用 Rust 过程宏魔法简化 SQL 函数实现

#[function("length(varchar) -> int4")]
pub fn char_length(s: &str) -> i32 {
    s.chars().count() as i32
}

这是 RisingWave 中一个 SQL 函数的实现。只需短短几行代码，通过在 Rust 函数上加一行过程宏，我们就把它包装成了一个 SQL 函数。

dev=> select length('Rising Wave');
 length <br/>--------
     11
(1 row)

类似的，除了标量函数（Scalar Function），表函数（Table Function）和聚合函数（Aggregate Function）也可以用这样的方法定义。我们甚至可以利用泛型来同时定义多种类型的重载函数：

#[function("generate_series(int4, int4) -> setof int4")]
#[function("generate_series(int8, int8) -> setof int8")]
fn generate_series<T: Step>(start: T, stop: T) -> impl Iterator<Item = T> {
    start..=stop
}

#[aggregate("max(int2) -> int2", state = "ref")]
#[aggregate("max(int4) -> int4", state = "ref")]
#[aggregate("max(int8) -> int8", state = "ref")]
fn max<T: Ord>(state: T, input: T) -> T {
    state.max(input)
}

dev=> select generate_series(1, 3);
 generate_series 
-----------------
               1
               2
               3
(3 rows)

dev=> select max(x) from generate_series(1, 3) t(x);
 max 
-----
   3
(1 row)

利用 Rust 过程宏，我们将函数实现背后的琐碎细节隐藏起来，向开发者暴露一个干净简洁的接口。这样我们便能够专注于函数本身逻辑的实现，从而大幅提高开发和维护的效率。

而当一个接口足够简单，简单到连 ChatGPT 都可以理解时，让 AI 帮我们写代码就不再是天方夜谭了。（警告：AI 会自信地写出 Bug，使用前需要人工 review）

向 GPT 展示一个 SQL 函数实现的例子，然后给出一个新函数的文档，让他生成完整的 Rust 实现代码。

在本文中，我们将深度解析 RisingWave 中?#[function]?过程宏的设计目标和工作原理。通过回答以下几个问题揭开过程宏的魔法面纱：

1. 函数执行的过程是怎样的？
2. 为什么选择使用过程宏实现？
3. 这个宏是如何展开的？生成了怎样的代码？
4. 利用过程宏还能实现哪些高级需求？

1. 向量化计算模型

RisingWave 是一个支持 SQL 语言的流处理引擎。在内部处理数据时，它使用基于列式内存存储的向量化计算模型。在这种模型下，一个表（Table）的数据按列分割，每一列的数据连续存储在一个数组（Array）中。为了便于理解，本文中我们采用列式内存的行业标准 Apache Arrow 格式作为示例。下图是其中一批数据（RecordBatch）的内存结构，RisingWave 的列存结构与之大同小异。

列式内存存储的数据结构

在函数求值时，我们首先把每个输入参数对应的数据列合并成一个 RecordBatch，然后依次读取每一行的数据，作为参数调用函数，最后将函数返回值压缩成一个数组，作为最终返回结果。这种一次处理一批数据的方式就是向量化计算。

函数的向量化求值

之所以要这么折腾一圈做列式存储、向量化求值，本质上还是因为批处理能够均摊掉控制逻辑的开销，并充分利用现代 CPU 中的缓存局部性和 SIMD 指令等特性，实现更高的访存和计算性能。

我们将上述函数求值过程抽象成一个 Rust trait，大概长这样：

pub trait ScalarFunction {
    /// Call the function on each row and return results as an array.
    fn eval(&self, input: &RecordBatch) -> Result<ArrayRef>;
}

在实际查询中，多个函数嵌套组合成一个表达式。例如表达式?a + b - c等价于?sub(add(a, b), c)。对表达式求值就相当于递归地对多个函数进行求值。这个表达式本身也可以看作一个函数，同样适用上面的 trait。因此本文中我们不区分表达式和标量函数。

2. 表达式执行的黑白魔法：类型体操 vs 代码生成

接下来我们讨论在 Rust 语言中如何具体实现表达式向量化求值。

2.1 我们要实现什么

回顾上一节中提到的求值过程，写成代码的整体结构是这样的：

// 首先定义好对每行数据的求值函数
fn add(a: i32, b: i32) -> i32 {
  a + b
}

// 对于每一种函数，我们需要定义一个 struct
struct Add;

// 并为之实现 ScalarFunction trait
impl ScalarFunction for Add {
  // 在此方法中实现向量化批处理
  fn eval(&self, input: &RecordBatch) -> Result<ArrayRef> {
    // 我们拿到一个 RecordBatch，里面包含了若干列，每一列对应一个输入参数
    // 此时我们拿到的列是 Arc<dyn Array>，也就是一个**类型擦除**的数组
    let a0: Arc<dyn Array> = input.columns(0);
    let a1: Arc<dyn Array> = input.columns(1);

