2021-02-22

ClickHouse源码笔记3:函数调用的向量化实现

分享一下笔者研读ClickHouse源码时分析函数调用的实现,重点在于分析Clickhouse查询层实现的接口,以及Clickhouse是如何利用这些接口更好的实现向量化的。本文的源码分析基于ClickHouse v19.16.2.2的版本。

1.举个栗子

下面是一个简单的SQL语句
SELECT a, abs(b) FROM test

这里调用一个abs的函数,我们先打开ClickHouse的Debug日志看一下执行计划。(当前ClickHouse不支持使用Explain语句来查看执行计划,这个确实是很蛋疼的~~)

ClickHouse的执行PipeLine

这里分为了3个流

  • ExpressionBlockInputStream: 最顶层的Expression,实现了Projection,这个和我们今天主题无关,本质上就是实现一个简单列的改名操作。比如 select a as aaa from test这里将列名从a改为aaa.
  • ExpressionBlockInputStream: 第二个ExpressionBlockInputStream就是我们关注的重点的,后面的章节会详细的剖析它。它主要完成了下面两件事情
      1. b列执行函数abs,生成新的一列数据abs(b)
      1. remove column b, 将 b列删除。新的Block为a, abs(b)
  • TinyLogBlockInputStream: 存储引擎的读取流,这里标识了底层表的存储引擎为append onlyTinyLog

从上面的执行计划可以看出,Clickhouse的表达式计算是由ExpressionBlockInputStream来完成的,而这个类是一个很强大的类,可以实现:Projection, Join, Apply_Function, Add Column, Remove Column等。

2. 实现流程的梳理

  • ExpressionBlockInputSteam readImpl()的实现
    直接上代码,看一下ExpressionBlockInputStream的读取方法的实现
Block ExpressionBlockInputStream::readImpl(){ Block res = children.back()->read(); if (res)  expression->execute(res); return res;}

这里的实现很简单,就是不停从底层的流读取数据Block,Block可以理解为Doris之中的Batch,相当一组数据,然后在Block之上执行表达式计算,之后返回给上节点。所以这里的重点就在于表达式计算的实现类ExpressionActions的指针expression,它封装了一组表达式的Action,在Block上依次执行这些Action

  • Action excute的实现
    Action支持多种操作,包含了:
enum Type {  ADD_COLUMN,  REMOVE_COLUMN,  COPY_COLUMN,  APPLY_FUNCTION,  ARRAY_JOIN,  JOIN,  PROJECT,  ADD_ALIASES, };

这里我们重点关注的是函数执行的实现,可以直接定位到APPLY_FUNCTION的代码:

case APPLY_FUNCTION:  {   1. 从Block之中筛选出对应的参数数组   ColumnNumbers arguments(argument_names.size());   for (size_t i = 0; i < argument_names.size(); ++i)   {    arguments[i] = block.getPositionByName(argument_names[i]);   }      2.新建一个结果的列,对应函数的结果会写入结果列,把结果列写入的Block之中   size_t num_columns_without_result = block.columns();   block.insert({ nullptr, result_type, result_name});      3.调用对应的函数指针,执行函数调用   function->execute(block, arguments, num_columns_without_result, input_rows_count, dry_run);

这里我保留一部分关键的执行路径代码,并添加了对应的中文注释。
选出了函数执行的参数,并添加了新的一个空列用于存储函数abs(b)的最终结果,新的列的偏移量就是num_columns_without_result指定的。
添加了新的一个空列

接下来这里我们这里重点关注Function的execute接口的参数就可以了:

  • block:实际存储的数据
  • arguments:列的参数偏移量
  • num_columns_without_result:函数计算结果的写入列
  • input_rows_count: block之中的数据行数

这里本质上是调用了接口IFunction的接口,它的子类需要实现对应的excuteImpl的方法:

class IFunction : public std::enable_shared_from_this<IFunction>,     public FunctionBuilderImpl, public IFunctionBase, public PreparedFunctionImpl{public: /// TODO: make const void executeImpl(Block & block, const ColumnNumbers & arguments, size_t result, size_t input_rows_count) override = 0;

而最终的实现是IFunction的子类:FunctionUnaryArithmetic实现了该方法,该方法的核心代码如下:

    if (auto col = checkAndGetColumn<ColumnVector<T0>>(block.getByPosition(arguments[0]).column.get()))    {     auto col_res = ColumnVector<typename Op<T0>::ResultType>::create();     auto & vec_res = col_res->getData();     vec_res.resize(col->getData().size());     UnaryOperationImpl<T0, Op<T0>>::vector(col->getData(), vec_res);     block.getByPosition(result).column = std::move(col_res);     return true;    }

