtr __restrict place, const IColumn ** arg_columns, size_t row_num, Arena * arena) const = 0;
    void merge(AggregateDataPtr __restrict place, ConstAggregateDataPtr rhs, Arena * arena) const = 0;
    void insertResultInto(ConstAggregateDataPtr __restrict place, IColumn & to, Arena * arena) const = 0;
};
  • add 用于计算聚合结果并更新到 place
  • merge 用于将 rhs 里的聚合结果合并到 place
  • insertResultInto 用于将 place 里保存的聚合结果输出成 Block

接下来我们以 Sum 这个聚合函数为例子来看一下聚合函数的执行过程。

template <typename T>
using AggregateFunctionSumSimple = 
AggregateFunctionSum<T, typename NearestFieldType<T>::Type, AggregateFunctionSumData<typename NearestFieldType<T>::Type>>;
template <typename T, typename TResult, typename Data>
class AggregateFunctionSum final : public IAggregateFunctionDataHelper<Data, AggregateFunctionSum<T, TResult, Data>>
{
public:
    void add(AggregateDataPtr __restrict place, const IColumn ** columns, size_t row_num, Arena *) const override
    {
        this->data(place).add(column.getData()[row_num]);
    }
    void merge(AggregateDataPtr __restrict place, ConstAggregateDataPtr rhs, Arena *) const override
    {
        this->data(place).merge(this->data(rhs));
    }
};
template <typename T>
struct AggregateFunctionSumData
{
    T sum{};
    template <typename U>
    void add(U value) { AggregateFunctionSumAddImpl<T>::add(sum, value); }
    void merge(const AggregateFunctionSumData & rhs) { AggregateFunctionSumAddImpl<T>::add(sum, rhs.sum); }
}
template <typename T>
struct AggregateFunctionSumAddImpl
{
    static void NO_SANITIZE_UNDEFINED ALWAYS_INLINE add(T & lhs, const T & rhs) { lhs += rhs; }
};
  • 实际的 Sum 实现带有很多优化,这里选择最简化的实现
  • 对于 Sum,AggregateData 的实现是 AggregateFunctionSumData,内部维护一个 T Sum 保存聚合结果
  • 对于 Sum,addmerge 都是执行 += 操作。

下图是对 Sum 执行过程的一个简化描述图。

add 阶段,Aggregator 会从 Input 读取数据,执行 sum += input,更新 Aggregate Data 里的聚合结果。在 add 完成后,会执行 sum0 += sum1sum0 += sum2,将聚合结果合并成一个。最终输出 sum0 作为最终结果。

30.png

体验全新的一栈式实时 HTAP 数据库,即刻注册 TiDB Cloud,在线申请 PoC 并获得专业技术支持。

下载 TiDB 社区版 咨询 TiDB 企业版
免费试用 TiDB Cloud
适用于中国出海企业和开发者

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。