    // 我们可以获取每一列的数据类型，并验证它符合函数的要求
    ensure!(a0.data_type() == DataType::Int32);
    ensure!(a1.data_type() == DataType::Int32);

    // 然后将它们 downcast 到具体的数组类型
    let a0: &Int32Array = a0.as_any().downcast_ref().context("type mismatch")?;
    let a1: &Int32Array = a1.as_any().downcast_ref().context("type mismatch")?;
    
    // 在求值前，我们还需要准备好一个 array builder 存储返回值
    let mut builder = Int32Builder::with_capacity(input.num_rows());

    // 此时我们就可以通过 .iter() 来遍历具体的元素了
    for (v0, v1) in a0.iter().zip(a1.iter()) {
      // 这里我们拿到的 v0 和 v1 是 Option<i32> 类型
      // 对于 add 函数来说
      let res = match (v0, v1) {
        // 只有当所有输入都非空时，函数才会被计算
        (Some(v0), Some(v1)) => Some(add(v0, v1)),
        // 而任何一个输入为空会导致输出也为空
        _ => None,
      };
      // 最后将结果存入 array builder
      builder.append_option(res);
    }
    // 返回结果 array
    Ok(Arc::new(builder.finish()))
  }
}

我们发现，这个函数本体的逻辑只需要短短一个?fn?就可以描述：

fn add(a: i32, b: i32) -> i32 {
  a + b
}

然而，为了支持在列存上进行向量化计算，还需要实现后面这一大段样板代码来处理琐碎逻辑。有什么办法能自动生成这坨代码呢？

2.2 类型体操

著名数据库专家迟先生曾在博文「数据库表达式执行的黑魔法：用 Rust 做类型体操」中讨论了各种可能的解决方法，包括：

• 基于 trait 的泛型
• 声明宏
• 过程宏
• 外部代码生成器

并且系统性地阐述了它们的关系和工程实现中的利弊：

从方法论的角度来讲，一旦开发者在某个需要使用泛型的地方使用了宏展开，调用它的代码就不可能再通过 trait-based generics 使用这段代码。从这个角度来说，越是“大道至简”的生成代码，越难维护。但反过来说，如果要完全实现 trait-based generics，往往要和编译器斗智斗勇，就算是通过编译也需要花掉大量的时间。

我们首先来看基于 trait 泛型的解决方案。在 arrow-rs 中有一个名为?binary?的 kernel 就是做这个的：给定一个二元标量函数，将其应用于两个 array 进行向量化计算，并生成一个新的 array。它的函数签名如下：

pub fn binary<A, B, F, O>(
    a: &PrimitiveArray<A>,
    b: &PrimitiveArray<B>,
    op: F
) -> Result<PrimitiveArray<O>, ArrowError>
where
    A: ArrowPrimitiveType,
    B: ArrowPrimitiveType,
    O: ArrowPrimitiveType,
    F: Fn(<A as ArrowPrimitiveType>::Native, <B as ArrowPrimitiveType>::Native) -> <O as ArrowPrimitiveType>::Native,

相信你已经开始感受到「类型体操」的味道了。尽管如此，它依然有以下这些局限：

1. 支持的类型仅限于?PrimitiveArray?，也就是 int, float, decimal 等基础类型。对于复杂类型，如 bytes, string, list, struct，因为没有统一到一个 trait 下，所以每种都需要一个新的函数。
2. 仅适用于两个参数的函数。对于一个或更多参数，每一种都需要这样一个函数。arrow-rs 中也只内置了?unary?和?binary?两种 kernel。
3. 仅适用于一种标量函数签名，即不出错的、不接受空值的函数。考虑其它各种可能的情况下，需要有不同的?F?定义：

fn add(i32, i32) -> i32;
fn checked_add(i32, i32) -> Result<i32>;
fn optional_add(i32, Option<i32>) -> Option<i32>;

