如何用Rust过程宏魔法简化SQL函数呢？

背景介绍

#[function("length(varchar)->int4")]
pubfnchar_length(s:&str)->i32{
s.chars().count()asi32
}

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=>selectlength('RisingWave');
length
--------
11
(1row)

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)->setofint4")]
#[function("generate_series(int8,int8)->setofint8")]
fngenerate_series(start:T,stop:T)->implIterator{
start..=stop
}

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

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

dev=>selectmax(x)fromgenerate_series(1,3)t(x);
max
-----
3
(1row)

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：

函数执行的过程是怎样的？

为什么选择使用过程宏实现？

这个宏是如何展开的？生成了怎样的代码？

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：

pubtraitScalarFunction{
///Callthefunctiononeachrowandreturnresultsasanarray.
fneval(&self,input:&RecordBatch)->Result;
}

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

//对于每一种函数，我们需要定义一个struct
structAdd;

//并为之实现ScalarFunctiontrait
implScalarFunctionforAdd{
//在此方法中实现向量化批处理
fneval(&self,input:&RecordBatch)->Result{
//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，也就是一个**类型擦除**的数组
leta0:Arc=input.columns(0);
leta1:Arc=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
leta0:&Int32Array=a0.as_any().downcast_ref().context("typemismatch")?;
leta1:&Int32Array=a1.as_any().downcast_ref().context("typemismatch")?;

//在求值前，我们还需要准备好一个arraybuilder存储返回值
letmutbuilder=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)ina0.iter().zip(a1.iter()){
//这里我们拿到的v0和v1是Option类型
//对于add函数来说
letres=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arraybuilder
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：

fnadd(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[1]」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[2] 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：

pubfnbinary(
a:&PrimitiveArray,
b:&PrimitiveArray,
op:F
)->Result,ArrowError>
where
A:ArrowPrimitiveType,
B:ArrowPrimitiveType,
O:ArrowPrimitiveType,
F:Fn(::Native,::Native)->::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：

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。

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。

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：

fnadd(i32,i32)->i32;
fnchecked_add(i32,i32)->Result;
fnoptional_add(i32,Option)->Option;

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 unary binary ternary unary_nullable unary_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[3]）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, Result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),*],
//comparisonacrossintegertypes
{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：

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。

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。

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。

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')
defadd(i,j):
returni+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：

publicstaticclassSubstringFunctionextendsScalarFunction{
publicStringeval(Strings,Integerbegin,Integerend){
returns.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[4]」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：

语言	类型反射	代码生成	灵活性	性能
Python	运行时	—
Java	运行时	运行时
Zig	编译时	编译时
Rust (trait + macro_rules)	—	编译时

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")]
fnadd(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]
pubfnfunction(attr:TokenStream,item:TokenStream)->TokenStream{
//attr:"add(int,int)->int"
//item:fnadd(a:i32,b:i32)->i32{a+b}
...
}

我们使用 syn 库将 TokenStream 转为 AST，然后：

解析 SQL 函数签名字符串，获取函数名、输入输出类型等信息。

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。

对于返回值类型，我们将其识别为：T，Option，Result ，Result> 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。

//nameprimitivearrayprefixdatatype
constTYPE_MATRIX:&str="
void_NullNull
boolean_BooleanBoolean
smallintyInt16Int16
intyInt32Int32
bigintyInt64Int64
realyFloat32Float32
floatyFloat64Float64
...
varchar_StringUtf8
bytea_BinaryBinary
array_ListList
struct_StructStruct
";

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：

第一个参数 varchar 对应的 array 类型为 StringArray

返回值 int 对应的数据类型为 DataType::Int32，对应的 Builder 类型为 Int32Builder

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;
implScalarFunctionfor#struct_name{
fneval(&self,input:&RecordBatch)->Result{
#downcast_arrays
letmutbuilder=#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：

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

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

builder：

letbuilder_type=format_ident!("{}",types::array_builder_type(ty));
letbuilder=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：

letinputs=children_indices.map(|i|format_ident!("i{i}"));
letoutput=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 类型：

letoutput=matchuser_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：

letsome_inputs=inputs.iter()
.zip(user_fn.arg_is_option.iter())
.map(|(input,opt)|{
if*opt{
quote!{#input}
}else{
quote!{Some(#input)}
}
});
letoutput=quote!{
//这里的inputs是从array中拿出来的Option
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：

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

最后在外面套一层循环，对输入逐行操作：

leteval=quote!{
for(i,(#(#inputs,)*))inmultizip((#(#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")]
fnadd(a:i32,b:i32)->i32{
a+b
}

//调用生成的向量化求值函数
letinput:RecordBatch=...;
letoutput: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[5] 和 inventory[6]。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：

pubstructFunctionSignature{
pubname:String,
pubarg_types:Vec,
pubreturn_type:DataType,
pubfunction:Box,
}

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：

///Acollectionofdistributed`#[function]`signatures.
#[linkme::distributed_slice]
pubstaticSIGNATURES:[fn()->FunctionSignature];

lazy_static::lazy_static!{
///Globalfunctionregistry.
pubstaticrefREGISTRY:FunctionRegistry={
letmutsignatures=HashMap::>::new();
forsiginSIGNATURES{
letsig=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：

letgcd=REGISTRY.get("gcd",&[Int32,Int32],&Int32);
letoutput: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：

使用 syn 库解析函数签名

使用 quote 库生成定制化的向量化求值代码

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。

4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")]
fnadd(l:T1,r:T2)->Result
where
T1:Into+Debug,
T2:Into+Debug,
T3:CheckedAdd,
{
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")]
fninterval_timestamp_add(l:Interval,r:Timestamp)->Result{
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);
foriin0..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
foriin0..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：

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：

比如：

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

所有输入输出类型均为基础类型，即 boolean, int, float, decimal

Rust 函数的输入类型均不含 Option，输出不含 Option 和 Result

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：

//SIMDoptimizationforprimitivetypes
matchself.args.len(){
0=>quote!{
letc=#ret_array_type::from_iter_values(
std::repeat_with(||#user_fn_name()).take(input.num_rows())
);
letarray=Arc::new(c);
},
1=>quote!{
letc:#ret_array_type=arrow_arith::unary(a0,#user_fn_name);
letarray=Arc::new(c);
},
2=>quote!{
letc:#ret_array_type=arrow_arith::binary(a0,a1,#user_fn_name)?;
letarray=Arc::new(c);
},
n=>todo!("SIMDoptimizationfor{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")]
fnconcat(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")]
fnconcat(left:&str,right:&str,writer:&mutimplstd::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：

letwriter=user_fn.write.then(||quote!{&mutbuilder,});
letoutput=quote!{#user_fn_name(#(#inputs,)*#writer)};

以及特化 append_output 的逻辑：

letappend_output=ifuser_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")]
fnregexp_like(text:&str,pattern:&str)->Result{
letregex=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）
)]
fnregexp_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：

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。

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*fromgenerate_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：

defgenerate_series(start,end):
foriinrange(start,end+1):
yieldi

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)->setofint")]
fngenerate_series(start:i32,stop:i32)->implIterator{
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：

pubtraitTableFunction{
fneval(&self,input:&RecordBatch,chunk_size:usize)
->Result>>>;
}

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

inputoutput
+-------+------++-----+-----------------+
|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[7]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[8]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[9]和for await[10]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[11]。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。

审核编辑：刘清