【PostgreSQL内核学习：哈希聚合（HashAgg）执行流程与函数调用关系分析】

J.Kuchiki2025-10-03 18:49

PostgreSQL内核学习：HashAgg

  • 引言
  • [简单案例描述：使用哈希聚合处理 DISTINCT 查询](#简单案例描述：使用哈希聚合处理 DISTINCT 查询)
  • 源码解读
    • [create_agg_plan 函数](#create_agg_plan 函数)
    • [ExecInitAgg 函数](#ExecInitAgg 函数)
      • [ExecInitAgg 函数的大致流程](#ExecInitAgg 函数的大致流程)
      • [ExecInitAgg 函数的细化流程](#ExecInitAgg 函数的细化流程)
      • [Mermaid 流程图](#Mermaid 流程图)
    • [ExecAgg 函数](#ExecAgg 函数)
      • [ExecAgg 函数的细化流程](#ExecAgg 函数的细化流程)
      • 示例查询关联
      • [Mermaid 流程图（细化分支逻辑）](#Mermaid 流程图（细化分支逻辑）)
    • [agg_fill_hash_table 函数](#agg_fill_hash_table 函数)
      • 示例查询关联
      • [Mermaid 流程图（细化分支逻辑）](#Mermaid 流程图（细化分支逻辑）)
    • [lookup_hash_entries 函数](#lookup_hash_entries 函数)
      • 示例查询关联
      • [Mermaid 流程图（原始逻辑）](#Mermaid 流程图（原始逻辑）)
    • [hashagg_finish_initial_spills 函数](#hashagg_finish_initial_spills 函数)
      • 示例查询关联
      • [Mermaid 流程图（原始逻辑）](#Mermaid 流程图（原始逻辑）)
    • [agg_retrieve_hash_table 函数](#agg_retrieve_hash_table 函数)
      • 示例查询关联
      • [Mermaid 流程图（原始逻辑）](#Mermaid 流程图（原始逻辑）)
    • [agg_retrieve_hash_table_in_memory 函数](#agg_retrieve_hash_table_in_memory 函数)
      • 示例查询关联
      • [Mermaid 流程图（原始逻辑）](#Mermaid 流程图（原始逻辑）)
    • [agg_retrieve_direct 函数](#agg_retrieve_direct 函数)
      • 示例查询关联
      • [Mermaid 流程图（原始逻辑）](#Mermaid 流程图（原始逻辑）)
  • 总结

声明 ：本文的部分内容参考了他人的文章。在编写过程中，我们尊重他人的知识产权和学术成果，力求遵循合理使用原则，并在适用的情况下注明引用来源。

本文主要参考了 postgresql-18 beta2 的开源代码和《PostgresSQL数据库内核分析》一书

引言

在关系型数据库的世界中，高效处理涉及分组 和聚合 的查询对于性能至关重要，尤其是在处理大规模数据集时。PostgreSQL 作为一个强大的开源数据库，提供了多种执行聚合查询的策略，其中之一就是哈希聚合（Hash Aggregation，通常称为 HashAgg）。这种机制通过使用内存中的哈希表来处理 GROUP BY、DISTINCT 以及聚合函数（如 COUNT、SUM、AVG 等），在特定场景下展现出卓越的性能。

哈希聚合在分组数量相对较少、输入数据量较大的情况下表现尤为出色，相比其他策略（如基于排序的 GroupAggregate），它在某些场景下能够显著提升性能。然而，其效率受到内存可用性、数据分布以及查询特性的影响。深入理解哈希聚合的工作原理、内部实现以及优缺点，对于数据库开发者、管理员以及希望优化查询性能的用户来说至关重要。

本文档旨在为 PostgreSQL 的哈希聚合提供一个全面的介绍。我们将探讨其核心概念、PostgreSQL 源代码中的实现细节、执行流程以及调优和优化的实际建议。无论你是 PostgreSQL 的贡献开发者、优化查询的数据库管理员，还是对数据库内部机制感兴趣的学习者，本文档都将为你提供深入理解和有效利用 HashAgg 的知识。

简单案例描述：使用哈希聚合处理 DISTINCT 查询

背景

在 PostgreSQL 中，SELECT DISTINCT 是一种常见的查询操作，用于从数据集中提取唯一值。当查询涉及 DISTINCT 且不包含 ORDER BY 或复杂的聚合函数时，PostgreSQL 优化器通常会选择哈希聚合（HashAgg） 策略，通过构建内存中的哈希表来高效去除重复值。本案例将通过一个具体的 SQL 查询，展示哈希聚合的工作原理，并分析其查询计划。

SQL 查询和数据集

sql 复制代码 
DROP TABLE IF EXISTS t1;
CREATE TABLE t1 (a int, b text);

INSERT INTO t1
SELECT (i % 100), md5(i::text)
FROM generate_series(1, 1000) g(i);
ANALYZE t1;

-- 查询 SELECT DISTINCT a FROM t1 LIMIT 10 的目标是从 t1 表中提取 a 列的唯一值，并限制返回前 10 个结果。
-- 预期结果：返回 10 个不同的 a 值（例如 0 到 9），具体顺序可能因哈希聚合的无序性而变化。
EXPLAIN (ANALYZE, BUFFERS, VERBOSE)
SELECT DISTINCT a FROM t1 LIMIT 10;
Limit  (cost=21.50..21.60 rows=10 width=4) (actual time=0.723..0.728 rows=10 loops=1)
   Output: a
   Buffers: shared hit=9
   ->  HashAggregate  (cost=21.50..22.50 rows=100 width=4) (actual time=0.721..0.725 rows=10 loops=1)
         Output: a
         Group Key: t1.a
         Batches: 1  Memory Usage: 24kB
         Buffers: shared hit=9
         ->  Seq Scan on public.t1  (cost=0.00..19.00 rows=1000 width=4) (actual time=0.018..0.198 rows=1000 loops=1)
               Output: a, b
               Buffers: shared hit=9
 Planning:
   Buffers: shared hit=5
 Planning Time: 0.131 ms
 Execution Time: 0.767 ms

执行计划分解

  1. 顶层节点：Limit

    • 作用 ：限制输出结果为前 10 行。
    • 成本 ：估计成本为 21.50..21.60，实际执行时间为 0.723..0.728 ms，返回 10 行。
    • 说明 ：Limit 节点从其子节点（HashAggregate）获取数据，一旦收集到 10 行就停止处理，体现了 PostgreSQL 的优化能力（避免处理不必要的数据）。

  2. 中间节点 ：HashAggregate

    • 作用 ：执行 DISTINCT 操作，通过哈希聚合去除 a 列的重复值。
    • 成本 ：估计成本为 21.50..22.50，实际执行时间为 0.721..0.725 ms。
    • 关键信息 ：
      • Group Key : t1.a：聚合基于 a 列进行，哈希表以 a 的值作为键。
      • Batches: 1 ：表示所有数据都在内存中处理，未发生磁盘溢出（spill to disk）。
      • Memory Usage: 24kB ：哈希表使用了 24kB 的内存，远低于默认的 work_mem（通常为 4MB），说明数据量较小，内存足以容纳所有唯一值。
    • 说明 ：HashAggregate 构建一个哈希表，将 a 列的每个唯一值存储为键。由于 Limit 节点限制了输出，HashAggregate 在收集到 10 个唯一值后可能提前终止（如果优化器支持早停优化）。

  3. 底层节点 ：Seq Scan

    • 作用 ：对表 t1 执行顺序扫描，读取所有 1000 行数据。
    • 成本 ：估计成本为 0.00..19.00，实际执行时间为 0.018..0.198 ms。
    • 缓冲区 ：Buffers: shared hit=9 表示读取了 9 个缓冲块（每个块 8kB），数据可能已缓存。
    • 说明 ：顺序扫描适合小表或无索引的场景，这里从 t1 读取所有行并传递给 HashAggregate。

  4. 规划和执行时间

    • Planning Time: 0.131 ms：查询规划时间短，表明优化器快速选择了合适的计划。
    • Execution Time: 0.767 ms：总执行时间非常短，适合小规模数据。

哈希聚合的工作原理总结

哈希聚合（HashAgg）是 PostgreSQL 处理 GROUP BY 或 DISTINCT 查询的一种高效策略，通过在内存中构建哈希表来实现快速分组和去重。以示例查询 SELECT DISTINCT a FROM t1 LIMIT 10 为例，HashAgg 的工作机制包括以下步骤：首先 ，底层 Seq Scan 节点顺序读取表 t1 的 1000 行数据，提取 a 列值；然后 ，HashAggregate 节点为 a 列的每个值计算哈希值，插入到一个以 a 值作为键的哈希表中，若值已存在则跳过，从而实现去重；最后 ，Limit 节点从哈希表中获取前 10 个唯一值后停止处理。本例中，哈希表仅占用 24kB 内存（远低于 work_mem），无需磁盘溢出，执行时间仅为 0.725 毫秒，展现了哈希聚合在小规模唯一值场景下的高效性。

关键观察点：为什么选择 HashAgg？

优化器选择 HashAgg 的原因在于其对 DISTINCT 查询的高效支持和本例查询特性的契合。首先 ，查询使用 DISTINCT 且无 ORDER BY，适合用哈希表快速去重 ，而非基于排序的 GroupAggregate。其次 ，统计信息（通过 ANALYZE t1）显示 a 列有约 100 个唯一值，数量较小，哈希表内存占用低（24kB），无需磁盘溢出 。此外 ，Limit 10 允许提前终止，进一步减少处理开销。相比排序策略，HashAgg 在无序输出和小规模分组场景下具有更低的计算复杂度和内存需求，因此成为优化器的首选。

源码解读

create_agg_plan 函数

以下是为 create_agg_plan 函数添加中文注释的代码版本，并结合示例查询 EXPLAIN (ANALYZE, BUFFERS, VERBOSE) SELECT DISTINCT a FROM t1 LIMIT 10; 解释每行代码的作用。注释将清晰说明函数的逻辑，并与查询计划关联，帮助大家来理解哈希聚合（HashAgg）计划的生成过程。

c 复制代码 
/*
 * create_agg_plan
 *
 * 创建一个 Agg 计划节点，用于实现最佳路径（best_path）及其子路径的递归计划。
 * 参数：
 *   root - 规划器的全局信息，包含查询上下文和统计信息。
 *   best_path - 优化器选择的最佳聚合路径（AggPath）。
 * 返回值：
 *   Agg* - 创建的聚合计划节点。
 * 
 *   作用：create_agg_plan 是优化器中生成聚合计划的入口函数。root 包含查询的全局上下文（如 t1 表的统计信息），best_path 是优化器选择的最佳路径（本例中为 AggPath，指定了 HashAggregate 策略）。
 *   查询关联：对于 SELECT DISTINCT a FROM t1 LIMIT 10，优化器分析查询后确定使用 HashAggregate（因为 DISTINCT 无 ORDER BY），并通过 AggPath 传递聚合策略和子路径（Seq Scan）。
 */
static Agg *
create_agg_plan(PlannerInfo *root, AggPath *best_path)
{
	Agg		   *plan;          // 聚合计划节点
	Plan	   *subplan;       // 子计划（底层扫描或连接计划）
	List	   *tlist;         // 目标列表（输出列）
	List	   *quals;         // 限定条件（WHERE 或 HAVING 子句）

	/*
	 * Agg 节点可以投影输出，因此对子计划的目标列表要求不严格，
	 * 但需要确保分组列（grouping columns）在子计划中可用。
	 */
	subplan = create_plan_recurse(root, best_path->subpath, CP_LABEL_TLIST);

	/*
	 * 构建 Agg 计划节点的目标列表，基于最佳路径的输出列。
	 */
	tlist = build_path_tlist(root, &best_path->path);

	/*
	 * 对限定条件（qual）进行排序和优化，确保执行时高效。
	 */
	quals = order_qual_clauses(root, best_path->qual);

	/*
	 * 调用 make_agg 创建 Agg 计划节点，设置聚合策略、分组列等属性。
	 * 参数说明：
	 *   tlist - 目标列表，定义输出列。
	 *   quals - 限定条件（如 HAVING）。
	 *   aggstrategy - 聚合策略（例如 AGG_HASHED 或 AGG_SORTED）。
	 *   aggsplit - 聚合拆分级别（例如普通聚合或最终聚合）。
	 *   list_length(best_path->groupClause) - 分组列数量。
	 *   extract_grouping_cols - 提取分组列的索引。
	 *   extract_grouping_ops - 提取分组操作符（如 =）。
	 *   extract_grouping_collations - 提取分组列的排序规则。
	 *   NIL - 分组集（grouping sets），本例中为空。
	 *   NIL - 链式聚合节点（chained agg nodes），本例中为空。
	 *   numGroups - 估计的分组数量。
	 *   transitionSpace - 聚合过渡状态的内存需求。
	 *   subplan - 子计划（例如 Seq Scan）。
	 */
	plan = make_agg(tlist, quals,
					best_path->aggstrategy,
					best_path->aggsplit,
					list_length(best_path->groupClause),
					extract_grouping_cols(best_path->groupClause,
										  subplan->targetlist),
					extract_grouping_ops(best_path->groupClause),
					extract_grouping_collations(best_path->groupClause,
												subplan->targetlist),
					NIL,
					NIL,
					best_path->numGroups,
					best_path->transitionSpace,
					subplan);

	/*
	 * 将最佳路径的通用信息（如成本、行数估计）复制到 Agg 计划节点。
	 */
	copy_generic_path_info(&plan->plan, (Path *) best_path);

