Doris查询原理

[levy5307]

https://levy5307.github.io/blog/doris-query/

同大多数数据库一样，Doris的查询主要分为查询接收、Parse（词法分析和语法分析）、Analyze（语义分析）、Rewrite（查询重写）、逻辑计划生成（单机执行计划）、分布式执行计划生成、Schedule、查询计划执行等步骤。其中查询计划执行由BE负责，其他均由FE负责。

查询接收

在Doris中，AcceptListener负责监听mysql连接。当一个新连接到来时AcceptListener会创建一个ConnectProcessor类型对象。ConnectProcessor周期性的获取该连接上的请求，针对不同的command执行不同的操作，包括use database操作（COM_INIT_DB）、查询操作（COM_QUERY）、quit（COM_QUIT）等

Parse

ConnectProcessor::handleQuery主要处理查询操作，随后使用Java CUP Parser对输入的字符串进行词法和语法分析。词法分析主要将输入的字符串解析成一系列token（例如select、from等），而语法分析则根据词法分析生成的token，生成一颗抽象语法树（Abstract Syntax Tree）。在Doris中抽象语法树用类StatementBase表示，StatementBase是一个虚类，它有多个不同的子类，例如SelectStmt、InsertStmt等，分别用于表示查询请求、写入请求等等。

其中，SelectStmt类中包含selectList、fromClause、groupByClause、havingClause等等，具体如下所示：

public class SelectStmt extends QueryStmt {
protected SelectList selectList;
private final ArrayList colLabels; // lower case column labels
protected final FromClause fromClause;
protected GroupByClause groupByClause;
private List originalExpr;
private Expr havingClause; // original having clause
protected Expr whereClause;
// havingClause with aliases and agg output resolved
private Expr havingPred;

// set if we have any kind of aggregation operation, include SELECT DISTINCT
private AggregateInfo aggInfo;
// set if we have analytic function
private AnalyticInfo analyticInfo;
// substitutes all exprs in this select block to reference base tables
// directly
private ExprSubstitutionMap baseTblSmap = new ExprSubstitutionMap();

private ValueList valueList;

// if we have grouping extensions like cube or rollup or grouping sets
private GroupingInfo groupingInfo;

// having clause which has been analyzed
// For example: select k1, sum(k2) a from t group by k1 having a>1;
// this parameter: sum(t.k2) > 1
private Expr havingClauseAfterAnaylzed;

// SQL string of this SelectStmt before inline-view expression substitution.
// Set in analyze().
protected String sqlString;

// Table alias generator used during query rewriting.
private TableAliasGenerator tableAliasGenerator = null;

// Members that need to be reset to origin
private SelectList originSelectList;

}

Analyze

当通过Parse阶段得到AST后，随后会根据parsedStmt创建一个StmtExecutor。该StmtExecutor首先为该查询分配一个16位的随机queryId，并通过analyzeVariablesInStmt函数获取select查询中的Optimizer Hints。

随后通过Analyzer来进行语义分析。注意这里的Analyzer类其实并不是语义解析器，正确的名字应该叫AnalyzerContext，其保存的是语义解析所需要的各种上下文及状态信息。真正的语义解析是在具体的StatementBase子类里的，最终通过多态来获取不同执行语句的不同语义分析实现。

对于SelectStmt，语义分析阶段所做的主要工作有：

检查cluster name是否为空，若是则抛出AnalysisException异常


对于含有order by但是order by字段为空的查询，将order by移除掉。


对于含有limit的查询：


  
    当offset大于0且不含有order by时报错。
  
  
    当limit = 0时，设置hasEmptyResultSet为true，该变量表示该查询结果一定返回空
  
  
    …
  



对于含有with的查询，依次analyze该查询中的所有的view（即子查询）


对于analyze from从句，依次analyze从句中的所有表（包括BaseTable、LateralView、LocalView）。对于BaseTable，如果该表没有指定database，则指定为默认database。