如果考虑以上三种因素的结合，那么可能的组合无穷尽也，不可能覆盖所有的函数类型。

2.3 类型体操 + 声明宏

在文章《类型体操》及 RisingWave 的初版实现中，作者使用?泛型 + 声明宏?的方法部分解决了以上问题：

1. 首先设计一套精妙的类型系统，将全部类型统一到一个 trait 下，解决了第一个问题。
2. 然后，使用声明宏来生成多种类型的 kernel 函数。覆盖常见的 1、2、3 个参数，以及?T?和?Option?的输入输出组合。生成了常用的?unarybinaryternaryunary_nullableunary_bytes?等 kernel，部分解决了第二三个问题。（具体实现参见 RisingWave 早期代码） 当然，这里理论上也可以继续使用类型体操。例如，引入 trait 统一?(A,) (A, B) (A, B, C)?，用?Into, AsRef?trait 统一?T, Option<T>, Result<T>等。只不过，大概率迎接我们的是 rustc 带来的一点小小的类型震撼：）
3. 最后，这些 kernel 没有解决类型动态 downcast 的问题。为此，作者又利用声明宏设计了一套精妙的宏套宏机制来实现动态派发。

macro_rules! for_all_cmp_combinations {
    ($macro:tt $(, $x:tt)*) => {
        $macro! {
            [$($x),*],
            // comparison across integer types
            { int16, int32, int32 },
            { int32, int16, int32 },
            { int16, int64, int64 },
						// ...

尽管解决了一些问题，但这套方案依然有它的痛点：

1. 基于 trait 做类型体操使我们不可避免地陷入到与 Rust 编译器斗智斗勇之中。
2. 依然没有全面覆盖所有可能情况。有相当一部分函数仍然需要开发者手写向量化实现。
3. 性能。当我们需要引入 SIMD 对部分函数进行优化时，需要重新实现一套 kernel 函数。
4. 没有对开发者隐藏全部细节。函数开发者依然需要先熟悉类型体操和声明宏的工作原理，才能比较流畅地添加函数。

究其原因，我认为是函数的变体形式过于复杂，而 Rust 的 trait 和声明宏系统的灵活性不足导致的。本质上是一种元编程能力不够强大的表现。

2.4 元编程？

让我们来看看其他语言和框架是怎么解决这个问题的。

首先是 Python，一种灵活的动态类型语言。这是 Flink 中的 Python UDF 接口，其它大数据系统的接口也大同小异：

@udf(result_type='BIGINT')
def add(i, j):
  return i + j

我们发现它是用?@udf?这个装饰器标记了函数的签名信息，然后在运行时对不同类型进行相应的处理。当然，由于它本身是动态类型，因此 Rust 中的很多问题在 Python 中根本不存在，代价则是性能损失。

接下来是 Java，它是一种静态类型语言，但通过虚拟机 JIT 运行。这是 Flink 中的 Java UDF 接口：

public static class SubstringFunction extends ScalarFunction {
   public String eval(String s, Integer begin, Integer end) {
      return s.substring(begin, end);
  }
}

可以看到同样也很短。这次甚至不需要额外标记类型了，因为静态类型系统本身就包含了类型信息。我们可以通过运行时反射拿到类型信息，并通过 JIT 机制在运行时生成高效的强类型代码，兼具灵活与性能。

最后是 Zig，一种新时代的 C 语言。它最大的特色是任何代码都可以加上?comptime?关键字在编译时运行，因此具备非常强的元编程能力。tygg 在博文「Zig lang 初体验 -- 『大道至简』的 comptime」中演示了用 Zig 实现迟先生类型体操的方法：通过 编译期反射 和 过程式的代码生成 来代替开发者完成类型体操。

用一张表总结一下：

?

可以发现，Zig 语言强大的元编程能力提供了相对最好的解决方案。

2.5 过程宏

那么 Rust 里面有没有类似 Zig 的特性呢。其实是有的，那就是过程宏（Procedural Macros）。它可以在编译期动态执行任何 Rust 代码来修改 Rust 程序本身。只不过，它的编译时和运行时代码是物理分开的，相比 Zig 的体验没有那么统一，但是效果几乎一样。

参考 Python UDF 的接口设计，我们便得到了 ”大道至简“ 的 Rust 函数接口：

#[function("add(int, int) -> int")]
fn add(a: i32, b: i32) -> i32 {
  a + b
}

从用户的角度看，他只需要在自己熟悉的 Rust 函数上面标一个函数签名。其它的类型体操和代码生成操作都被隐藏在过程宏之后，完全无需关心。

此时我们已经拿到了一个函数所必须的全部信息，接下来我们将看到过程宏如何生成向量化执行所需的样板代码。

3. 展开?#[function]

3.1 解析函数签名

首先我们要实现类型反射，也就是分别解析 SQL 函数和 Rust 函数的签名，以此决定后面如何生成代码。在过程宏入口处我们会拿到两个?TokenStream，分别包含了标注信息和函数本体：

#[proc_macro_attribute]
pub fn function(attr: TokenStream, item: TokenStream) -> TokenStream {
  // attr: "add(int, int) -> int"
  // item: fn add(a: i32, b: i32) -> i32 { a + b }
  ...
}

我们使用?syn?库将?TokenStream?转为 AST，然后：

1. 解析 SQL 函数签名字符串，获取函数名、输入输出类型等信息。
2. 解析 Rust 函数签名，获取函数名、每个参数和返回值的类型模式、是否 async 等信息。