	/*
	 * 返回创建的 Agg 计划节点。
	 */
	return plan;
}

打印堆栈信息：

c 复制代码 
(gdb) bt
#0  create_agg_plan (root=0x1bed5e8, best_path=0x1cea0e0) at createplan.c:2313
#1  0x000000000088f61f in create_plan_recurse (root=0x1bed5e8, best_path=0x1cea0e0, flags=1) at createplan.c
:510
#2  0x00000000008939d8 in create_limit_plan (root=0x1bed5e8, best_path=0x1cea470, flags=1) at createplan.c:2
914
#3  0x000000000088f6cd in create_plan_recurse (root=0x1bed5e8, best_path=0x1cea470, flags=1) at createplan.c
:537
#4  0x000000000088f277 in create_plan (root=0x1bed5e8, best_path=0x1cea470) at createplan.c:350
#5  0x00000000008a2f2b in standard_planner (parse=0x1becbd8, query_string=0x1bebc30 "SELECT DISTINCT a FROM
t1 LIMIT 10;", cursorOptions=2048, boundParams=0x0) at planner.c:421
#6  0x00000000008a2c84 in planner (parse=0x1becbd8, query_string=0x1bebc30 "SELECT DISTINCT a FROM t1 LIMIT
10;", cursorOptions=2048, boundParams=0x0) at planner.c:282
#7  0x00000000009e3cfb in pg_plan_query (querytree=0x1becbd8, query_string=0x1bebc30 "SELECT DISTINCT a FROM
 t1 LIMIT 10;", cursorOptions=2048, boundParams=0x0) at postgres.c:912
#8  0x00000000009e3e8e in pg_plan_queries (querytrees=0x1bed598, query_string=0x1bebc30 "SELECT DISTINCT a F
ROM t1 LIMIT 10;", cursorOptions=2048, boundParams=0x0) at postgres.c:1006
#9  0x00000000009e420d in exec_simple_query (query_string=0x1bebc30 "SELECT DISTINCT a FROM t1 LIMIT 10;") a
t postgres.c:1203
#10 0x00000000009e8cb9 in PostgresMain (dbname=0x1c24050 "postgres", username=0x1c24038 "kuchiki") at postgr
es.c:4766
#11 0x00000000009e089e in BackendMain (startup_data=0x7fff47d0585c "", startup_data_len=4) at backend_startu
p.c:107
#12 0x000000000090d681 in postmaster_child_launch (child_type=B_BACKEND, startup_data=0x7fff47d0585c "", sta
rtup_data_len=4, client_sock=0x7fff47d05880) at launch_backend.c:274
#13 0x0000000000912a76 in BackendStartup (client_sock=0x7fff47d05880) at postmaster.c:3414
#14 0x0000000000910549 in ServerLoop () at postmaster.c:1648
#15 0x000000000090ff12 in PostmasterMain (argc=3, argv=0x1be67e0) at postmaster.c:1346
#16 0x00000000007d1de4 in main (argc=3, argv=0x1be67e0) at main.c:197

以下是 create_agg_plan 函数中每行代码如何与该查询的计划生成相关联的详细解释：

  1. 函数签名和参数：

    c 复制代码 
    static Agg *create_agg_plan(PlannerInfo *root, AggPath *best_path)
    • 作用 ：create_agg_plan 是优化器中生成聚合计划的入口函数。root 包含查询的全局上下文（如 t1 表的统计信息），best_path 是优化器选择的最佳路径（本例中为 AggPath，指定了 HashAggregate 策略）。
    • 查询关联 ：对于 SELECT DISTINCT a FROM t1 LIMIT 10，优化器分析查询后确定使用 HashAggregate（因为 DISTINCT 无 ORDER BY），并通过 AggPath 传递聚合策略和子路径（Seq Scan）。

  2. 变量声明：

    c 复制代码 
    Agg *plan; Plan *subplan; List *tlist; List *quals;
    • 作用 ：声明变量用于存储聚合计划节点 (plan)、子计划 (subplan)、目标列表 (tlist) 和限定条件 (quals)。
    • 查询关联 ：plan 将成为 HashAggregate 节点，subplan 对应 Seq Scan on public.t1，tlist 包含输出列 a，quals 本例中为空（无 HAVING 或 WHERE）。

  3. 创建子计划：

    c 复制代码 
    subplan = create_plan_recurse(root, best_path->subpath, CP_LABEL_TLIST);
    • 作用 ：递归调用 create_plan_recurse 为子路径（best_path->subpath）生成计划。CP_LABEL_TLIST 确保子计划的目标列表包含分组所需的列（本例中为 t1.a）。
    • 查询关联 ：子路径是一个 Seq Scan 路径，生成 Seq Scan on public.t1 节点，读取表 t1 的 1000 行数据（rows=1000），输出列 a 和 b（尽管 b 未在 DISTINCT 中使用）。

  4. 构建目标列表：

    c 复制代码 
    tlist = build_path_tlist(root, &best_path->path);
    • 作用 ：基于 best_path 的路径信息，构建 Agg 计划节点的目标列表，定义输出列。
    • 查询关联 ：目标列表包含 t1.a（Output: a），因为查询仅需要 DISTINCT a 的结果。build_path_tlist 确保输出符合 SELECT DISTINCT a 的要求。

  5. 优化限定条件：

    c 复制代码 
    quals = order_qual_clauses(root, best_path->qual);
    • 作用 ：对限定条件（best_path->qual）进行排序和优化，确保执行时高效。本例中 qual 为空（无 WHERE 或 HAVING）。
    • 查询关联 ：查询没有限定条件，因此 quals 为空，HashAggregate 直接处理 Seq Scan 的输出。

  6. 创建 Agg 节点：

    c 复制代码 
    plan = make_agg(tlist, quals,
                best_path->aggstrategy,
                best_path->aggsplit,
                list_length(best_path->groupClause),
                extract_grouping_cols(best_path->groupClause, subplan->targetlist),
                extract_grouping_ops(best_path->groupClause),
                extract_grouping_collations(best_path->groupClause, subplan->targetlist),
                NIL,
                NIL,
                best_path->numGroups,
                best_path->transitionSpace,
                subplan);
    • 作用 ：调用 make_agg 创建 Agg 计划节点，设置聚合策略、分组列、操作符、排序规则、分组数量、过渡空间等属性。
    • 查询关联 ：
      • tlist：包含 t1.a。
      • quals：为空。
      • aggstrategy：AGG_HASHED（对应 HashAggregate）。
      • aggsplit：普通聚合（无拆分）。
      • list_length(best_path->groupClause)：分组列数量为 1（t1.a）。
      • extract_grouping_cols：提取 t1.a 的列索引（Group Key: t1.a）。
      • extract_grouping_ops：分组操作符为 =。
      • extract_grouping_collations：排序规则（本例中为默认）。
      • NIL：无分组集或链式聚合。
      • numGroups：估计 100 个唯一值（rows=100）。
      • transitionSpace：聚合过渡状态的内存需求（本例中较小）。
      • subplan：Seq Scan 节点。
    • 结果 ：生成 HashAggregate 节点，计划输出 100 行（rows=100），实际因 Limit 10 仅输出 10 行。

  7. 复制路径信息：

    c 复制代码 
    copy_generic_path_info(&plan->plan, (Path *) best_path);
    • 作用 ：将 best_path 的通用信息（如成本、行数估计）复制到 Agg 计划节点，确保计划的成本和行数预测准确。
    • 查询关联 ：HashAggregate 的成本为 21.50..22.50，行数估计为 100，与 best_path 的估计一致。

  8. 返回计划节点：

    c 复制代码 
    return plan;
    • 作用 ：返回创建的 Agg 计划节点，供上层节点（如 Limit）使用。
    • 查询关联 ：HashAggregate 节点被 Limit 节点包裹，最终形成查询计划。

查询计划与函数的对应关系

  1. 整体流程：

    • create_agg_plan 是优化器中生成 HashAggregate 节点的核心函数。示例查询的 DISTINCT a 触发了 AggPath 的选择（AGG_HASHED 策略），create_agg_plan 将其转换为可执行的 Agg 计划节点。
    • 查询计划的 HashAggregate 节点由 make_agg 创建，Seq Scan 节点由 create_plan_recurse 生成。

  2. 关键点：

    • 子计划生成 ：create_plan_recurse 生成了 Seq Scan on public.t1，读取 1000 行数据。
    • 目标列表 ：tlist 确保 HashAggregate 输出 t1.a，符合 SELECT DISTINCT a。
    • 聚合策略 ：best_path->aggstrategy = AGG_HASHED 决定了使用哈希表去重，计划显示 Batches: 1, Memory Usage: 24kB。

总结

通过为 create_agg_plan 添加中文注释，并结合示例查询 SELECT DISTINCT a FROM t1 LIMIT 10，我们可以清晰地看到 PostgreSQL 如何将优化器的 AggPath 转换为可执行的 HashAggregate 计划节点。

ExecInitAgg 函数

ExecInitAgg 是 PostgreSQL 中用于初始化聚合节点（Agg）运行时状态（AggState）的核心函数，负责为聚合操作（如 GROUP BY、DISTINCT 或聚合函数）设置执行环境。它处理哈希聚合（HashAgg）、排序聚合（SortedAgg）或混合模式（MixedAgg），并初始化子计划、表达式上下文、哈希表和聚合函数的运行时数据。以下是为 ExecInitAgg 函数添加中文注释的代码版本

c 复制代码 
/*
 * ExecInitAgg
 *
 * 创建聚合节点的运行时状态（AggState），并初始化其子计划树。
 * 参数：
 *   node - 规划器生成的聚合计划节点（Agg）
 *   estate - 执行状态，包含查询的全局上下文
 *   eflags - 执行标志，控制节点行为
 * 返回值：
 *   AggState* - 初始化的聚合节点运行时状态
 */
AggState *
ExecInitAgg(Agg *node, EState *estate, int eflags)
{
	AggState   *aggstate;          // 聚合节点的运行时状态
	AggStatePerAgg peraggs;        // 每个聚合函数的状态数组
	AggStatePerTrans pertransstates; // 每个转换状态的状态数组
	AggStatePerGroup *pergroups;   // 每个分组的状态数组
	Plan	   *outerPlan;         // 子计划（外层计划）
	ExprContext *econtext;         // 表达式上下文
	TupleDesc	scanDesc;          // 输入元组的描述符
	int			max_aggno;         // 最大聚合函数编号
	int			max_transno;       // 最大转换状态编号
	int			numaggrefs;        // 聚合函数引用总数
	int			numaggs;           // 唯一聚合函数数量
	int			numtrans;          // 唯一转换状态数量
	int			phase;             // 当前阶段
	int			phaseidx;          // 阶段索引
	ListCell   *l;                 // 列表迭代器
	Bitmapset  *all_grouped_cols = NULL; // 所有分组列的位图集
	int			numGroupingSets = 1; // 分组集数量，默认为 1
	int			numPhases;         // 阶段总数
	int			numHashes;         // 哈希聚合阶段数量
	int			i = 0;             // 循环计数器
	int			j = 0;             // 循环计数器
	bool		use_hashing = (node->aggstrategy == AGG_HASHED ||
							   node->aggstrategy == AGG_MIXED); // 是否使用哈希聚合

	/* 检查不支持的执行标志 */
	Assert(!(eflags & (EXEC_FLAG_BACKWARD | EXEC_FLAG_MARK)));

	/*
	 * 创建聚合状态结构
	 */
	aggstate = makeNode(AggState); // 分配并初始化 AggState 节点
	aggstate->ss.ps.plan = (Plan *) node; // 设置计划节点
	aggstate->ss.ps.state = estate; // 设置执行状态
	aggstate->ss.ps.ExecProcNode = ExecAgg; // 设置执行函数为 ExecAgg

	aggstate->aggs = NIL;          // 初始化聚合函数列表为空
	aggstate->numaggs = 0;         // 初始化聚合函数数量为 0
	aggstate->numtrans = 0;        // 初始化转换状态数量为 0
	aggstate->aggstrategy = node->aggstrategy; // 设置聚合策略（如 AGG_HASHED）
	aggstate->aggsplit = node->aggsplit; // 设置聚合拆分模式
	aggstate->maxsets = 0;         // 初始化最大分组集数量
	aggstate->projected_set = -1;  // 初始化当前投影分组集
	aggstate->current_set = 0;     // 初始化当前分组集
	aggstate->peragg = NULL;       // 初始化每个聚合函数的状态
	aggstate->pertrans = NULL;     // 初始化每个转换状态
	aggstate->curperagg = NULL;    // 初始化当前聚合函数
	aggstate->curpertrans = NULL;  // 初始化当前转换状态
	aggstate->input_done = false;  // 初始化输入未完成
	aggstate->agg_done = false;    // 初始化聚合未完成
	aggstate->pergroups = NULL;    // 初始化分组状态数组
	aggstate->grp_firstTuple = NULL; // 初始化分组的首元组
	aggstate->sort_in = NULL;      // 初始化排序输入
	aggstate->sort_out = NULL;     // 初始化排序输出

	/*
	 * phases[0] 在排序/普通模式下为虚拟阶段，哈希模式下为实际阶段
	 */
	numPhases = (use_hashing ? 1 : 2); // 哈希模式为 1 阶段，排序模式为 2 阶段
	numHashes = (use_hashing ? 1 : 0); // 哈希模式为 1 个哈希阶段，否则为 0

	/*
	 * 计算最大分组集数量，决定内存分配大小，并计算阶段总数。
	 * 哈希/混合模式的节点只贡献一个阶段。
	 */
	if (node->groupingSets)
	{
		numGroupingSets = list_length(node->groupingSets); // 获取分组集数量

		foreach(l, node->chain)
		{
			Agg *agg = lfirst(l); // 获取链式聚合节点

			numGroupingSets = Max(numGroupingSets,
								  list_length(agg->groupingSets)); // 更新最大分组集数量