这里最为核心的是,将arguments的列作为参数列取出为变量col, 而col_res创建了个新的列,存放result的结果。这里最重要的方法就是
UnaryOperationImpl<T0, Op<T0>>::vector,从名字上也能看出,它实现了函数的向量化计算,我们继续看这部分代码:

 static void NO_INLINE vector(const ArrayA & a, ArrayC & c) {  size_t size = a.size();  for (size_t i = 0; i < size; ++i)   c[i] = Op::apply(a[i]); }

显然,这就是一个完美的向量化优化代码,没有任何if, switch, break的分支跳转语句,for循环的长度也是已知的。这里的Op::apply就是咱们调用的AbsImpl::apply函数的实现:

template <typename A>struct AbsImpl{ static inline NO_SANITIZE_UNDEFINED ResultType apply(A a) {  if constexpr (IsDecimalNumber<A>)   return a < 0 ? A(-a) : a;  else if constexpr (std::is_integral_v<A> && std::is_signed_v<A>)   return a < 0 ? static_cast<ResultType>(~a) + 1 : a;  else if constexpr (std::is_integral_v<A> && std::is_unsigned_v<A>)   return static_cast<ResultType>(a);  else if constexpr (std::is_floating_point_v<A>)   return static_cast<ResultType>(std::abs(a)); }

走的这里,相当于走完了整个函数调用的流程。而其他多参数的函数的实现也是大同小异,如:

struct BinaryOperationImplBase{ using ResultType = ResultType_; static void NO_INLINE vector_vector(const PaddedPODArray<A> & a, const PaddedPODArray<B> & b, PaddedPODArray<ResultType> & c) {  size_t size = a.size();  for (size_t i = 0; i < size; ++i)   c[i] = Op::template apply<ResultType>(a[i], b[i]); }

而执行完成abs(b)函数之后,b列就没有用处了,Clickhouse会调用另一个Action:REMOVE_COLUM在Block之中删除b列,这样就得到了我们所需要的两个列a, abs(b)组成的新的Block。
计算的最终结果

3.要点梳理

第二小节梳理完成了一整个函数调用的流程,这里重点梳理一下实现向量化函数调要点:

  1. ClickHouse的计算是纯粹函数式编程式的计算,不会改变原先的列状态,而是产生一组新的列。
  2. 各个函数的实现需要继承IFunction的接口,实现execute 的方法,该方法基于Block进行执行。
  3. 最终继承IFunction接口的实现类都需要override的execute方法,并真正实现对应的函数vectoer的调用,这里Clickhouse确保了For循环的长度是已知的,同时没有对应跳转语句,确保了编译器进行向量化优化时有足够的亲和度。(这里可以打开gcc的编译flag:-fopt-info-vec或者clang的编译选项:-Rpass=loop-vectorize来查看实际源代码的向量化情况)

4. 小结

好了,到这里也就把ClickHouse函数调用的代码梳理完了。
除了abs函数外,其他的函数的执行也是同样通过类似的方式依次来实现和处理的,源码阅读的步骤也可以参照笔者的分析流程来参考。
笔者是一个ClickHouse的初学者,对ClickHouse有兴趣的同学,欢迎多多指教,交流。

5. 参考资料

官方文档
ClickHouse源代码









原文转载:http://www.shaoqun.com/a/576612.html

跨境电商:https://www.ikjzd.com/

急速:https://www.ikjzd.com/w/1861

赛兔:https://www.ikjzd.com/w/2375


分享一下笔者研读ClickHouse源码时分析函数调用的实现,重点在于分析Clickhouse查询层实现的接口,以及Clickhouse是如何利用这些接口更好的实现向量化的。本文的源码分析基于ClickHousev19.16.2.2的版本。1.举个栗子下面是一个简单的SQL语句SELECTa,abs(b)FROMtest这里调用一个abs的函数,我们先打开ClickHouse的Debug日志看一下
auditor:https://www.ikjzd.com/w/2437
递四方:https://www.ikjzd.com/w/1066
prime day:https://www.ikjzd.com/w/131.html
选品:亚马逊3C消费电子产品海外消费者画像:https://www.ikjzd.com/home/125739
拼图、空气炸锅、筋膜枪、环形灯...这些热卖产品你选中了几个:https://www.ikjzd.com/home/139699
这五个方法帮你减少亚马逊广告预算:https://www.ikjzd.com/home/133462

No comments:

Post a Comment