在每个函数调用上导入 Redshift Python UDF

Posted 2023-03-30

【中文标题】在每个函数调用上导入 Redshift Python UDF

【英文标题】：Redshift Python UDFs Import on Every Function Call

【发布时间】：2016-08-12 19:29:44

【问题描述】：

我开始学习 Redshift 中的 Python 用户定义函数，我有几个问题需要澄清。假设我已经定义了以下函数：

CREATE OR REPLACE FUNCTION f_parse_url_query_string(url VARCHAR(MAX))
RETURNS varchar(max)
STABLE
AS $$
    from urlparse import urlparse, parse_qsl
    import json
    return json.dumps(dict(parse_qsl(urlparse(url)[4])))
$$ LANGUAGE plpythonu;

这是每次调用函数时都会运行imports，还是由 Redshift 编译并仅导入一次？

我的第二个问题是是否有办法返回可变数据类型。例如，如果我想创建一个获取嵌套 json 字段值的函数，则结果可以是从字符串到整数或布尔值的任何内容。有没有办法在函数返回类型上创建自动检测？

【参考方案1】：

执行

是的，import 每次都会执行。

避免这种情况的一种方法是使用IMMUTABLE 作为函数的易变性。这允许 Redshift 缓存给定输入值的函数输出，避免将来需要为相同的输入值运行 Python 函数。

返回值

返回值的数据类型是固定的，不能更改。 可以为不同的函数名或不同的输入类型定义不同的返回值（例如定义一个函数，它接受一个整数并返回一个整数，然后是另一个具有相同名称但输入类型为字符串的函数，该函数返回一个字符串作为输出）。

此外，使用返回不同输出数据类型的函数将非常困难——调用 UDF 的 SQL 语句需要特定的数据类型，而不是更改的数据类型。

【参考方案2】：

进口

是和不是。 Redshift 在语句中重用 udf 执行环境（甚至可能在整个事务中，但我还没有测试过）。虽然确实每次在处理导入语句时调用函数时都会处理导入语句，但 cpython 会快速检查模块是否已导入，如果已导入，则使用已导入的模块。像这样的函数本地（后期）导入经常用于解决循环依赖问题，因此必须具有高性能。我还使用它来解决 udf 中缺少全局初始化的问题，方法是执行以下操作：

if '_cache' not in globals(): import thing globals()['_cache'] = thing.build_cache() return _cache.get(arg)

除了 udf 之外，我不会在任何地方做任何事情，但这并不是完全通用的代码。

关于 udf 执行环境，它显然是 impl-detail，不应过分依赖，但实际上它不太可能很快发生重大变化。无法保证任何特定进程的寿命有多长/它将处理多少行，但只要他们可以保留它们符合他们的利益，因为 cpython 进程（和容器）的创建并不便宜 - 当然对每一行来说太重了。他们依赖 lxc 进行隔离，并为您提供一个真实的（如果是沙盒）Linux 环境来执行（如果您考虑一下，这对于用户安装的本机扩展确实是必要的）。文件系统上甚至还有一些文档可供那些愿意挖掘的人使用:)

返回值

虽然返回值的数据类型确实无法更改，但 redshift（现在？）支持参数和返回类型的 ANYELEMENT 数据类型。如上一个答案所述，它仍然需要一个明确的类型化参数，因为仍然不支持返回类型多态性，但它至少可以省去为要返回的每种类型创建单独函数的麻烦。