具体地：

• 对于参数类型，我们确定它是?T?或者?Option<T>。
• 对于返回值类型，我们将其识别为：T，Option<T>，Result<T>?，Result<Option<T>>?四种类型之一。

这将决定我们后面如何调用函数以及处理错误。

3.2 定义类型表

作为 trait 类型体操的代替方案，我们在过程宏中定义了这样一张类型表，来描述类型系统之间的对应关系，并且提供了相应的查询函数。

//  name    primitive   array prefix    data type
const TYPE_MATRIX: &str = "
    void        _       Null            Null
    boolean     _       Boolean         Boolean
    smallint    y       Int16           Int16
    int         y       Int32           Int32
    bigint      y       Int64           Int64
    real        y       Float32         Float32
    float       y       Float64         Float64
  ...
    varchar     _       String          Utf8
    bytea       _       Binary          Binary
    array       _       List            List
    struct      _       Struct          Struct
";

比如当我们拿到用户的函数签名后，

#[function("length(varchar) -> int")]

查表即可得知：

1. 第一个参数?varchar?对应的 array 类型为?StringArray
2. 返回值?int?对应的数据类型为?DataType::Int32，对应的 Builder 类型为?Int32Builder
3. 并非所有输入输出均为 primitive 类型，因此无法进行 SIMD 优化

在下面的代码生成中，这些类型将被填入到对应的位置。

3.3 生成求值代码

在代码生成阶段，我们主要使用?quote?库来生成并组合代码片段。最终生成的代码整体结构如下：

quote! {
  struct #struct_name;
  impl ScalarFunction for #struct_name {
    fn eval(&self, input: &RecordBatch) -> Result<ArrayRef> {
      #downcast_arrays
      let mut builder = #builder;
      #eval
      Ok(Arc::new(builder.finish()))
    }
  }
}

下面我们来逐个填写代码片段，首先是 downcast 输入 array：

let children_indices = (0..self.args.len());
let arrays = children_indices.map(|i| format_ident!("a{i}"));
let arg_arrays = children_indices.map(|i| format_ident!("{}", types::array_type(&self.args[*i])));

let downcast_arrays = quote! {
    #(
        let #arrays: &#arg_arrays = input.column(#children_indices).as_any().downcast_ref()
            .ok_or_else(|| ArrowError::CastError(...))?;
    )*
};

builder：

let builder_type = format_ident!("{}", types::array_builder_type(ty));
let builder = quote! { #builder_type::with_capacity(input.num_rows()) };

接下来是最关键的执行部分，我们先写出函数调用的那一行：

let inputs = children_indices.map(|i| format_ident!("i{i}"));
let output = quote! { #user_fn_name(#(#inputs,)*) };
// example: add(i0, i1)

然后考虑：这个表达式返回了什么类型呢？这需要根据 Rust 函数签名决定，它可能包含?Option，也可能包含?Result。我们进行错误处理，然后将其归一化到?Option<T>?类型：

let output = match user_fn.return_type_kind {
    T => quote! { Some(#output) },
    Option => quote! { #output },
    Result => quote! { Some(#output?) },
    ResultOption => quote! { #output? },
};
// example: Some(add(i0, i1))

下面考虑：这个函数接收什么样的类型作为输入？这同样需要根据 Rust 函数签名决定，每个参数可能是或不是?Option。如果函数不接受?Option?输入，但实际输入的却是?null，那么我们默认它的返回值就是?null，此时无需调用函数。因此，我们使用 match 语句来对输入参数做预处理：

let some_inputs = inputs.iter()
    .zip(user_fn.arg_is_option.iter())
    .map(|(input, opt)| {
        if *opt {
            quote! { #input }
        } else {
            quote! { Some(#input) }
        }
    });
let output = quote! {
  // 这里的 inputs 是从 array 中拿出来的 Option<T>
    match (#(#inputs,)*) {
    // 我们将部分参数 unwrap 后再喂给函数
        (#(#some_inputs,)*) => #output,
    // 如有 unwrap 失败则直接返回 null
        _ => None,
    }
};
// example:
// match (i0, i1) {
//     (Some(i0), Some(i1)) => Some(add(i0, i1)),
//     _ => None,
// }

此时我们已经拿到了一行的返回值，可以将它 append 到 builder 中：

let append_output = quote! { builder.append_option(#output); };

最后在外面套一层循环，对输入逐行操作：

let eval = quote! {
  for (i, (#(#inputs,)*)) in multizip((#(#arrays.iter(),)*)).enumerate() {
    #append_output
    }
};