			/*
			 * 额外的 AGG_HASHED 节点属于阶段 0，其他节点增加一个阶段
			 */
			if (agg->aggstrategy != AGG_HASHED)
				++numPhases; // 非哈希策略增加阶段
			else
				++numHashes; // 哈希策略增加哈希阶段
		}
	}

	aggstate->maxsets = numGroupingSets; // 设置最大分组集数量
	aggstate->numphases = numPhases;     // 设置阶段总数

	aggstate->aggcontexts = (ExprContext **)
		palloc0(sizeof(ExprContext *) * numGroupingSets); // 为每个分组集分配表达式上下文数组

	/*
	 * 创建表达式上下文：包括输入元组处理、输出元组处理、哈希表和每个分组集的上下文。
	 * 使用 ExecAssignExprContext 统一创建。
	 */
	ExecAssignExprContext(estate, &aggstate->ss.ps); // 创建主表达式上下文
	aggstate->tmpcontext = aggstate->ss.ps.ps_ExprContext; // 保存临时上下文

	for (i = 0; i < numGroupingSets; ++i)
	{
		ExecAssignExprContext(estate, &aggstate->ss.ps); // 为每个分组集创建上下文
		aggstate->aggcontexts[i] = aggstate->ss.ps.ps_ExprContext; // 存储上下文
	}

	if (use_hashing)
		aggstate->hashcontext = CreateWorkExprContext(estate); // 为哈希聚合创建专用上下文

	ExecAssignExprContext(estate, &aggstate->ss.ps); // 创建额外的表达式上下文

	/*
	 * 初始化子节点。
	 * 若为哈希聚合，子计划无需高效支持 REWIND（重置）。
	 */
	if (node->aggstrategy == AGG_HASHED)
		eflags &= ~EXEC_FLAG_REWIND; // 禁用 REWIND 标志
	outerPlan = outerPlan(node); // 获取外层计划
	outerPlanState(aggstate) = ExecInitNode(outerPlan, estate, eflags); // 初始化子计划

	/*
	 * 初始化输入元组类型
	 */
	aggstate->ss.ps.outerops =
		ExecGetResultSlotOps(outerPlanState(&aggstate->ss),
							 &aggstate->ss.ps.outeropsfixed); // 获取子计划的结果槽操作
	aggstate->ss.ps.outeropsset = true; // 标记结果槽操作已设置

	ExecCreateScanSlotFromOuterPlan(estate, &aggstate->ss,
									aggstate->ss.ps.outerops); // 创建扫描槽
	scanDesc = aggstate->ss.ss_ScanTupleSlot->tts_tupleDescriptor; // 获取输入元组描述符

	/*
	 * 如果阶段数超过 2（包含虚拟阶段 0），需要排序元组，分配排序槽
	 */
	if (numPhases > 2)
	{
		aggstate->sort_slot = ExecInitExtraTupleSlot(estate, scanDesc,
													 &TTSOpsMinimalTuple); // 创建排序用的额外元组槽

		/*
		 * 子计划输出可能与排序输出槽类型不同，调整 outerops 设置
		 */
		if (aggstate->ss.ps.outeropsfixed &&
			aggstate->ss.ps.outerops != &TTSOpsMinimalTuple)
			aggstate->ss.ps.outeropsfixed = false; // 禁用固定操作标志
	}

	/*
	 * 初始化结果类型、槽和投影信息
	 */
	ExecInitResultTupleSlotTL(&aggstate->ss.ps, &TTSOpsVirtual); // 初始化结果元组槽
	ExecAssignProjectionInfo(&aggstate->ss.ps, NULL); // 设置投影信息

	/*
	 * 初始化子表达式。
	 * 确保没有嵌套聚合函数（由解析器检查），并查找限定条件中的 Aggref。
	 */
	aggstate->ss.ps.qual =
		ExecInitQual(node->plan.qual, (PlanState *) aggstate); // 初始化限定条件

	/*
	 * 计算唯一聚合函数和转换状态数量
	 */
	numaggrefs = list_length(aggstate->aggs); // 获取聚合函数引用总数
	max_aggno = -1; // 初始化最大聚合函数编号
	max_transno = -1; // 初始化最大转换状态编号
	foreach(l, aggstate->aggs)
	{
		Aggref *aggref = (Aggref *) lfirst(l); // 获取聚合函数引用

		max_aggno = Max(max_aggno, aggref->aggno); // 更新最大聚合函数编号
		max_transno = Max(max_transno, aggref->aggtransno); // 更新最大转换状态编号
	}
	numaggs = max_aggno + 1; // 计算唯一聚合函数数量
	numtrans = max_transno + 1; // 计算唯一转换状态数量

	/*
	 * 为每个阶段准备分组集数据和比较函数的查找数据，同时累积分组列
	 */
	aggstate->phases = palloc0(numPhases * sizeof(AggStatePerPhaseData)); // 分配阶段数据数组

	aggstate->num_hashes = numHashes; // 设置哈希阶段数量
	if (numHashes)
	{
		aggstate->perhash = palloc0(sizeof(AggStatePerHashData) * numHashes); // 分配哈希阶段数据
		aggstate->phases[0].numsets = 0; // 初始化阶段 0 的分组集数量
		aggstate->phases[0].gset_lengths = palloc(numHashes * sizeof(int)); // 分配分组集长度数组
		aggstate->phases[0].grouped_cols = palloc(numHashes * sizeof(Bitmapset *)); // 分配分组列位图数组
	}

	phase = 0; // 初始化阶段索引
	for (phaseidx = 0; phaseidx <= list_length(node->chain); ++phaseidx)
	{
		Agg *aggnode; // 当前聚合节点
		Sort *sortnode; // 排序节点（若有）

		if (phaseidx > 0)
		{
			aggnode = list_nth_node(Agg, node->chain, phaseidx - 1); // 获取链式聚合节点
			sortnode = castNode(Sort, outerPlan(aggnode)); // 获取排序节点
		}
		else
		{
			aggnode = node; // 使用当前聚合节点
			sortnode = NULL; // 阶段 0 无排序
		}

		Assert(phase <= 1 || sortnode); // 确保非阶段 0 有排序节点

		if (aggnode->aggstrategy == AGG_HASHED || aggnode->aggstrategy == AGG_MIXED)
		{
			AggStatePerPhase phasedata = &aggstate->phases[0]; // 阶段 0 数据
			AggStatePerHash perhash; // 哈希阶段数据
			Bitmapset *cols = NULL; // 分组列位图

			Assert(phase == 0); // 哈希聚合只在阶段 0
			i = phasedata->numsets++; // 增加分组集计数
			perhash = &aggstate->perhash[i]; // 获取哈希阶段数据

			phasedata->aggnode = node; // 设置阶段 0 的聚合节点
			phasedata->aggstrategy = node->aggstrategy; // 设置聚合策略

			perhash->aggnode = aggnode; // 保存实际聚合节点

			phasedata->gset_lengths[i] = perhash->numCols = aggnode->numCols; // 设置分组列数量

			for (j = 0; j < aggnode->numCols; ++j)
				cols = bms_add_member(cols, aggnode->grpColIdx[j]); // 添加分组列

			phasedata->grouped_cols[i] = cols; // 保存分组列位图

			all_grouped_cols = bms_add_members(all_grouped_cols, cols); // 累积所有分组列
			continue;
		}
		else
		{
			AggStatePerPhase phasedata = &aggstate->phases[++phase]; // 下一个阶段数据
			int num_sets; // 分组集数量

			phasedata->numsets = num_sets = list_length(aggnode->groupingSets); // 设置分组集数量

			if (num_sets)
			{
				phasedata->gset_lengths = palloc(num_sets * sizeof(int)); // 分配分组集长度数组
				phasedata->grouped_cols = palloc(num_sets * sizeof(Bitmapset *)); // 分配分组列位图数组

				i = 0;
				foreach(l, aggnode->groupingSets)
				{
					int current_length = list_length(lfirst(l)); // 当前分组集的列数
					Bitmapset *cols = NULL; // 分组列位图

					for (j = 0; j < current_length; ++j)
						cols = bms_add_member(cols, aggnode->grpColIdx[j]); // 添加分组列

					phasedata->grouped_cols[i] = cols; // 保存分组列位图
					phasedata->gset_lengths[i] = current_length; // 保存分组集长度

					++i;
				}

				all_grouped_cols = bms_add_members(all_grouped_cols,
												   phasedata->grouped_cols[0]); // 累积分组列
			}
			else
			{
				Assert(phaseidx == 0); // 阶段 0 无分组集

				phasedata->gset_lengths = NULL; // 无分组集长度
				phasedata->grouped_cols = NULL; // 无分组列位图
			}

			/*
			 * 为排序聚合预计算比较函数的查找数据
			 */
			if (aggnode->aggstrategy == AGG_SORTED)
			{
				phasedata->eqfunctions =
					(ExprState **) palloc0(aggnode->numCols * sizeof(ExprState *)); // 分配比较函数数组

				for (int k = 0; k < phasedata->numsets; k++)
				{
					int length = phasedata->gset_lengths[k]; // 分组集列数

					if (length == 0)
						continue; // 空分组集跳过

					if (phasedata->eqfunctions[length - 1] != NULL)
						continue; // 已存在的长度跳过

					phasedata->eqfunctions[length - 1] =
						execTuplesMatchPrepare(scanDesc,
											   length,
											   aggnode->grpColIdx,
											   aggnode->grpOperators,
											   aggnode->grpCollations,
											   (PlanState *) aggstate); // 准备比较函数
				}

				if (aggnode->numCols > 0 &&
					phasedata->eqfunctions[aggnode->numCols - 1] == NULL)
				{
					phasedata->eqfunctions[aggnode->numCols - 1] =
						execTuplesMatchPrepare(scanDesc,
											   aggnode->numCols,
											   aggnode->grpColIdx,
											   aggnode->grpOperators,
											   aggnode->grpCollations,
											   (PlanState *) aggstate); // 为所有分组列准备比较函数
				}
			}

			phasedata->aggnode = aggnode; // 设置阶段的聚合节点
			phasedata->aggstrategy = aggnode->aggstrategy; // 设置聚合策略
			phasedata->sortnode = sortnode; // 设置排序节点
		}
	}

	/*
	 * 将所有分组列转换为降序列表
	 */
	i = -1;
	while ((i = bms_next_member(all_grouped_cols, i)) >= 0)
		aggstate->all_grouped_cols = lcons_int(i, aggstate->all_grouped_cols); // 添加分组列到列表

	/*
	 * 设置聚合结果存储和每个聚合函数的工作存储
	 */
	econtext = aggstate->ss.ps.ps_ExprContext; // 获取表达式上下文
	econtext->ecxt_aggvalues = (Datum *) palloc0(sizeof(Datum) * numaggs); // 分配聚合值存储
	econtext->ecxt_aggnulls = (bool *) palloc0(sizeof(bool) * numaggs); // 分配聚合空值标志

	peraggs = (AggStatePerAgg) palloc0(sizeof(AggStatePerAggData) * numaggs); // 分配每个聚合函数状态
	pertransstates = (AggStatePerTrans) palloc0(sizeof(AggStatePerTransData) * numtrans); // 分配每个转换状态

	aggstate->peragg = peraggs; // 设置聚合函数状态数组
	aggstate->pertrans = pertransstates; // 设置转换状态数组

	aggstate->all_pergroups =
		(AggStatePerGroup *) palloc0(sizeof(AggStatePerGroup)
									 * (numGroupingSets + numHashes)); // 分配所有分组状态
	pergroups = aggstate->all_pergroups; // 设置分组状态指针

	if (node->aggstrategy != AGG_HASHED)
	{
		for (i = 0; i < numGroupingSets; i++)
		{
			pergroups[i] = (AggStatePerGroup) palloc0(sizeof(AggStatePerGroupData)
													  * numaggs); // 为每个分组集分配状态
		}

		aggstate->pergroups = pergroups; // 设置分组状态数组
		pergroups += numGroupingSets; // 更新指针
	}

	/*
	 * 为哈希聚合初始化哈希表相关结构
	 */
	if (use_hashing)
	{
		Plan *outerplan = outerPlan(node); // 获取外层计划
		uint64 totalGroups = 0; // 总分组数

		aggstate->hash_metacxt = AllocSetContextCreate(aggstate->ss.ps.state->es_query_cxt,
													   "HashAgg meta context",
													   ALLOCSET_DEFAULT_SIZES); // 创建哈希聚合元上下文
		aggstate->hash_spill_rslot = ExecInitExtraTupleSlot(estate, scanDesc,
															&TTSOpsMinimalTuple); // 创建溢出读取槽
		aggstate->hash_spill_wslot = ExecInitExtraTupleSlot(estate, scanDesc,
															&TTSOpsVirtual); // 创建溢出写入槽

		aggstate->hash_pergroup = pergroups; // 设置哈希分组状态

		aggstate->hashentrysize = hash_agg_entry_size(aggstate->numtrans,
													  outerplan->plan_width,
													  node->transitionSpace); // 计算哈希表条目大小

		/*
		 * 综合所有分组集设置内存限制和分区估计
		 */
		for (int k = 0; k < aggstate->num_hashes; k++)
			totalGroups += aggstate->perhash[k].aggnode->numGroups; // 累积分组数

		hash_agg_set_limits(aggstate->hashentrysize, totalGroups, 0,
							&aggstate->hash_mem_limit,
							&aggstate->hash_ngroups_limit,
							&aggstate->hash_planned_partitions); // 设置哈希表限制

		find_hash_columns(aggstate); // 查找哈希列

		/* 仅在非 EXPLAIN 模式下分配哈希表 */
		if (!(eflags & EXEC_FLAG_EXPLAIN_ONLY))
			build_hash_tables(aggstate); // 构建哈希表

		aggstate->table_filled = false; // 标记哈希表未填充

		aggstate->hash_batches_used = 1; // 初始化批次为 1（未溢出）
	}

	/*
	 * 初始化当前阶段，哈希模式为阶段 0，排序模式为阶段 1
	 */
	if (node->aggstrategy == AGG_HASHED)
	{
		aggstate->current_phase = 0; // 设置哈希模式为阶段 0
		initialize_phase(aggstate, 0); // 初始化阶段 0
		select_current_set(aggstate, 0, true); // 选择当前分组集
	}
	else
	{
		aggstate->current_phase = 1; // 设置排序模式为阶段 1
		initialize_phase(aggstate, 1); // 初始化阶段 1
		select_current_set(aggstate, 0, false); // 选择当前分组集
	}