对于select list：


  
    如果是select *，则将*扩展成所有列
  
  
    判断select从句中是否包含子查询，如果是则抛出异常
  
  
    依次解析select list中的所有expr及其child expr（如果有）
  
  
    …
  



对于where从句：


  
    查看where从句中是否有group操作，如果有则抛出异常
  
  
    查看where从句中是否有聚合操作，如果有则抛出异常
  
  
    检查where从句是否返回bool类型或者null，否则抛异常
  
  
    依次解析where从句中的所有child expr（如果有）
  
  
    …

Rewrite

当执行完词法分析后，要根据具体的ExprRewriteRule进行查询重写，例如：

FoldConstantsRule，通过对expr求值并进行替换：1 + 1 + 1 –> 3，toupper('abc') –> 'ABC'、cast('2016-11-09' as timestamp) –> TIMESTAMP '2016-11-09 00:00:00'。


NormalizeBinaryPredicatesRule，规范化二进制谓词，使slot位于左侧，例如：5 > id –> id < 5


BetweenPredicates，将between谓词转换成conjunctive/disjunctive谓词，例如： BETWEEN X AND Y –> A >= X AND A <= Y、 NOT BETWEEN X AND Y –> A < X OR A > Y

另外对于存在子查询的查询，会依次进行from从句子查询重写、where从句子查询重写（rewriteWhereClauseSubqueries）以及have从句中子查询重写（rewriteHavingClauseSubqueries）。例如，对于have从句子查询的重写，会先将having子句用where进行等价重写，再将where子句等价重写（例如使用in重写）

当某些重写发生时，需要重新执行语义分析。

单节点执行计划

逻辑计划生成和物理计划生成都是由Planner来完成的。在Planner中，SingleNodePlanner通过AST生成单节点执行计划（PlanNode构成的算子树）。例如：

select A.a, B.b from A join B where A.a = B.b
生成的算子树如下：

在生成单节点执行计划时，主要做了以下优化：

Slot物化。slot物化是指标记出哪些列在表达式中涉及到，即哪些列需要被读取以及计算。


谓词下推。将谓词下推到Scan节点。


当没有开启排序落盘时（enable_spilling=true），将sort+limit修改成top n。


投影下推。保证在Scan时只读取必须的列。


Join reorder。对于 Inner Join, Doris 会根据行数调整表的顺序，将大表放在前面。


分区，分桶裁剪：根据过滤条件中的信息，确定需要扫描哪些分区，哪些桶的tablet。（在OlapScanNode::init时做分区裁剪，OlapScanNode::finalize做分桶裁剪）


MaterializedView选择：会根据查询需要的列，过滤，排序和Join的列，行数，列数等因素选择最佳的物化视图。

分布式计划生成

在Planner中，通过DistributedPlanner执行生成分布式执行计划。这里需要根据分布式环境，将单机的PlanNode树拆分成分布式PlanFragment树。该步骤的主要目标是最大化并行度和数据本地化。主要方法是将能够并行执行的节点拆分出去单独建立一个PlanFragment，用ExchangeNode代替被拆分出去的节点，用来接收数据。拆分出去的节点增加一个DataSinkNode，用来将计算之后的数据传送到ExchangeNode中，做进一步的处理。

这一步主要采用自底向上的方法来遍历整个PlanNode树（通过createPlanFragments函数递归实现）。如上述例子中：

对于ScanNode，则直接创建一个对应的PlanFragment。上述例子中一共有两个ScanNode，则创建两个PlanFragment。


对于HashJoinNode，需要决定Hash Join的分布式执行策略，即Shuffle Join，Broadcast Join，Colocate Join:


  
    如果使用colocate join，由于join操作都在本地，就不需要拆分。设置HashJoinNode与leftFragment共用一个PlanFragment，并删除掉rightFragment。
  