如果一切顺利的话，过程宏展开生成的代码将如 2.1 节中所示的那样。

3.4 函数注册

到此为止我们已经完成了最核心、最困难的部分，即生成向量化求值代码。但是，用户该怎么使用生成的代码呢？

注意到一开始我们生成了一个 struct。因此，我们可以允许用户指定这个 struct 的名称，或者定义一套规范自动生成唯一的名称。这样用户就能在这个 struct 上调用函数了。

// 指定生成名为 Add 的 struct
#[function("add(int, int) -> int", output = "Add")]
fn add(a: i32, b: i32) -> i32 {
  a + b
}

// 调用生成的向量化求值函数
let input: RecordBatch = ...;
let output: RecordBatch = Add.eval(&input).unwrap();

不过在实际场景中，很少有这种使用特定函数的需求。更多是在项目中定义很多函数，然后在解析 SQL 查询时，动态地查找匹配的函数。为此我们需要一种全局的函数注册和查找机制。

问题来了：Rust 本身没有反射机制，如何在运行时获取所有由?#[function]?静态定义的函数呢？

答案是：利用程序的链接时（link time）特性，将函数指针等元信息放入特定的 section 中。程序链接时，链接器（linker）会自动收集分布在各处的符号（symbol）集中在一起。程序运行时即可扫描这个 section 获取全部函数了。

Rust 社区的 dtolnay 大佬为此需求做了两个开箱即用的库：linkme?和?inventory。其中前者是直接利用上述机制，后者是利用 C 标准的 constructor 初始化函数，但背后的原理没有本质区别。下面我们以?linkme?为例来演示如何实现注册机制。

首先我们需要在公共库（而不是 proc-macro）中定义函数签名的结构：

pub struct FunctionSignature {
    pub name: String,
    pub arg_types: Vec<DataType>,
    pub return_type: DataType,
    pub function: Box<dyn ScalarFunction>,
}

然后定义一个全局变量?REGISTRY?作为注册中心。它会在第一次被访问时利用 linkme 将所有?#[function]?定义的函数收集到一个 HashMap 中：

/// A collection of distributed `#[function]` signatures.
#[linkme::distributed_slice]
pub static SIGNATURES: [fn() -> FunctionSignature];

lazy_static::lazy_static! {
    /// Global function registry.
    pub static ref REGISTRY: FunctionRegistry = {
        let mut signatures = HashMap::<String, Vec<FunctionSignature>>::new();
        for sig in SIGNATURES {
            let sig = sig();
            signatures.entry(sig.name.clone()).or_default().push(sig);
        }
        FunctionRegistry { signatures }
    };
}

最后在?#[function]?过程宏中，我们为每个函数生成如下代码：

#[linkme::distributed_slice(SIGNATURES)]
fn #sig_name() -> FunctionSignature {
    FunctionSignature {
        name: #name.into(),
        arg_types: vec![#(#args),*],
        return_type: #ret,
    // 这里 #struct_name 就是我们之前生成的函数结构体
        function: Box::new(#struct_name),
    }
}

如此一来，用户就可以通过?FunctionRegistry?提供的方法动态查找函数并进行求值了：

let gcd = REGISTRY.get("gcd", &[Int32, Int32], &Int32);
let output: RecordBatch = gcd.function.eval(&input).unwrap();

3.5 小结

以上我们完整阐述了?#[function]?过程宏的工作原理和实现过程：

1. 使用?syn?库解析函数签名
2. 使用?quote?库生成定制化的向量化求值代码
3. 使用?linkme?库实现函数的全局注册和动态查找

其中：

• SQL 签名决定了如何从 input array 中读取数据，如何生成 output array
• Rust 签名决定了如何调用用户的 Rust 函数，如何处理空值和错误
• 类型查找表决定了 SQL 类型和 Rust 类型的映射关系

相比 trait + 声明宏的解决方案，过程宏中的 “过程式” 风格为我们提供了极大的灵活性，一揽子解决了之前提到的全部问题。在下一章中，我们将会在这个框架的基础上继续扩展，解决更多实际场景下的复杂需求。

44. 高级功能

抽象的问题是简单的，但现实的需求是复杂的。上面的原型看似解决了所有问题，但在 RisingWave 的实际工程开发中，我们遇到了各种稀奇古怪的需求，都无法用最原始的?#[function]?宏实现。下面我们来逐一介绍这些问题，并利用过程宏的灵活性见招拆招。

4.1 支持多类型重载

有些函数支持大量不同类型的重载，例如 + 运算对几乎支持所有数字类型。此时我们一般会复用同一个泛型函数，然后用不同的类型去实例化它。

#[function("add(*int, *int) -> auto")]
#[function("add(*float, *float) -> auto")]
#[function("add(decimal, decimal) -> decimal")]
#[function("add(interval, interval) -> interval")]
fn add<T1, T2, T3>(l: T1, r: T2) -> Result<T3>
where
    T1: Into<T3> + Debug,
    T2: Into<T3> + Debug,
    T3: CheckedAdd<Output = T3>,
{
    a.into().checked_add(b.into()).ok_or(ExprError::NumericOutOfRange)
}