	/*
	 * 查找聚合函数信息，初始化每个聚合和转换状态的不变字段
	 */
	foreach(l, aggstate->aggs)
	{
		Aggref *aggref = lfirst(l); // 获取聚合函数引用
		AggStatePerAgg peragg; // 当前聚合函数状态
		AggStatePerTrans pertrans; // 当前转换状态
		Oid aggTransFnInputTypes[FUNC_MAX_ARGS]; // 聚合输入类型
		int numAggTransFnArgs; // 转换函数参数数量
		int numDirectArgs; // 直接参数数量
		HeapTuple aggTuple; // 聚合函数元组
		Form_pg_aggregate aggform; // 聚合函数元数据
		AclResult aclresult; // 权限检查结果
		Oid finalfn_oid; // 最终函数 OID
		Oid serialfn_oid, deserialfn_oid; // 序列化/反序列化函数 OID
		Oid aggOwner; // 聚合函数所有者
		Expr *finalfnexpr; // 最终函数表达式
		Oid aggtranstype; // 转换状态类型

		/* 规划器应确保聚合在正确级别 */
		Assert(aggref->agglevelsup == 0);
		/* 拆分模式应匹配 */
		Assert(aggref->aggsplit == aggstate->aggsplit);

		peragg = &peraggs[aggref->aggno]; // 获取聚合函数状态

		/* 检查是否已初始化该聚合状态 */
		if (peragg->aggref != NULL)
			continue;

		peragg->aggref = aggref; // 设置聚合函数引用
		peragg->transno = aggref->aggtransno; // 设置转换状态编号

		/* 获取 pg_aggregate 元数据 */
		aggTuple = SearchSysCache1(AGGFNOID, ObjectIdGetDatum(aggref->aggfnoid));
		if (!HeapTupleIsValid(aggTuple))
			elog(ERROR, "cache lookup failed for aggregate %u", aggref->aggfnoid);
		aggform = (Form_pg_aggregate) GETSTRUCT(aggTuple); // 获取聚合元数据

		/* 检查调用聚合函数的权限 */
		aclresult = object_aclcheck(ProcedureRelationId, aggref->aggfnoid, GetUserId(),
									ACL_EXECUTE);
		if (aclresult != ACLCHECK_OK)
			aclcheck_error(aclresult, OBJECT_AGGREGATE, get_func_name(aggref->aggfnoid));
		InvokeFunctionExecuteHook(aggref->aggfnoid); // 调用执行钩子

		/* 从 Aggref 获取转换状态类型 */
		aggtranstype = aggref->aggtranstype;
		Assert(OidIsValid(aggtranstype));

		/* 如果不需要最终化，则无需最终函数 */
		if (DO_AGGSPLIT_SKIPFINAL(aggstate->aggsplit))
			peragg->finalfn_oid = finalfn_oid = InvalidOid;
		else
			peragg->finalfn_oid = finalfn_oid = aggform->aggfinalfn; // 设置最终函数

		serialfn_oid = InvalidOid; // 初始化序列化函数
		deserialfn_oid = InvalidOid; // 初始化反序列化函数

		/*
		 * 检查是否需要序列化/反序列化，仅对 INTERNAL 类型有效
		 */
		if (aggtranstype == INTERNALOID)
		{
			if (DO_AGGSPLIT_SERIALIZE(aggstate->aggsplit))
			{
				Assert(DO_AGGSPLIT_SKIPFINAL(aggstate->aggsplit)); // 序列化时不应最终化
				if (!OidIsValid(aggform->aggserialfn))
					elog(ERROR, "serialfunc not provided for serialization aggregation");
				serialfn_oid = aggform->aggserialfn; // 设置序列化函数
			}

			if (DO_AGGSPLIT_DESERIALIZE(aggstate->aggsplit))
			{
				Assert(DO_AGGSPLIT_COMBINE(aggstate->aggsplit)); // 反序列化时需组合
				if (!OidIsValid(aggform->aggdeserialfn))
					elog(ERROR, "deserialfunc not provided for deserialization aggregation");
				deserialfn_oid = aggform->aggdeserialfn; // 设置反序列化函数
			}
		}

		/* 检查聚合函数所有者对组件函数的权限 */
		{
			HeapTuple procTuple; // 函数元组

			procTuple = SearchSysCache1(PROCOID, ObjectIdGetDatum(aggref->aggfnoid));
			if (!HeapTupleIsValid(procTuple))
				elog(ERROR, "cache lookup failed for function %u", aggref->aggfnoid);
			aggOwner = ((Form_pg_proc) GETSTRUCT(procTuple))->proowner; // 获取函数所有者
			ReleaseSysCache(procTuple);

			if (OidIsValid(finalfn_oid))
			{
				aclresult = object_aclcheck(ProcedureRelationId, finalfn_oid, aggOwner,
											ACL_EXECUTE);
				if (aclresult != ACLCHECK_OK)
					aclcheck_error(aclresult, OBJECT_FUNCTION, get_func_name(finalfn_oid));
				InvokeFunctionExecuteHook(finalfn_oid);
			}
			if (OidIsValid(serialfn_oid))
			{
				aclresult = object_aclcheck(ProcedureRelationId, serialfn_oid, aggOwner,
											ACL_EXECUTE);
				if (aclresult != ACLCHECK_OK)
					aclcheck_error(aclresult, OBJECT_FUNCTION, get_func_name(serialfn_oid));
				InvokeFunctionExecuteHook(serialfn_oid);
			}
			if (OidIsValid(deserialfn_oid))
			{
				aclresult = object_aclcheck(ProcedureRelationId, deserialfn_oid, aggOwner,
											ACL_EXECUTE);
				if (aclresult != ACLCHECK_OK)
					aclcheck_error(aclresult, OBJECT_FUNCTION, get_func_name(deserialfn_oid));
				InvokeFunctionExecuteHook(deserialfn_oid);
			}
		}

		/*
		 * 获取聚合函数的实际输入类型，可能与声明类型不同
		 */
		numAggTransFnArgs = get_aggregate_argtypes(aggref, aggTransFnInputTypes);

		/* 计算直接参数数量 */
		numDirectArgs = list_length(aggref->aggdirectargs);

		/* 计算最终函数的参数数量 */
		if (aggform->aggfinalextra)
			peragg->numFinalArgs = numAggTransFnArgs + 1;
		else
			peragg->numFinalArgs = numDirectArgs + 1;

		/* 初始化直接参数表达式 */
		peragg->aggdirectargs = ExecInitExprList(aggref->aggdirectargs,
												 (PlanState *) aggstate);

		/*
		 * 为最终函数构建表达式树（如果需要）
		 */
		if (OidIsValid(finalfn_oid))
		{
			build_aggregate_finalfn_expr(aggTransFnInputTypes,
										 peragg->numFinalArgs,
										 aggtranstype,
										 aggref->aggtype,
										 aggref->inputcollid,
										 finalfn_oid,
										 &finalfnexpr);
			fmgr_info(finalfn_oid, &peragg->finalfn); // 设置最终函数信息
			fmgr_info_set_expr((Node *) finalfnexpr, &peragg->finalfn); // 设置最终函数表达式
		}

		/* 获取输出值的数据类型信息 */
		get_typlenbyval(aggref->aggtype,
						&peragg->resulttypeLen,
						&peragg->resulttypeByVal);

		/*
		 * 为转换函数构建工作状态（如果尚未初始化）
		 */
		pertrans = &pertransstates[aggref->aggtransno];
		if (pertrans->aggref == NULL)
		{
			Datum textInitVal; // 初始值文本
			Datum initValue; // 初始值
			bool initValueIsNull; // 初始值是否为空
			Oid transfn_oid; // 转换函数 OID

			/* 根据聚合模式选择转换或组合函数 */
			if (DO_AGGSPLIT_COMBINE(aggstate->aggsplit))
			{
				transfn_oid = aggform->aggcombinefn;
				if (!OidIsValid(transfn_oid))
					elog(ERROR, "combinefn not set for aggregate function");
			}
			else
				transfn_oid = aggform->aggtransfn;

			/* 检查转换函数权限 */
			aclresult = object_aclcheck(ProcedureRelationId, transfn_oid, aggOwner, ACL_EXECUTE);
			if (aclresult != ACLCHECK_OK)
				aclcheck_error(aclresult, OBJECT_FUNCTION, get_func_name(transfn_oid));
			InvokeFunctionExecuteHook(transfn_oid);

			/* 获取初始值 */
			textInitVal = SysCacheGetAttr(AGGFNOID, aggTuple,
										  Anum_pg_aggregate_agginitval,
										  &initValueIsNull);
			if (initValueIsNull)
				initValue = (Datum) 0;
			else
				initValue = GetAggInitVal(textInitVal, aggtranstype);

			if (DO_AGGSPLIT_COMBINE(aggstate->aggsplit))
			{
				Oid combineFnInputTypes[] = {aggtranstype, aggtranstype}; // 组合函数输入类型

				pertrans->numTransInputs = 1; // 组合模式下仅一个输入

				/* 构建组合函数状态 */
				build_pertrans_for_aggref(pertrans, aggstate, estate,
										  aggref, transfn_oid, aggtranstype,
										  serialfn_oid, deserialfn_oid,
										  initValue, initValueIsNull,
										  combineFnInputTypes, 2);

				/* 确保 INTERNAL 类型的组合函数非严格 */
				if (pertrans->transfn.fn_strict && aggtranstype == INTERNALOID)
					ereport(ERROR,
							(errcode(ERRCODE_INVALID_FUNCTION_DEFINITION),
							 errmsg("combine function with transition type %s must not be declared STRICT",
									format_type_be(aggtranstype))));
			}
			else
			{
				/* 计算转换函数参数数量 */
				if (AGGKIND_IS_ORDERED_SET(aggref->aggkind))
					pertrans->numTransInputs = list_length(aggref->args);
				else
					pertrans->numTransInputs = numAggTransFnArgs;

				/* 构建转换函数状态 */
				build_pertrans_for_aggref(pertrans, aggstate, estate,
										  aggref, transfn_oid, aggtranstype,
										  serialfn_oid, deserialfn_oid,
										  initValue, initValueIsNull,
										  aggTransFnInputTypes,
										  numAggTransFnArgs);

				/* 检查严格函数和初始值的兼容性 */
				if (pertrans->transfn.fn_strict && pertrans->initValueIsNull)
				{
					if (numAggTransFnArgs <= numDirectArgs ||
						!IsBinaryCoercible(aggTransFnInputTypes[numDirectArgs],
										   aggtranstype))
						ereport(ERROR,
								(errcode(ERRCODE_INVALID_FUNCTION_DEFINITION),
								 errmsg("aggregate %u needs to have compatible input type and transition type",
										aggref->aggfnoid)));
				}
			}
		}
		else
			pertrans->aggshared = true; // 标记共享转换状态
		ReleaseSysCache(aggTuple); // 释放元数据缓存
	}

	/*
	 * 更新唯一聚合函数和转换状态数量
	 */
	aggstate->numaggs = numaggs;
	aggstate->numtrans = numtrans;

	/*
	 * 检查是否存在嵌套聚合函数（非法情况）
	 */
	if (numaggrefs != list_length(aggstate->aggs))
		ereport(ERROR,
				(errcode(ERRCODE_GROUPING_ERROR),
				 errmsg("aggregate function calls cannot be nested")));

	/*
	 * 为每个阶段构建转换函数表达式
	 */
	for (phaseidx = 0; phaseidx < aggstate->numphases; phaseidx++)
	{
		AggStatePerPhase phase = &aggstate->phases[phaseidx]; // 当前阶段数据
		bool dohash = false; // 是否执行哈希聚合
		bool dosort = false; // 是否执行排序聚合

		if (!phase->aggnode)
			continue; // 跳过不存在的阶段 0

		if (aggstate->aggstrategy == AGG_MIXED && phaseidx == 1)
		{
			dohash = true; // 混合模式阶段 1 执行哈希和排序
			dosort = true;
		}
		else if (aggstate->aggstrategy == AGG_MIXED && phaseidx == 0)
		{
			continue; // 混合模式阶段 0 无需转换函数
		}
		else if (phase->aggstrategy == AGG_PLAIN || phase->aggstrategy == AGG_SORTED)
		{
			dohash = false; // 普通或排序模式
			dosort = true;
		}
		else if (phase->aggstrategy == AGG_HASHED)
		{
			dohash = true; // 哈希模式
			dosort = false;
		}
		else
			Assert(false); // 非法策略

		phase->evaltrans = ExecBuildAggTrans(aggstate, phase, dosort, dohash, false); // 构建转换函数表达式
		phase->evaltrans_cache[0][0] = phase->evaltrans; // 缓存转换表达式
	}

	return aggstate; // 返回初始化的聚合状态
}

ExecInitAgg 函数的大致流程

  1. 创建并初始化 AggState ：分配 AggState 结构，设置计划节点、执行状态和聚合策略（如 AGG_HASHED）。初始化状态变量（如 numaggs）。
  2. 确定阶段和分组集 ：根据聚合策略（哈希或排序）和分组集（groupingSets）计算阶段数量（numPhases）和哈希阶段数量（numHashes）。
  3. 分配表达式上下文 ：为输入、输出、哈希表和分组集创建表达式上下文（aggcontexts），用于存储临时数据和聚合结果。
  4. 初始化子计划 ：调用 ExecInitNode 初始化子计划（如 Seq Scan），并设置输入元组的类型和扫描槽。
  5. 处理多阶段和排序 ：若阶段数超过 2（排序模式），分配排序槽；为哈希聚合初始化哈希表相关结构（如 hashcontext、hash_pergroup）。
  6. 初始化结果槽和投影：设置结果元组槽和投影信息，确保输出格式正确。
  7. 初始化表达式和聚合函数 ：初始化限定条件（qual）和聚合函数（Aggref），检查权限并提取聚合函数元数据（如转换函数、最终函数）。
  8. 处理分组集和哈希表：为每个阶段和分组集分配分组列和比较函数，初始化哈希表（包括内存限制和分区估计）。
  9. 设置阶段和转换函数 ：根据聚合策略（哈希或排序）初始化当前阶段，构建转换函数表达式（evaltrans）并缓存。
  10. 返回 AggState ：返回完全初始化的 AggState，供执行阶段使用。

