apache-flink - Apache Flink - 启用连接排序

Question

我注意到 Apache Flink 没有优化表的连接顺序。目前，它保留用户指定的连接顺序(基本上，它按字面意思进行查询)。我想 Apache Calcite 可以优化连接的顺序，但由于某些原因，这些规则没有在 Apache Flink 中使用。

例如，如果我们有两个表 'R' 和 'S'

private val tableEnv: BatchTableEnvironment = TableEnvironment.getTableEnvironment(env)
private val fileNumber = 1
tableEnv.registerTableSource("R", getDataSourceR(fileNumber))
tableEnv.registerTableSource("S", getDataSourceS(fileNumber))
private val r = tableEnv.scan("R")
private val s = tableEnv.scan("S")

我们假设 'S' 是空的，我们想以两种方式连接这些表:

val tableOne = r.as("x1, x2").join(r.as("x3, x4")).where("x2 === x3").select("x1, x4")
        .join(s.as("x5, x6")).where("x4 === x5 ").select("x1, x6")


val tableTwo = s.as("x1, x2").join(r.as("x3, x4")).where("x2 === x3").select("x1, x4")
          .join(r.as("x5, x6")).where("x4 === x5 ").select("x1, x6")

如果我们想计算 tableOne 和 tableTwo 中的行数，结果在这两种情况下都将为零。问题是评估 tableOne 比评估 tableTwo 花费的时间要长得多。

有没有什么方法可以自动优化连接的执行顺序，甚至可以通过添加一些统计信息来启用可能的计划成本操作？如何添加这些统计信息？

在此 link 的文档中据记载，也许有必要更改表环境 CalciteConfig，但我不清楚该怎么做。

请帮忙。

Answer 1

Join 重新排序未启用，因为 Flink 不能很好地处理统计信息。在没有多少准确的基数估计的情况下重新排序连接基本上是赌博。因此，连接重新排序被禁用，表按照用户提供的顺序连接。这给出了确定性和可控的行为。

但是，您可以通过在创建 TableEnvironment(即 TableEnvironment)时传递带有 CalciteConfig 的 TableConfig 将优化规则传递给优化器。 getTableEnvironment(env, yourTableConfig)。在 CalciteConfig 中，您可以将优化规则添加到不同的优化阶段。您可能希望将 JoinCommuteRule 和 JoinAssociateRule 添加到逻辑优化阶段。您可能还必须深入研究代码以检查如何将统计信息传递给优化器。