因此我们支持在同一个函数上同时标记多个#[function]?宏。此外，我们还支持使用类型通配符将一个#[function]?自动展开成多个，并使用?auto?自动推断返回类型。例如?*int?通配符表示全部整数类型?int2, int4, int8，那么?add(*int, *int)?将展开为 3 x 3 = 9 种整数的组合，返回值自动推断为两种类型中最大的一个：

#[function("add(int2, int2) -> int2")]
#[function("add(int2, int4) -> int4")]
#[function("add(int2, int8) -> int8")]
#[function("add(int4, int4) -> int4")]
...

而如果泛型不能满足一些特殊类型的要求，你也完全可以定义新函数进行特化（specialization）：

#[function("add(interval, timestamp) -> timestamp")]
fn interval_timestamp_add(l: Interval, r: Timestamp) -> Result<Timestamp> {
    r.checked_add(l).ok_or(ExprError::NumericOutOfRange)
}

这一特性帮助我们快速实现函数重载，同时避免了冗余代码。

4.2 自动 SIMD 优化

作为零开销抽象语言，Rust 从不向性能妥协，#[function]?宏也是如此。对于很多简单函数，理论上可以利用 CPU 内置的 SIMD 指令实现上百倍的性能提升。然而，编译器往往只能对简单的循环结构实现自动 SIMD 向量化。一旦循环中出现分支跳转等复杂结构，自动向量化就会失效。

// 简单循环支持自动向量化
assert_eq!(a.len(), n);
assert_eq!(b.len(), n);
assert_eq!(c.len(), n);
for i in 0..n {
  c[i] = a[i] + b[i];
}

// 一旦出现分支结构，如错误处理、越界检查等，自动向量化就会失效
for i in 0..n {
  c.push(a[i].checked_add(b[i])?);
}

不幸的是，我们前文中生成的代码结构并不利于编译器进行自动向量化，因为循环中的?builder.append_option()?操作本身就自带条件分支。

为了支持自动向量化，我们需要对代码生成逻辑进一步特化：

1. 首先根据函数签名判断这个函数能否实现 SIMD 优化。这需要满足以下两个主要条件：
   1. 所有输入输出类型均为基础类型，即 boolean, int, float, decimal
   2. Rust 函数的输入类型均不含?Option，输出不含?Option?和?Result

#[function("equal(int, int) -> boolean")]
fn equal(a: i32, b: i32) -> bool {
		a == b
}

?

1. 一旦上述条件满足，我们会对?#eval?代码段进行特化，将其替换为这样的代码，调用 arrow-rs 内置的?unary?和?binary?kernel 实现自动向量化：

// SIMD optimization for primitive types
match self.args.len() {
    0 => quote! {
        let c = #ret_array_type::from_iter_values(
            std::iter::repeat_with(|| #user_fn_name()).take(input.num_rows())
        );
        let array = Arc::new(c);
    },
    1 => quote! {
        let c: #ret_array_type = arrow_arith::arity::unary(a0, #user_fn_name);
        let array = Arc::new(c);
    },
    2 => quote! {
        let c: #ret_array_type = arrow_arith::arity::binary(a0, a1, #user_fn_name)?;
        let array = Arc::new(c);
    },
    n => todo!("SIMD optimization for {n} arguments"),
}

需要注意，如果用户函数本身包含分支结构，那么自动向量化也是无效的。我们只是尽力为编译器创造了实现优化的条件。另一方面，这一优化也不是完全安全的，它会使得原本为 null 的输入强制执行。例如整数除法?a / b，如果 b 为 null，原本不会执行，现在却会执行?a / 0，导致除零异常而崩溃。这种情况下我们只能修改函数签名，避免生成特化代码。

整体而言，实现这一功能后，用户编写代码不需要有任何变化，但是部分函数的性能得到了大幅提高。这对于高性能数据处理系统而言是必须的。

4.3 返回字符串直接写入 buffer

很多函数会返回字符串。但是朴素地返回?String?会导致大量动态内存分配，降低性能。

#[function("concat(varchar, varchar) -> varchar")]
fn concat(left: &str, right: &str) -> String {
    format!("{left}{right}")
}

注意到列式内存存储中，StringArray?实际上是把多个字符串存放在一段连续的内存上，构建这个数组的?StringBuilder?实际上也只是将字符串追加写入同一个 buffer 里。因此函数返回?String?是没有必要的，它可以直接将字符串写入?StringBuilder?的 buffer 中。