ExecInitAgg 函数的细化流程

以下是对 ExecInitAgg 函数的更细化流程描述，深入剖析其分支逻辑，并结合查询 SELECT DISTINCT a FROM t1 LIMIT 10 的上下文，进一步细化条件分支和关键决策点。

ExecInitAgg 函数负责初始化聚合节点的运行时状态（AggState），为 GROUP BY、DISTINCT 或聚合函数的执行准备环境。它根据聚合策略（哈希、排序或混合）、分组集（groupingSets）和链式聚合（chain）进行复杂的分支处理。以下是细化的流程描述，重点突出分支逻辑：

  1. 创建并初始化 AggState：

    • 分配 AggState 结构，设置计划节点（node）、执行状态（estate）和执行函数（ExecAgg）。
    • 初始化状态变量：聚合函数列表（aggs）、数量（numaggs、numtrans）、策略（aggstrategy）、拆分模式（aggsplit）等。
    • 分支 ：检查执行标志（eflags），确保不支持 BACKWARD 或 MARK 扫描。

  2. 确定阶段和分组集数量：

    • 判断是否使用哈希聚合（AGG_HASHED 或 AGG_MIXED），设置 numPhases（哈希模式为 1，排序模式为 2）和 numHashes。
    • 分支 ：若存在 groupingSets，遍历 groupingSets 和链式聚合（chain）：
      • 计算最大分组集数量（numGroupingSets）。
      • 对链式聚合节点，若策略为 AGG_HASHED，增加 numHashes；否则，增加 numPhases。
    • 设置 maxsets 和 numphases。

  3. 分配表达式上下文：

    • 创建主表达式上下文（ps_ExprContext）和临时上下文（tmpcontext）。
    • 为每个分组集分配上下文（aggcontexts）。
    • 分支 ：若为哈希聚合，额外创建哈希表上下文（hashcontext）。
    • 创建额外的表达式上下文用于输出处理。

  4. 初始化子计划：

    • 获取外层计划（outerPlan）并调用 ExecInitNode 初始化。
    • 分支 ：若为 AGG_HASHED，禁用 REWIND 标志以优化重置。
    • 设置输入元组的操作（outerops）和扫描槽（ss_ScanTupleSlot）。

  5. 处理多阶段和排序槽：

    • 分支 ：若 numPhases > 2（排序模式多阶段），分配排序槽（sort_slot）并调整 outerops。
    • 否则，跳过排序槽分配。

  6. 初始化结果槽和投影：

    • 初始化结果元组槽（TTSOpsVirtual）和投影信息，确保输出格式正确。

  7. 初始化表达式和聚合函数：

    • 初始化限定条件（qual），查找其中的 Aggref。
    • 遍历 aggs，计算唯一聚合函数（numaggs）和转换状态（numtrans）数量。
    • 分支 ：为每个 Aggref：
      • 检查权限（ACL_EXECUTE）和聚合函数元数据（pg_aggregate）。
      • 子分支 ：根据 aggsplit 模式（SKIPFINAL、SERIALIZE、DESERIALIZE）：
        • 设置最终函数（finalfn）、序列化（serialfn）、反序列化（deserialfn）函数。
        • 若 aggtranstype = INTERNALOID，验证序列化/反序列化函数。
      • 初始化直接参数（aggdirectargs）和最终函数表达式。
      • 子分支 ：根据 aggsplit（COMBINE 或普通模式）：
        • 使用组合函数（aggcombinefn）或转换函数（aggtransfn）。
        • 设置初始值（initValue）和输入参数数量（numTransInputs）。
      • 检查严格函数（fn_strict）与初始值的兼容性。

  8. 处理分组集和比较函数：

    • 为每个阶段分配 AggStatePerPhaseData。
    • 分支 ：根据聚合策略：
      • 哈希模式（AGG_HASHED 或 AGG_MIXED） ：
        • 设置阶段 0 数据，保存分组列（grouped_cols）和长度（gset_lengths）。
        • 累积所有分组列（all_grouped_cols）。
      • 排序模式（AGG_SORTED 或 AGG_PLAIN） ：
        • 为每个分组集分配列和长度。
        • 子分支 ：若为排序聚合，预计算比较函数（eqfunctions）以优化元组比较。
    • 将 all_grouped_cols 转换为降序列表。

  9. 初始化哈希表（仅哈希模式）：

    • 分支 ：若 use_hashing：
      • 创建哈希表元上下文（hash_metacxt）和溢出槽（hash_spill_rslot、hash_spill_wslot）。
      • 计算哈希表条目大小（hashentrysize）和总分组数（totalGroups）。
      • 调用 hash_agg_set_limits 设置内存限制（hash_mem_limit）和分区数（hash_planned_partitions）。
      • 调用 find_hash_columns 和 build_hash_tables（非 EXPLAIN 模式）初始化哈希表。
      • 设置初始状态（table_filled = false，hash_batches_used = 1）。

  10. 设置阶段和转换函数：

    • 分支 ：根据 aggstrategy：
      • AGG_HASHED：设置 current_phase = 0，初始化阶段 0。
      • 其他：设置 current_phase = 1，初始化阶段 1。
    • 调用 initialize_phase 和 select_current_set 设置阶段和分组集。
    • 为每个阶段构建转换函数表达式（evaltrans）并缓存。

  11. 返回 AggState：

    • 返回完全初始化的 AggState，供执行阶段（如 ExecAgg）使用。

Mermaid 流程图

以下分别是 ExecInitAgg 函数的大致和细化流程图，使用 Mermaid 语法表示，清晰展示其主要步骤：

graph TD A[开始: ExecInitAgg] --> B[创建 AggState 结构
设置计划、执行状态、聚合策略] B --> C[确定阶段数和分组集数量
计算 numPhases 和 numHashes] C --> D[分配表达式上下文
为输入、输出、哈希表、分组集创建] D --> E[初始化子计划
调用 ExecInitNode 设置子计划和输入元组类型] E --> F{聚合策略} F -->|哈希模式| G[初始化哈希表
分配 hashcontext, hash_pergroup
设置内存限制和分区] F -->|排序/混合模式| H[若 numPhases > 2
分配排序槽] G --> I[初始化结果槽和投影
设置结果元组槽和投影信息] H --> I I --> J[初始化限定条件和聚合函数
检查权限，提取元数据] J --> K[处理分组集和比较函数
为阶段和分组集分配分组列] K --> L[初始化阶段和转换函数
设置 current_phase, 构建 evaltrans] L --> M[返回初始化的 AggState]
bash 复制代码 
graph TD
    A[开始: ExecInitAgg] --> B[创建 AggState<br>设置计划、执行状态、ExecAgg<br>初始化 aggstrategy]
    B --> C{检查 eflags}
    C -->|无 BACKWARD/MARK| D[确定阶段数<br>use_hashing = AGG_HASHED or AGG_MIXED?]
    D -->|是| E[numPhases = 1<br>numHashes = 1]
    D -->|否| F[numPhases = 2<br>numHashes = 0]
    E --> G{groupingSets 存在?}
    F --> G
    G -->|是| H[遍历 groupingSets 和 chain<br>计算 numGroupingSets<br>AGG_HASHED: 增加 numHashes<br>其他: 增加 numPhases]
    G -->|否| I[numGroupingSets = 1]
    H --> J[设置 maxsets, numphases]
    I --> J
    J --> K[分配表达式上下文<br>创建主上下文、tmpcontext<br>为每个分组集分配 aggcontexts]
    K --> L{use_hashing?}
    L -->|是| M[创建 hashcontext]
    L -->|否| N[跳过 hashcontext]
    M --> O[初始化子计划<br>调用 ExecInitNode<br>AGG_HASHED: 禁用 REWIND]
    N --> O
    O --> P{numPhases > 2?}
    P -->|是| Q[分配 sort_slot<br>调整 outerops]
    P -->|否| R[跳过排序槽]
    Q --> S[初始化结果槽<br>设置 TTSOpsVirtual 和投影]
    R --> S
    S --> T[初始化 qual 和 Aggref<br>计算 numaggs, numtrans]
    T --> U{遍历 aggref}
    U -->|未初始化| V[检查权限<br>获取 pg_aggregate 元数据]
    V --> W{aggsplit 模式}
    W -->|SKIPFINAL| X[finalfn_oid = Invalid]
    W -->|其他| Y[finalfn_oid = aggfinalfn]
    X --> Z{aggtranstype = INTERNAL?}
    Y --> Z
    Z -->|是| AA{aggsplit}
    AA -->|SERIALIZE| AB[设置 serialfn_oid]
    AA -->|DESERIALIZE| AC[设置 deserialfn_oid]
    AA -->|其他| AD[跳过序列化]
    Z -->|否| AD
    AB --> AE[检查组件函数权限<br>初始化直接参数]
    AC --> AE
    AD --> AE
    AE --> AF{aggsplit = COMBINE?}
    AF -->|是| AG[使用 aggcombinefn<br>numTransInputs = 1]
    AF -->|否| AH{aggkind = ORDERED_SET?}
    AH -->|是| AI[numTransInputs = args 长度]
    AH -->|否| AJ[numTransInputs = numAggTransFnArgs]
    AI --> AK[构建 pertrans<br>设置 transfn, initValue<br>检查严格性兼容]
    AJ --> AK
    AG --> AK
    AK --> AL{pertrans 已初始化?}
    AL -->|是| AM[标记 aggshared]
    AL -->|否| U
    AM --> AN[更新 numaggs, numtrans]
    AN --> AO{检查嵌套 Aggref}
    AO -->|无嵌套| AP[为每个阶段构建 evaltrans]
    AP --> AQ{aggstrategy}
    AQ -->|AGG_MIXED, phase=1| AR[dohash = true<br>dosort = true]
    AQ -->|AGG_MIXED, phase=0| AS[跳过转换函数]
    AQ -->|AGG_PLAIN/SORTED| AT[dohash = false<br>dosort = true]
    AQ -->|AGG_HASHED| AU[dohash = true<br>dosort = false]
    AR --> AV[构建 evaltrans<br>缓存到 evaltrans_cache]
    AT --> AV
    AU --> AV
    AS --> AW{use_hashing?}
    AW -->|是| AX[创建 hash_metacxt<br>分配 spill_rslot, spill_wslot<br>计算 hashentrysize<br>设置 hash_mem_limit, hash_planned_partitions<br>构建哈希表]
    AW -->|否| AY[跳过哈希表]
    AX --> AZ{aggstrategy = AGG_HASHED?}
    AY --> AZ
    AZ -->|是| BA[current_phase = 0<br>初始化阶段 0]
    AZ -->|否| BB[current_phase = 1<br>初始化阶段 1]
    BA --> BC[返回 AggState]
    BB --> BC

打印堆栈信息：

c 复制代码 
(gdb) bt
#0  ExecInitAgg (node=0x1cea958, estate=0x1ce6e20, eflags=32) at nodeAgg.c:3200
#1  0x000000000075cf03 in ExecInitNode (node=0x1cea958, estate=0x1ce6e20, eflags=32) at execProcnode.c:341
#2  0x000000000078e4ff in ExecInitLimit (node=0x1ceaa68, estate=0x1ce6e20, eflags=32) at nodeLimit.c:477
#3  0x000000000075cff5 in ExecInitNode (node=0x1ceaa68, estate=0x1ce6e20, eflags=32) at execProcnode.c:381
#4  0x000000000075268b in InitPlan (queryDesc=0x1cbea90, eflags=32) at execMain.c:966
#5  0x000000000075152a in standard_ExecutorStart (queryDesc=0x1cbea90, eflags=32) at execMain.c:261
#6  0x0000000000751279 in ExecutorStart (queryDesc=0x1cbea90, eflags=0) at execMain.c:137
#7  0x00000000009ea524 in PortalStart (portal=0x1c6a1b0, params=0x0, eflags=0, snapshot=0x0) at pquery.c:517
#8  0x00000000009e429a in exec_simple_query (query_string=0x1bebc30 "SELECT DISTINCT a FROM t1 LIMIT 10;") a
t postgres.c:1245
#9  0x00000000009e8cb9 in PostgresMain (dbname=0x1c24050 "postgres", username=0x1c24038 "kuchiki") at postgr
es.c:4766
#10 0x00000000009e089e in BackendMain (startup_data=0x7fff47d0585c "", startup_data_len=4) at backend_startu
p.c:107
#11 0x000000000090d681 in postmaster_child_launch (child_type=B_BACKEND, startup_data=0x7fff47d0585c "", sta
rtup_data_len=4, client_sock=0x7fff47d05880) at launch_backend.c:274
#12 0x0000000000912a76 in BackendStartup (client_sock=0x7fff47d05880) at postmaster.c:3414
#13 0x0000000000910549 in ServerLoop () at postmaster.c:1648
#14 0x000000000090ff12 in PostmasterMain (argc=3, argv=0x1be67e0) at postmaster.c:1346
#15 0x00000000007d1de4 in main (argc=3, argv=0x1be67e0) at main.c:197