  
    如果使用bucket shuffle join，需要将右表的数据发送给左表。则和left child组成同一个PlanFragment（不单独创建新的，只是和上一条中为left child创建的PlanFragment组成同一个），在该PlanFragment中，对right child使用ExchangeNode来代替。同时对于right child，创建一个DataSinkNode，将数据sink到前述ExchangeNode。
  
  
    如果使用broadcast join，需要将右表的数据发送给左表。具体逻辑同上。
  
  
    如果使用hash partition join，左表和右边的数据都要切分，需要将左右节点都拆分出去，分别创建left ExchangeNode, right ExchangeNode，HashJoinNode指定左右节点为left ExchangeNode和right ExchangeNode。需要为HashJoinNode单独创建一个PlanFragment，指定RootPlanNode为这个HashJoinNode。最后指定leftFragment, rightFragment的数据发送目的地为left ExchangeNode, right ExchangeNode。
  



对于SelectNode，同样创建一个对应的PlanFragment

此三个PlanFragment则对应上图中的三个虚线框中的Fragment。

Schedule

这一步是根据分布式逻辑计划，创建分布式物理计划。主要解决以下问题：

哪个BE执行哪个PlanFragment


每个Tablet选择哪个副本去查询


如何进行多实例并发

Doris根据ScanNode所对应的表，经过分区分桶裁剪之后，可以得到需要访问的Tablet列表。对于Tablet列表，Doris会过滤掉unrecoverable的（该replica随后会被删除）、缺少version的、状态不正常的、以及过滤掉compaction过慢的副本。然后通过Round-Robin的方式在be节点中选择各个tablet的副本，以保证BE之间的负载均衡。

另外，需要处理实例的并发问题。当leftMostNode是ScanNode时，则需要根据fragment的并发度来设置并发（parallelExecNum）。假如需要scan 10个tablet，并行度设置为5的话，那么Scan所在的 PlanFragment，每个BE上可以生成5个执行实例，每个执行实例会分别Scan 2个tablet。当该节点不是ScanNode时，则其肯定是ExchangeNode，则需要根据exchangeInstanceParallel设置并发度。

FInstanceExecParam创建完成后，会分配一个唯一的instancdID，方便追踪信息。如果FragmentExecParams中包含有ExchangeNode，需要计算有多少senders，以便知道需要接受多少个发送方的数据。最后FragmentExecParams确定destinations，并把目的地址填充上去。

最后，获取第一个fragment，由执行该fragment的节点作为Receiver，接收查询结果。并将这些fragment发送给BE执行。

查询计划执行

查询计划由BE负责执行，其执行引擎采用Batch模式的Volcano模型，相对于Tuple模式的Volcano，执行效率更高。

be中的FragmentMgr提供了rpc接口，用于处理这些fragment（FragmentMgr::exec_plan_fragment），在接收到请求后，会先通过查询计划生成对应的算子树（PlanFragmentExecutor::_plan）并对所有算子执行init操作（ExecNode::create_tree）及prepare操作（_plan->prepare）。

随后，创建一个线程用户执行查询计划(FragmentMgr::_exec_actual)。该线程中，先对算子树执行open操作，然后通过PlanFragmentExecutor::get_next_internal驱动整个算子树的执行。该方法自顶向下调用每个算子的get_next方法。最终数据会从ScanNode节点产生，向上层节点传递，每个节点都会按照自己的逻辑处理RowBatch。PlanFragmentExecutor在拿到每个RowBatch后，如果是中间结果，就会将数据传输给其他BE节点，如果是最终结果，就会将数据传输给FE节点（通过DataSink::send多态实现）

参考文档

https://doris.apache.org/zh-CN/blog/principle-of-Doris-SQL-parsing/#23-%E9%80%BB%E8%BE%91%E8%AE%A1%E5%88%92

https://blog.bcmeng.com/post/apache-doris-query.html#doris-query-%E6%89%A7%E8%A1%8C

https://www.oomspot.com/post/apachedorischaxunyuanlijiexi