于是我们支持对返回字符串的函数添加一个?&mut Write?类型的 writer 参数。内部可以直接用?write!?方法向 writer 写入返回值。

#[function("concat(varchar, varchar) -> varchar")]
fn concat(left: &str, right: &str, writer: &mut impl std::fmt::Write) {
    writer.write_str(left).unwrap();
    writer.write_str(right).unwrap();
}

在过程宏的实现中，我们主要修改了函数调用部分：

let writer = user_fn.write.then(|| quote! { &mut builder, });
let output = quote! { #user_fn_name(#(#inputs,)* #writer) };

以及特化?append_output?的逻辑：

let append_output = if user_fn.write {
    quote! {{
        if #output.is_some() { // 返回值直接在这行写入 builder
            builder.append_value("");
        } else {
            builder.append_null();
        }
    }}
} else {
  quote! { builder.append_option(#output); }
};

经过测试，这一功能也可以大幅提升字符串处理函数的性能。

4.4 常量预处理优化

有些函数的某个参数往往是一个常量，并且这个常量需要经过一个开销较大的预处理过程。这类函数的典型代表是正则表达式匹配：

// regexp_like(source, pattern)
#[function("regexp_like(varchar, varchar) -> boolean")]
fn regexp_like(text: &str, pattern: &str) -> Result<bool> {
  let regex = regex::Regex::new(pattern)?; // 预处理：编译正则表达式
  Ok(regex.is_match(text))
}

对于一次向量化求值来说，如果输入的?pattern?是常数（very likely），那么其实只需要编译一次，然后用编译后的数据结构对每一行文本进行匹配即可。但如果不是常数（unlikely，但是合法行为），则需要对每一行?pattern?编译一次再执行。

为了支持这一需求，我们修改用户接口，将特定参数的预处理过程提取到过程宏中，然后把预处理后的类型作为参数：

#[function(
    "regexp_like(varchar, varchar) -> boolean",
    prebuild = "Regex::new($1)?" // $1 表示第一个参数（下标从0开始）
)]
fn regexp_like(text: &str, regex: &Regex) -> bool {
    regex.is_match(text)
}

这样，过程宏可以对这个函数生成两个版本的代码：

1. 如果指定参数为常量，那么在构造函数中执行?prebuild?代码，并将生成的?Regex?中间值存放在 struct 当中，在求值阶段直接传入函数。
2. 如果不是常量，那么在求值阶段将?prebuild?代码嵌入到函数参数的位置上。

至于具体的代码生成逻辑，由于细节相当复杂，这里就不再展开介绍了。

总之，这一优化保证了此类函数各种输入下都具有最优性能，并且极大简化了手工实现的复杂性。

4.5 表函数

最后，我们来看表函数（Table Function，Postgres 中也称 Set-returning Funcion，返回集合的函数）。这类函数的返回值不再是一行，而是多行。如果同时返回多列，那么就相当于返回一个表。

select * from generate_series(1, 3);
 generate_series 
-----------------
               1
               2
               3

对应到常见的编程语言中，实际是一个生成器函数（Generator）。以 Python 为例，可以写成这样：

def generate_series(start, end):
    for i in range(start, end + 1):
        yield i

Rust 语言目前在 nightly 版本支持生成器，但这一特性尚未 stable。不过如果不用 yield 语法的话，我们可以利用 RPIT 特性实现返回迭代器的函数，以达到同样的效果：

#[function("generate_series(int, int) -> setof int")]
fn generate_series(start: i32, stop: i32) -> impl Iterator<Item = i32> {
    start..=stop
}

我们支持在?#[function]?签名中使用?-> setof?以声明一个表函数。它修饰的 Rust 函数必须返回一个?impl Iterator，其中的?Item?需要匹配返回类型。当然，Iterator?的内外都可以包含?Option?或?Result。

在对表函数进行向量化求值时，我们会对每一行输入调用生成器函数，然后将每一行返回的多行结果串联起来，最后按照固定的 chunk size 进行切割，依次返回多个?RecordBatch。因此表函数的向量化接口长这个样子：

pub trait TableFunction {
  fn eval(&self, input: &RecordBatch, chunk_size: usize) 
    -> Result<Box<dyn Iterator<Item = Result<RecordBatch>>>>;
}

我们给出一组?generate_series?的输入输出样例（假设 chunk size = 2）：

input                output
+-------+------+     +-----+-----------------+
| start | stop |     | row | generate_series |
+-------+------+     +-----+-----------------+
| 0     | 0    |---->| 0   | 0               |
|       |      |  +->| 2   | 0               |
| 0     | 2    |--+  +-----+-----------------+
+-------+------+     | 2   | 1               |
                     | 2   | 2               |
                     +-----+-----------------+