ExecAgg 函数

ExecAgg 是 PostgreSQL 中执行聚合操作的核心函数，负责从外层子计划（如 Seq Scan）接收元组，根据聚合策略（AGG_HASHED、AGG_MIXED、AGG_PLAIN 或 AGG_SORTED）处理聚合，并返回结果元组槽。它在运行时状态（AggState）的指导下工作，处理 GROUP BY、DISTINCT 或聚合函数的逻辑。

以下是为 ExecAgg 函数添加中文注释的代码版本，并结合示例查询 SELECT DISTINCT a FROM t1 LIMIT 10 提供细化的流程描述和 Mermaid 流程图。注释清晰说明每行代码的作用，流程描述深入剖析函数逻辑和分支，流程图进一步细化策略分支，确保内容简洁且易于理解。

c 复制代码 
/*
 * ExecAgg
 *
 * 执行聚合操作，从外层子计划接收元组并按目标列表或限定条件中的聚合函数（Aggref 节点）进行聚合。
 * 分组聚合为每个分组生成一行结果；普通聚合为整个查询生成单行结果。
 * 聚合值存储在表达式上下文中，供 ExecProject 评估结果元组使用。
 * 参数：
 *   pstate - 计划状态（此处为 AggState）
 * 返回值：
 *   TupleTableSlot* - 聚合结果的元组槽，或 NULL（无更多结果）
 */
static TupleTableSlot *
ExecAgg(PlanState *pstate)
{
	AggState   *node = castNode(AggState, pstate); // 将计划状态转换为 AggState
	TupleTableSlot *result = NULL; // 初始化结果元组槽为 NULL

	CHECK_FOR_INTERRUPTS(); // 检查查询中断信号

	if (!node->agg_done) // 检查聚合是否完成
	{
		/* 根据聚合策略分派执行 */
		switch (node->phase->aggstrategy)
		{
			case AGG_HASHED: // 哈希聚合策略
				if (!node->table_filled) // 如果哈希表未填充
					agg_fill_hash_table(node); // 填充哈希表
				/* FALLTHROUGH */
			case AGG_MIXED: // 混合聚合策略
				result = agg_retrieve_hash_table(node); // 从哈希表检索结果
				break;
			case AGG_PLAIN: // 普通聚合策略
			case AGG_SORTED: // 排序聚合策略
				result = agg_retrieve_direct(node); // 直接检索结果
				break;
		}

		if (!TupIsNull(result)) // 如果结果元组不为空
			return result; // 返回结果元组槽
	}

	return NULL; // 无更多结果，返回 NULL
}

ExecAgg 函数的细化流程

  1. 转换计划状态：

    • 将输入的 PlanState 转换为 AggState（node），获取运行时状态。

  2. 检查中断：

    • 调用 CHECK_FOR_INTERRUPTS 检查是否有查询中断信号（如用户取消查询）。

  3. 检查聚合完成状态：

    • 检查 node->agg_done，若为 true，表示聚合已完成，直接返回 NULL。
    • 分支 ：若 agg_done = false，继续处理聚合。

  4. 根据聚合策略分派：

    • 分支：AGG_HASHED ：
      • 子分支 ：检查 table_filled：
        • 若 false，调用 agg_fill_hash_table 填充哈希表，从子计划读取所有元组并构建哈希表。
        • 继续执行（FALLTHROUGH 到 AGG_MIXED）。
      • 调用 agg_retrieve_hash_table 从哈希表中检索结果元组。
    • 分支：AGG_MIXED ：
      • 直接调用 agg_retrieve_hash_table，处理哈希表结果（混合模式可能包含哈希和排序的组合）。
    • 分支：AGG_PLAIN 或 AGG_SORTED ：
      • 调用 agg_retrieve_direct，直接从子计划读取元组并处理（普通聚合为单行，排序聚合按组处理）。

  5. 返回结果：

    • 分支 ：若 result 不为空（!TupIsNull(result)），返回结果元组槽。
    • 否则，返回 NULL（无更多结果或聚合完成）。

示例查询关联

示例查询：

sql 复制代码 
SELECT DISTINCT a FROM t1 LIMIT 10;

查询计划：

复制代码 
Limit  (cost=21.50..21.60 rows=10 width=4) (actual time=0.723..0.728 rows=10 loops=1)
   Output: a
   Buffers: shared hit=9
   ->  HashAggregate  (cost=21.50..22.50 rows=100 width=4) (actual time=0.721..0.725 rows=10 loops=1)
         Output: a
         Group Key: t1.a
         Batches: 1  Memory Usage: 24kB
         Buffers: shared hit=9
         ->  Seq Scan on public.t1  (cost=0.00..19.00 rows=1000 width=4) (actual time=0.018..0.198 rows=1000 loops=1)
               Output: a, b
               Buffers: shared hit=9
Planning Time: 0.131 ms
Execution Time: 0.767 ms

关联说明：

  • 步骤 1 ：pstate 转换为 AggState，aggstrategy = AGG_HASHED。
  • 步骤 2：检查中断，无中断继续执行。
  • 步骤 3 ：agg_done = false，进入策略分派。
  • 步骤 4 ：
    • 进入 AGG_HASHED 分支。
    • 初次调用时，table_filled = false，调用 agg_fill_hash_table，从 Seq Scan 读取 1000 行，构建哈希表（Memory Usage: 24kB，Batches: 1）。
    • 调用 agg_retrieve_hash_table，检索前 10 个唯一值（受 LIMIT 10 影响，可能触发早停优化）。
  • 步骤 5 ：返回包含 t1.a 的结果元组槽（10 行），或 NULL（完成后）。

Mermaid 流程图（细化分支逻辑）

以下是细化的 Mermaid 流程图，详细展示 ExecAgg 的分支逻辑，涵盖聚合策略和处理路径：
是 否 AGG_HASHED 否 是 AGG_MIXED AGG_PLAIN/AGG_SORTED 是 否 开始: ExecAgg 转换 PlanState 为 AggState 检查中断信号
CHECK_FOR_INTERRUPTS agg_done? 返回 NULL phase->aggstrategy table_filled? 调用 agg_fill_hash_table
从子计划填充哈希表 调用 agg_retrieve_hash_table
检索哈希表结果 调用 agg_retrieve_direct
直接从子计划处理 result 不为空? 返回 result 元组槽

agg_fill_hash_table 函数

agg_fill_hash_table 是 PostgreSQL 中哈希聚合（HashAgg）的核心函数之一，负责从外层子计划（如 Seq Scan）读取输入元组，构建哈希表以存储分组键和聚合状态，为后续结果检索（如 agg_retrieve_hash_table）做准备。

c 复制代码 
/*
 * agg_fill_hash_table
 *
 * 为哈希聚合读取输入元组并构建哈希表。
 * 参数：
 *   aggstate - 聚合节点的运行时状态（AggState）
 */
static void
agg_fill_hash_table(AggState *aggstate)
{
	TupleTableSlot *outerslot; // 外层计划的输入元组槽
	ExprContext *tmpcontext = aggstate->tmpcontext; // 临时表达式上下文

	/*
	 * 循环处理外层计划的每个元组，直到耗尽输入。
	 */
	for (;;)
	{
		outerslot = fetch_input_tuple(aggstate); // 从外层计划获取输入元组
		if (TupIsNull(outerslot)) // 如果元组为空（输入耗尽）
			break; // 退出循环

		/* 设置临时上下文的外部元组，用于哈希查找和聚合推进 */
		tmpcontext->ecxt_outertuple = outerslot;

		/* 查找或构建哈希表条目 */
		lookup_hash_entries(aggstate);

		/* 推进聚合函数或组合函数 */
		advance_aggregates(aggstate);

		/*
		 * 在每个元组处理后重置临时上下文（哈希查找已处理部分重置）
		 */
		ResetExprContext(aggstate->tmpcontext);
	}

	/* 完成所有溢出操作（如果有） */
	hashagg_finish_initial_spills(aggstate);

	aggstate->table_filled = true; // 标记哈希表已填充
	/* 初始化以遍历第一个哈希表 */
	select_current_set(aggstate, 0, true); // 选择当前分组集为哈希模式
	ResetTupleHashIterator(aggstate->perhash[0].hashtable,
						   &aggstate->perhash[0].hashiter); // 重置哈希表迭代器
}

以下是细化的流程描述，突出分支逻辑：

  1. 初始化变量：

    • 获取 AggState 的临时表达式上下文（tmpcontext）和输入元组槽（outerslot）。

  2. 循环读取输入元组：

    • 调用 fetch_input_tuple 从外层子计划获取元组。
    • 分支 ：检查元组是否为空（TupIsNull）：
      • 若为空，表示输入耗尽，退出循环。
      • 若不为空，继续处理。

  3. 设置表达式上下文：

    • 将当前元组设置为 tmpcontext->ecxt_outertuple，为哈希查找和聚合推进准备数据。

  4. 查找或构建哈希表条目：

    • 调用 lookup_hash_entries，根据分组键（Group Key）计算哈希值：
      • 子分支：若键已存在，更新对应条目。
      • 若键不存在，创建新条目并初始化聚合状态。

  5. 推进聚合状态：

    • 调用 advance_aggregates，更新聚合函数或组合函数的状态（如累加 COUNT、SUM 或去重）。

  6. 重置临时上下文：

    • 调用 ResetExprContext 重置 tmpcontext，释放临时内存（哈希查找可能已部分重置）。

  7. 完成溢出处理：

    • 调用 hashagg_finish_initial_spills，处理可能发生的磁盘溢出（如哈希表超过 work_mem）。

  8. 标记哈希表完成：

    • 设置 table_filled = true，表示哈希表构建完成。

  9. 初始化哈希表迭代：

    • 调用 select_current_set 设置当前分组集（哈希模式）。
    • 调用 ResetTupleHashIterator 重置哈希表迭代器，准备后续结果检索。

示例查询关联

示例查询：

sql 复制代码 
SELECT DISTINCT a FROM t1 LIMIT 10;

查询计划：

复制代码 
Limit  (cost=21.50..21.60 rows=10 width=4) (actual time=0.723..0.728 rows=10 loops=1)
   Output: a
   Buffers: shared hit=9
   ->  HashAggregate  (cost=21.50..22.50 rows=100 width=4) (actual time=0.721..0.725 rows=10 loops=1)
         Output: a
         Group Key: t1.a
         Batches: 1  Memory Usage: 24kB
         Buffers: shared hit=9
         ->  Seq Scan on public.t1  (cost=0.00..19.00 rows=1000 width=4) (actual time=0.018..0.198 rows=1000 loops=1)
               Output: a, b
               Buffers: shared hit=9
Planning Time: 0.131 ms
Execution Time: 0.767 ms

关联说明：

  • 步骤 1 ：aggstate 包含 HashAgg 的运行时状态，tmpcontext 用于临时处理。
  • 步骤 2 ：fetch_input_tuple 从 Seq Scan 读取 1000 行（rows=1000），每次获取一个元组（t1.a 值）。
  • 步骤 3 ：设置 ecxt_outertuple 为当前元组的 t1.a 值。
  • 步骤 4 ：lookup_hash_entries 计算 t1.a 的哈希值（0 到 99），插入或更新哈希表，存储 100 个唯一值（rows=100）。
  • 步骤 5 ：advance_aggregates 处理去重逻辑（DISTINCT 无聚合函数，仅记录唯一键）。
  • 步骤 6 ：重置 tmpcontext，释放内存。
  • 步骤 7 ：Batches: 1 表示无溢出（Memory Usage: 24kB 远低于 work_mem），无需调用 hashagg_finish_initial_spills。
  • 步骤 8 ：设置 table_filled = true。
  • 步骤 9 ：初始化哈希表迭代器，准备 agg_retrieve_hash_table 检索 10 个结果。

Mermaid 流程图（细化分支逻辑）

以下是细化的 Mermaid 流程图，展示 agg_fill_hash_table 的详细逻辑和分支：
是 否 开始: agg_fill_hash_table 初始化变量
获取 tmpcontext, outerslot 循环: fetch_input_tuple TupIsNull? 退出循环 设置 ecxt_outertuple = outerslot 调用 lookup_hash_entries
查找或构建哈希表条目 调用 advance_aggregates
推进聚合状态 重置 tmpcontext 调用 hashagg_finish_initial_spills
完成溢出处理 设置 table_filled = true 调用 select_current_set
设置当前分组集 调用 ResetTupleHashIterator
重置哈希表迭代器 结束

打印堆栈信息：

c 复制代码 
Breakpoint 1, agg_fill_hash_table (aggstate=0x1ce7358) at nodeAgg.c:2543
(gdb) bt
#0  agg_fill_hash_table (aggstate=0x1ce7358) at nodeAgg.c:2543
#1  0x000000000076f4e2 in ExecAgg (pstate=0x1ce7358) at nodeAgg.c:2172
#2  0x000000000075d202 in ExecProcNodeFirst (node=0x1ce7358) at execProcnode.c:469
#3  0x000000000078d90b in ExecProcNode (node=0x1ce7358) at ../../../src/include/executor/executor.h:274
#4  0x000000000078db10 in ExecLimit (pstate=0x1ce7068) at nodeLimit.c:95
#5  0x000000000075d202 in ExecProcNodeFirst (node=0x1ce7068) at execProcnode.c:469
#6  0x00000000007510eb in ExecProcNode (node=0x1ce7068) at ../../../src/include/executor/executor.h:274
#7  0x0000000000753bde in ExecutePlan (estate=0x1ce6e20, planstate=0x1ce7068, use_parallel_mode=false, opera
tion=CMD_SELECT, sendTuples=true, numberTuples=0, direction=ForwardScanDirection, dest=0x1cf71b8, execute_on
ce=true) at execMain.c:1646
#8  0x000000000075177e in standard_ExecutorRun (queryDesc=0x1cbea90, direction=ForwardScanDirection, count=0
, execute_once=true) at execMain.c:363
#9  0x0000000000751592 in ExecutorRun (queryDesc=0x1cbea90, direction=ForwardScanDirection, count=0, execute
_once=true) at execMain.c:304
#10 0x00000000009eae31 in PortalRunSelect (portal=0x1c6a1b0, forward=true, count=0, dest=0x1cf71b8) at pquer
y.c:924
#11 0x00000000009eaaef in PortalRun (portal=0x1c6a1b0, count=9223372036854775807, isTopLevel=true, run_once=
true, dest=0x1cf71b8, altdest=0x1cf71b8, qc=0x7fff47d05550) at pquery.c:768
#12 0x00000000009e4386 in exec_simple_query (query_string=0x1bebc30 "SELECT DISTINCT a FROM t1 LIMIT 10;") a
t postgres.c:1284
#13 0x00000000009e8cb9 in PostgresMain (dbname=0x1c24050 "postgres", username=0x1c24038 "kuchiki") at postgr
es.c:4766
#14 0x00000000009e089e in BackendMain (startup_data=0x7fff47d0585c "", startup_data_len=4) at backend_startu
p.c:107
#15 0x000000000090d681 in postmaster_child_launch (child_type=B_BACKEND, startup_data=0x7fff47d0585c "", sta
rtup_data_len=4, client_sock=0x7fff47d05880) at launch_backend.c:274
#16 0x0000000000912a76 in BackendStartup (client_sock=0x7fff47d05880) at postmaster.c:3414
#17 0x0000000000910549 in ServerLoop () at postmaster.c:1648
#18 0x000000000090ff12 in PostmasterMain (argc=3, argv=0x1be67e0) at postmaster.c:1346
#19 0x00000000007d1de4 in main (argc=3, argv=0x1be67e0) at main.c:197

lookup_hash_entries 函数

lookup_hash_entries 是 PostgreSQL 哈希聚合（HashAgg）的核心函数之一，负责为当前输入元组在所有哈希分组集（num_hashes）中查找或创建哈希表条目。它处理内存中的哈希表操作，并在溢出模式下将元组写入磁盘分区。

c 复制代码 
/*
 * lookup_hash_entries
 *
 * 为当前元组在所有哈希分组集中查找或创建哈希表条目。
 * 注意：本函数可能重置 tmpcontext。
 * 在"溢出模式"下，某些条目可能为 NULL。同一元组在不同分组集中可能属于不同组，
 * 某些分组集可能匹配内存中的组，而其他分组集可能需溢出到磁盘。
 * 即使多次溢出同一元组到不同分组集看似浪费，但通过为每个分组集分区，
 * 可提高哈希表重新填充的效率。
 * 参数：
 *   aggstate - 聚合节点的运行时状态（AggState）
 */
static void
lookup_hash_entries(AggState *aggstate)
{
	AggStatePerGroup *pergroup = aggstate->hash_pergroup; // 哈希分组状态数组
	TupleTableSlot *outerslot = aggstate->tmpcontext->ecxt_outertuple; // 当前输入元组槽
	int			setno; // 分组集索引

	/* 遍历所有哈希分组集 */
	for (setno = 0; setno < aggstate->num_hashes; setno++)
	{
		AggStatePerHash perhash = &aggstate->perhash[setno]; // 当前分组集的哈希数据
		TupleHashTable hashtable = perhash->hashtable; // 哈希表
		TupleTableSlot *hashslot = perhash->hashslot; // 哈希表槽
		TupleHashEntry entry; // 哈希表条目
		uint32		hash; // 哈希值
		bool		isnew = false; // 标记是否为新条目
		bool	   *p_isnew; // 新条目指针（溢出模式下为 NULL）

		/* 如果哈希表已溢出，不创建新条目 */
		p_isnew = aggstate->hash_spill_mode ? NULL : &isnew;

		select_current_set(aggstate, setno, true); // 选择当前分组集（哈希模式）
		prepare_hash_slot(perhash, outerslot, hashslot); // 准备哈希表槽，填充分组键

		/* 查找或创建哈希表条目 */
		entry = LookupTupleHashEntry(hashtable, hashslot, p_isnew, &hash);

		if (entry != NULL) // 如果找到或创建了条目
		{
			if (isnew) // 如果是新条目
				initialize_hash_entry(aggstate, hashtable, entry); // 初始化条目
			pergroup[setno] = entry->additional; // 保存分组状态
		}
		else // 如果未找到且需溢出
		{
			HashAggSpill *spill = &aggstate->hash_spills[setno]; // 溢出数据结构
			TupleTableSlot *slot = aggstate->tmpcontext->ecxt_outertuple; // 当前元组

			/* 初始化溢出分区（如果尚未初始化） */
			if (spill->partitions == NULL)
				hashagg_spill_init(spill, aggstate->hash_tapeset, 0,
								   perhash->aggnode->numGroups,
								   aggstate->hashentrysize);

			/* 将元组写入溢出分区 */
			hashagg_spill_tuple(aggstate, spill, slot, hash);
			pergroup[setno] = NULL; // 设置分组状态为 NULL
		}
	}
}

以下是细化的流程描述，聚焦原始逻辑：

  1. 初始化变量：

    • 获取 AggState 的哈希分组状态数组（pergroup）和当前输入元组（outerslot）。

  2. 遍历哈希分组集：

    • 对每个分组集（setno 从 0 到 num_hashes-1）：
      • 获取当前分组集的哈希数据（perhash）、哈希表（hashtable）和哈希表槽（hashslot）。

  3. 设置溢出模式标志：

    • 检查 hash_spill_mode：
      • 若为 true（溢出模式），设置 p_isnew = NULL，不创建新条目。
      • 若为 false，设置 p_isnew = &isnew，允许创建新条目。

  4. 选择分组集并准备哈希槽：

    • 调用 select_current_set 设置当前分组集为哈希模式。
    • 调用 prepare_hash_slot，将输入元组（outerslot）的分组键（如 t1.a）填充到 hashslot。

  5. 查找或创建哈希表条目：

    • 调用 LookupTupleHashEntry，根据 hashslot 计算哈希值（hash）并查找条目：
      • 分支 ：若找到条目或创建新条目（entry != NULL）：
        • 若 isnew = true，调用 initialize_hash_entry 初始化新条目（设置初始聚合状态）。
        • 保存条目的分组状态到 pergroup[setno]。
      • 分支 ：若未找到条目（entry = NULL，溢出模式）：
        • 获取溢出数据结构（spill）。
        • 若 spill->partitions 未初始化，调用 hashagg_spill_init 设置溢出分区。
        • 调用 hashagg_spill_tuple，将元组和哈希值写入溢出分区。
        • 设置 pergroup[setno] = NULL。

  6. 继续处理下一分组集：

    • 循环处理所有分组集，直至完成。

示例查询关联

示例查询：

sql 复制代码 
SELECT DISTINCT a FROM t1 LIMIT 10;

查询计划：

复制代码 
Limit  (cost=21.50..21.60 rows=10 width=4) (actual time=0.723..0.728 rows=10 loops=1)
   Output: a
   Buffers: shared hit=9
   ->  HashAggregate  (cost=21.50..22.50 rows=100 width=4) (actual time=0.721..0.725 rows=10 loops=1)
         Output: a
         Group Key: t1.a
         Batches: 1  Memory Usage: 24kB
         Buffers: shared hit=9
         ->  Seq Scan on public.t1  (cost=0.00..19.00 rows=1000 width=4) (actual time=0.018..0.198 rows=1000 loops=1)
               Output: a, b
               Buffers: shared hit=9
Planning Time: 0.131 ms
Execution Time: 0.767 ms

关联说明：

  • 步骤 1 ：pergroup 存储哈希分组状态，outerslot 包含 Seq Scan 返回的元组（t1.a 值）。
  • 步骤 2 ：num_hashes = 1（单分组集，Group Key: t1.a），循环仅执行一次。
  • 步骤 3 ：hash_spill_mode = false（Batches: 1，Memory Usage: 24kB 小于 work_mem），p_isnew = &isnew。
  • 步骤 4 ：调用 select_current_set(setno=0, true)，设置分组集；prepare_hash_slot 将 t1.a 值填充到 hashslot。
  • 步骤 5 ：
    • LookupTupleHashEntry 计算 t1.a 的哈希值（0 到 99）：
      • 若 t1.a 已存在，更新条目。
      • 若新值，创建条目（isnew = true），调用 initialize_hash_entry 初始化（DISTINCT 无聚合函数，仅记录键）。
      • 保存条目状态到 pergroup[0]。
    • 本例无溢出（Batches: 1），不执行溢出分支。
  • 步骤 6：单分组集，循环结束。

Mermaid 流程图（原始逻辑）

以下是 Mermaid 流程图，展示 lookup_hash_entries 的原始逻辑：

hashagg_finish_initial_spills 函数

hashagg_finish_initial_spills 是 PostgreSQL 哈希聚合（HashAgg）流程中的辅助函数，负责在初始哈希表构建完成后处理磁盘溢出（spill）。它将溢出的分区转换为新的批次（batches），供后续处理，并清理溢出相关资源。

c 复制代码 
/*
 * hashagg_finish_initial_spills
 *
 * 在处理完哈希聚合批次（HashAggBatch）后，如果有元组溢出到磁盘，
 * 将溢出的分区转换为新的批次，供后续执行。
 * 参数：
 *   aggstate - 聚合节点的运行时状态（AggState）
 */
static void
hashagg_finish_initial_spills(AggState *aggstate)
{
	int			setno; // 分组集索引
	int			total_npartitions = 0; // 总分区数

	/* 检查是否存在溢出数据结构 */
	if (aggstate->hash_spills != NULL)
	{
		/* 遍历所有哈希分组集 */
		for (setno = 0; setno < aggstate->num_hashes; setno++)
		{
			HashAggSpill *spill = &aggstate->hash_spills[setno]; // 当前分组集的溢出数据

			total_npartitions += spill->npartitions; // 累积分区数
			hashagg_spill_finish(aggstate, spill, setno); // 完成当前分组集的溢出处理
		}

		/*
		 * 不再处理外层计划的元组，仅处理溢出批次的元组。
		 * 初始溢出结构不再需要，释放内存。
		 */
		pfree(aggstate->hash_spills); // 释放溢出数据结构
		aggstate->hash_spills = NULL; // 清空溢出指针
	}

	/* 更新哈希聚合的度量信息 */
	hash_agg_update_metrics(aggstate, false, total_npartitions);
	aggstate->hash_spill_mode = false; // 关闭溢出模式
}

以下是细化的流程描述，聚焦原始逻辑：

  1. 初始化变量：

    • 定义分组集索引（setno）和总分区计数（total_npartitions）。

  2. 检查溢出数据结构：

    • 检查 aggstate->hash_spills 是否存在：
      • 若为空（无溢出），跳过循环，直接更新度量。
      • 若不为空，继续处理。

  3. 遍历哈希分组集：

    • 对每个分组集（setno 从 0 到 num_hashes-1）：
      • 获取当前分组集的溢出数据结构（spill）。
      • 累积分区数（spill->npartitions）。
      • 调用 hashagg_spill_finish，将溢出分区转换为新批次。

  4. 释放溢出资源：

    • 释放 hash_spills 内存，设置 hash_spills = NULL，表示不再处理外层计划元组，仅处理溢出批次。

  5. 更新度量并关闭溢出模式：

    • 调用 hash_agg_update_metrics，记录分区数等信息（spilling = false）。
    • 设置 hash_spill_mode = false，退出溢出模式。

示例查询关联

示例查询：

sql 复制代码 
SELECT DISTINCT a FROM t1 LIMIT 10;

查询计划：

复制代码 
Limit  (cost=21.50..21.60 rows=10 width=4) (actual time=0.723..0.728 rows=10 loops=1)
   Output: a
   Buffers: shared hit=9
   ->  HashAggregate  (cost=21.50..22.50 rows=100 width=4) (actual time=0.721..0.725 rows=10 loops=1)
         Output: a
         Group Key: t1.a
         Batches: 1  Memory Usage: 24kB
         Buffers: shared hit=9
         ->  Seq Scan on public.t1  (cost=0.00..19.00 rows=1000 width=4) (actual time=0.018..0.198 rows=1000 loops=1)
               Output: a, b
               Buffers: shared hit=9
Planning Time: 0.131 ms
Execution Time: 0.767 ms

关联说明：

  • 步骤 1 ：初始化 setno 和 total_npartitions = 0。
  • 步骤 2 ：hash_spills = NULL（Batches: 1，Memory Usage: 24kB 小于 work_mem），无溢出，跳过循环。
  • 步骤 3 ：无分组集需要处理（num_hashes = 1，但无溢出）。
  • 步骤 4 ：跳过释放 hash_spills（已是 NULL）。
  • 步骤 5 ：调用 hash_agg_update_metrics，记录 total_npartitions = 0，设置 hash_spill_mode = false。

Mermaid 流程图（原始逻辑）

以下是 Mermaid 流程图，展示 hashagg_finish_initial_spills 的原始逻辑，细化分支：
是 结束循环 否 开始: hashagg_finish_initial_spills 初始化变量
setno, total_npartitions = 0 hash_spills != NULL? 循环: setno = 0 to num_hashes-1 获取 spill 结构 total_npartitions += spill->npartitions 调用 hashagg_spill_finish
将溢出分区转为新批次 继续下一分组集 释放 hash_spills
设置 hash_spills = NULL 跳过循环 调用 hash_agg_update_metrics
更新度量信息 设置 hash_spill_mode = false 结束

agg_retrieve_hash_table 函数

agg_retrieve_hash_table 是 PostgreSQL 哈希聚合（HashAgg）的核心函数之一，负责从哈希表中检索分组结果。它首先处理内存中的哈希表条目，若内存条目耗尽，则尝试从磁盘溢出分区重新填充哈希表，直至所有分组处理完毕。

c 复制代码 
/*
 * agg_retrieve_hash_table
 *
 * 为哈希聚合从哈希表中检索分组结果。
 * 在内存中元组耗尽后，尝试使用先前溢出的元组重新填充哈希表。
 * 仅在内存和溢出元组全部耗尽后返回 NULL。
 * 参数：
 *   aggstate - 聚合节点的运行时状态（AggState）
 * 返回值：
 *   TupleTableSlot* - 包含分组结果的元组槽，或 NULL（全部耗尽）
 */
static TupleTableSlot *
agg_retrieve_hash_table(AggState *aggstate)
{
	TupleTableSlot *result = NULL; // 初始化结果元组槽为 NULL