由于表函数的输入输出不再具有一对一的关系，我们在 output 中会额外生成一列?row?来表示每一行输出对应 input 中的哪一行输入。这一关系信息会在某些 SQL 查询中被使用到。

回到?#[function]?宏的实现，它为表函数生成的代码实际上也是一个生成器。我们在内部使用了?futures_async_stream?提供的?#[try_stream]?宏实现 async generator（它依赖 nightly 的 generator 特性），在 stable 版本中则使用?genawaiter?代替。之所以要使用生成器，则是因为一个表函数可能会生成非常长的结果（例如?generate_series(0, 1000000000)），中途必须把控制权交还调用者，才能保证系统不被卡死。感兴趣的读者可以思考一下：如果没有 generator 机制，高效的向量化表函数求值能否实现？如何实现？

说到这里，多扯两句。genawaiter 也是个很有意思的库，它使用 async-await 机制来在 stable Rust 中实现 generator。我们知道 async-await 本质上也是一种 generator，它们都依赖编译器的 CPS 变换实现状态机。不过出于对异步编程的强烈需求，async-await 很早就被稳定化，而 generator 却迟迟没有稳定。由于背后的原理相通，它们可以互相实现。 此外，目前 Rust 社区正在积极推动 async generator 的进展，原生的? [async gen](https://github.com/rust-lang/rust/pull/118420)?和? [for await](https://github.com/rust-lang/rust/pull/118847)?语法刚刚在上个月进入 nightly。不过由于没有和 futures 生态对接，整体依然处于不可用状态。RisingWave 的流处理引擎就深度依赖 async generator 机制实现流算子，以简化异步 IO 下的流状态管理。不过这又是一个庞大的话题，之后有机会再来介绍这方面的应用吧。

5. 总结

由于篇幅所限，我们只能展开这么多了。如你所见，一个简单的函数求值背后，隐藏着非常多的设计和实现细节：

• 为了高性能，我们选择列式内存存储和向量化求值。
• 存储数据的容器通常是类型擦除的结构。但 Rust 是一门静态类型语言，用户定义的函数是强类型的签名。这意味着我们需要在编译期确定每一个容器的具体类型，做类型体操来处理不同类型之间的转换，准确地把数据从容器中取出来喂给函数，最后高效地将函数吐出来的结果打包回数据容器中。
• 为了将上述过程隐藏起来，我们设计了?#[function]?过程宏在编译期做类型反射和代码生成，最终暴露给用户一个尽可能简单直观的接口。
• 但是实际工程中存在各种复杂需求以及对性能的要求，我们必须持续在接口上打洞，并对代码生成逻辑进行特化。幸好，过程宏具有非常强的灵活性，使得我们可以敏捷地应对变化的需求。

#[function]?宏最初是为 RisingWave 内部函数实现的一套框架。最近，我们将它从 RisingWave 项目中独立出来，基于 Apache Arrow 标准化成一套通用的用户定义函数接口?arrow-udf。如果你的项目也在使用 arrow-rs 进行数据处理，现在可以直接使用这套?#[function]?宏定义自己的函数。如果你在使用 RisingWave，那么从这个月底发布的 1.7 版本起，你可以使用这个库来定义 Rust UDF。它可以编译成 WebAssembly 模块插入到 RisingWave 中运行。感兴趣的读者也可以阅读这个项目的源码了解更多实现细节。

事实上，RisingWave 基于 Apache Arrow 构建了一整套用户定义函数接口。此前，我们已经实现了服务器模式的 Python 和 Java UDF。最近，我们又基于 WebAssembly 实现了 Rust UDF，基于 QuickJS 实现了 JavaScript UDF。它们都可以嵌入到 RisingWave 中运行，以实现更好的性能和用户体验。在下一篇文章中，我们将系统介绍 RisingWave UDF 的设计与实现。敬请期待！

---

RisingWave 是一款基于 Apache 2.0 协议开源的分布式流数据库，致力于为用户提供极致简单、高效的流数据处理与管理能力。RisingWave 采用存算分离架构，实现了高效的复杂查询、瞬时动态扩缩容以及快速故障恢复，并助力用户极大地简化流计算架构，轻松搭建稳定且高效的流计算应用。RisingWave 始终聆听来自社区的声音，并积极回应用户的反馈。目前，RisingWave 已汇聚了近 150 名开源贡献者和近 3000 名社区成员。全球范围内，已有上百个 RisingWave 集群在生产环境中部署。

了解更多：

官网：?risingwave.com

教程：risingwavetutorial.com

GitHub：risingwave.com/github

微信公众号：RisingWave中文开源社区

社区用户交流群：risingwave_assistant