	/* 循环直到获取有效结果或全部耗尽 */
	while (result == NULL)
	{
		/* 尝试从内存中的哈希表检索结果 */
		result = agg_retrieve_hash_table_in_memory(aggstate);
		if (result == NULL) // 如果内存中无更多结果
		{
			/* 尝试重新填充哈希表 */
			if (!agg_refill_hash_table(aggstate))
			{
				aggstate->agg_done = true; // 标记聚合完成
				break; // 退出循环
			}
		}
	}

	return result; // 返回结果元组槽或 NULL
}

以下是细化的流程描述，聚焦原始逻辑：

  1. 初始化结果槽：

    • 初始化 result 元组槽为 NULL。

  2. 循环检索结果：

    • 分支 ：当 result 为 NULL 时，继续循环：
      • 调用 agg_retrieve_hash_table_in_memory，从内存中的哈希表获取下一个分组结果：
        • 若返回有效元组槽（result != NULL），退出循环。
        • 若返回 NULL，内存中条目已耗尽。
      • 子分支 ：若内存中无结果，调用 agg_refill_hash_table：
        • 若返回 true，表示成功从溢出分区重新填充哈希表，继续循环。
        • 若返回 false，表示无更多溢出元组，设置 agg_done = true 并退出循环。

  3. 返回结果：

    • 返回 result（有效元组槽或 NULL）。

示例查询关联

示例查询：

sql 复制代码 
SELECT DISTINCT a FROM t1 LIMIT 10;

查询计划：

复制代码 
Limit  (cost=21.50..21.60 rows=10 width=4) (actual time=0.723..0.728 rows=10 loops=1)
   Output: a
   Buffers: shared hit=9
   ->  HashAggregate  (cost=21.50..22.50 rows=100 width=4) (actual time=0.721..0.725 rows=10 loops=1)
         Output: a
         Group Key: t1.a
         Batches: 1  Memory Usage: 24kB
         Buffers: shared hit=9
         ->  Seq Scan on public.t1  (cost=0.00..19.00 rows=1000 width=4) (actual time=0.018..0.198 rows=1000 loops=1)
               Output: a, b
               Buffers: shared hit=9
Planning Time: 0.131 ms
Execution Time: 0.767 ms

关联说明：

  • 步骤 1 ：result = NULL。
  • 步骤 2 ：
    • 调用 agg_retrieve_hash_table_in_memory，从哈希表（包含 100 个唯一 t1.a 值）获取分组结果：
      • 每次返回一个元组槽（t1.a 值），共返回 10 行（受 LIMIT 10 限制）。
      • Batches: 1 表示无溢出，内存中哈希表（24kB）包含所有分组。
    • 无需调用 agg_refill_hash_table（无溢出分区）。
  • 步骤 3 ：返回每个 result 元组槽（包含 t1.a），第 11 次调用返回 NULL（agg_done = true）。

Mermaid 流程图（原始逻辑）

以下是 Mermaid 流程图，展示 agg_retrieve_hash_table 的原始逻辑，细化分支：
是 是 否 是 否 否 开始: agg_retrieve_hash_table 初始化 result = NULL result == NULL? 调用 agg_retrieve_hash_table_in_memory result != NULL? 退出循环 调用 agg_refill_hash_table 返回 true? 设置 agg_done = true 退出循环 返回 result 结束

agg_retrieve_hash_table_in_memory 函数

agg_retrieve_hash_table_in_memory 是 PostgreSQL 哈希聚合（HashAgg）的核心函数之一，负责从内存中的哈希表检索分组结果，仅处理内存中的条目（不考虑溢出元组）。它循环扫描哈希表，转换分组数据，执行聚合函数，并生成结果元组。

c 复制代码 
/*
 * agg_retrieve_hash_table_in_memory
 *
 * 从内存中的哈希表检索分组结果，不考虑溢出到磁盘的元组。
 * 参数：
 *   aggstate - 聚合节点的运行时状态（AggState）
 * 返回值：
 *   TupleTableSlot* - 包含分组结果的元组槽，或 NULL（无更多分组）
 */
static TupleTableSlot *
agg_retrieve_hash_table_in_memory(AggState *aggstate)
{
	ExprContext *econtext; // 输出元组的表达式上下文
	AggStatePerAgg peragg; // 聚合函数状态数组
	AggStatePerGroup pergroup; // 分组状态
	TupleHashEntryData *entry; // 哈希表条目
	TupleTableSlot *firstSlot; // 扫描元组槽
	TupleTableSlot *result; // 结果元组槽
	AggStatePerHash perhash; // 当前分组集的哈希数据

	/*
	 * 获取节点的状态信息。
	 * econtext 是每个输出元组的表达式上下文。
	 */
	econtext = aggstate->ss.ps.ps_ExprContext; // 获取表达式上下文
	peragg = aggstate->peragg; // 获取聚合函数状态
	firstSlot = aggstate->ss.ss_ScanTupleSlot; // 获取扫描元组槽

	/*
	 * 注意：perhash（及其相关数据）可能在循环中变化，
	 * 因为我们会在不同分组集之间切换。
	 */
	perhash = &aggstate->perhash[aggstate->current_set]; // 获取当前分组集的哈希数据

	/*
	 * 循环检索分组，直到找到满足 aggstate->ss.ps.qual 的分组
	 */
	for (;;)
	{
		TupleTableSlot *hashslot = perhash->hashslot; // 哈希表槽
		int			i; // 循环计数器

		CHECK_FOR_INTERRUPTS(); // 检查查询中断信号

		/*
		 * 查找哈希表中的下一个条目
		 */
		entry = ScanTupleHashTable(perhash->hashtable, &perhash->hashiter); // 扫描哈希表
		if (entry == NULL) // 如果没有更多条目
		{
			int			nextset = aggstate->current_set + 1; // 下一个分组集索引

			if (nextset < aggstate->num_hashes) // 如果存在更多分组集
			{
				/*
				 * 切换到下一个分组集，重新初始化并重启循环
				 */
				select_current_set(aggstate, nextset, true); // 切换分组集
				perhash = &aggstate->perhash[aggstate->current_set]; // 更新哈希数据
				ResetTupleHashIterator(perhash->hashtable, &perhash->hashiter); // 重置迭代器
				continue; // 继续循环
			}
			else // 无更多分组集
			{
				return NULL; // 返回 NULL
			}
		}

		/*
		 * 为每个分组清空输出元组上下文。
		 * 不使用 ReScanExprContext，因为可能有聚合函数的关闭回调尚未调用。
		 */
		ResetExprContext(econtext); // 重置表达式上下文

		/*
		 * 将代表性元组转换回具有正确列的格式
		 */
		ExecStoreMinimalTuple(entry->firstTuple, hashslot, false); // 存储最小元组
		slot_getallattrs(hashslot); // 获取哈希表槽的所有属性

		ExecClearTuple(firstSlot); // 清空扫描元组槽
		memset(firstSlot->tts_isnull, true,
			   firstSlot->tts_tupleDescriptor->natts * sizeof(bool)); // 将所有属性标记为 NULL

		/* 复制分组列到扫描元组槽 */
		for (i = 0; i < perhash->numhashGrpCols; i++)
		{
			int			varNumber = perhash->hashGrpColIdxInput[i] - 1; // 输入列索引

			firstSlot->tts_values[varNumber] = hashslot->tts_values[i]; // 复制值
			firstSlot->tts_isnull[varNumber] = hashslot->tts_isnull[i]; // 复制空值标志
		}
		ExecStoreVirtualTuple(firstSlot); // 存储虚拟元组

		pergroup = (AggStatePerGroup) entry->additional; // 获取分组状态

		/*
		 * 使用代表性输入元组处理限定条件和目标列表中的非聚合列引用
		 */
		econtext->ecxt_outertuple = firstSlot; // 设置外部元组

		prepare_projection_slot(aggstate,
								econtext->ecxt_outertuple,
								aggstate->current_set); // 准备投影槽

		finalize_aggregates(aggstate, peragg, pergroup); // 完成聚合函数计算

		result = project_aggregates(aggstate); // 投影聚合结果
		if (result) // 如果投影结果有效
			return result; // 返回结果元组槽
	}

	/* 无更多分组 */
	return NULL;
}

以下是细化的流程描述，聚焦原始逻辑：

  1. 初始化变量：

    • 获取表达式上下文（econtext）、聚合函数状态（peragg）、扫描元组槽（firstSlot）。
    • 获取当前分组集的哈希数据（perhash）。

  2. 循环检索分组：

    • 调用 CHECK_FOR_INTERRUPTS 检查查询中断。
    • 调用 ScanTupleHashTable，获取哈希表中的下一个条目（entry）：
      • 分支 ：若 entry = NULL（当前分组集耗尽）：
        • 检查是否存在下一个分组集（nextset < num_hashes）：
          • 若存在，调用 select_current_set 切换分组集，更新 perhash，调用 ResetTupleHashIterator 重置迭代器，继续循环。
          • 若无更多分组集，返回 NULL。
      • 分支 ：若 entry != NULL，继续处理。

  3. 重置表达式上下文：

    • 调用 ResetExprContext，清空 econtext，避免调用关闭回调（使用普通重置）。

  4. 转换代表性元组：

    • 调用 ExecStoreMinimalTuple 将哈希表条目的 firstTuple 存储到 hashslot。
    • 调用 slot_getallattrs 获取 hashslot 的属性。
    • 清空 firstSlot，将所有属性标记为 NULL（tts_isnull）。
    • 复制分组列（numhashGrpCols）从 hashslot 到 firstSlot，存储为虚拟元组。

  5. 准备投影和聚合：

    • 设置 econtext->ecxt_outertuple = firstSlot，用于非聚合列引用。
    • 调用 prepare_projection_slot，准备投影槽。
    • 调用 finalize_aggregates，完成聚合函数计算（peragg 和 pergroup）。
    • 调用 project_aggregates，生成投影结果（result）。

  6. 返回结果：

    • 分支 ：若 result 不为空，返回结果元组槽。
    • 否则，继续循环查找下一个分组。

示例查询关联

示例查询：

sql 复制代码 
SELECT DISTINCT a FROM t1 LIMIT 10;

查询计划：

复制代码 
Limit  (cost=21.50..21.60 rows=10 width=4) (actual time=0.723..0.728 rows=10 loops=1)
   Output: a
   Buffers: shared hit=9
   ->  HashAggregate  (cost=21.50..22.50 rows=100 width=4) (actual time=0.721..0.725 rows=10 loops=1)
         Output: a
         Group Key: t1.a
         Batches: 1  Memory Usage: 24kB
         Buffers: shared hit=9
         ->  Seq Scan on public.t1  (cost=0.00..19.00 rows=1000 width=4) (actual time=0.018..0.198 rows=1000 loops=1)
               Output: a, b
               Buffers: shared hit=9
Planning Time: 0.131 ms
Execution Time: 0.767 ms

关联说明：

  • 步骤 1 ：econtext 为输出上下文，peragg = NULL（DISTINCT 无聚合函数），firstSlot 为扫描槽，perhash 指向哈希表（含 100 个唯一 t1.a 值）。
  • 步骤 2 ：num_hashes = 1，current_set = 0：
    • ScanTupleHashTable 返回哈希表条目（每次一个 t1.a 值）。
    • 本例无其他分组集（nextset >= 1），耗尽后返回 NULL.
  • 步骤 3 ：重置 econtext。
  • 步骤 4 ：将 entry->firstTuple（t1.a 值）存储到 hashslot，复制到 firstSlot（仅 t1.a 列）。
  • 步骤 5 ：设置 ecxt_outertuple = firstSlot，调用 prepare_projection_slot 和 project_aggregates（finalize_aggregates 为空操作，DISTINCT 无聚合），返回 t1.a 值。共返回 10 行（受 LIMIT 10 限制）。
  • 步骤 6 ：返回有效元组槽（10 次），第 11 次返回 NULL.

Mermaid 流程图（原始逻辑）

以下是 Mermaid 流程图，展示 agg_retrieve_hash_table_in_memory 的原始逻辑，细化分支：
是 是 否 否 是 否 开始: agg_retrieve_hash_table_in_memory 初始化变量
获取 econtext, peragg, firstSlot, perhash 循环开始 检查中断信号
CHECK_FOR_INTERRUPTS 调用 ScanTupleHashTable
获取下一个条目 entry == NULL? nextset < num_hashes? 调用 select_current_set
更新 perhash
重置迭代器 返回 NULL 重置 econtext 存储 entry->firstTuple 到 hashslot
获取属性 清空 firstSlot
复制分组列 设置 ecxt_outertuple = firstSlot 调用 prepare_projection_slot 调用 finalize_aggregates 调用 project_aggregates result != NULL? 返回 result 结束

agg_retrieve_direct 函数

agg_retrieve_direct 是 PostgreSQL 非哈希聚合（AGG_PLAIN 或 AGG_SORTED，可能包含 AGG_MIXED 的排序部分）的核心函数，负责从外层计划读取元组，处理分组，执行聚合函数，并返回结果元组。它支持分组集和多阶段处理，循环直到找到满足条件的有效分组或耗尽所有分组。

c 复制代码 
/*
 * agg_retrieve_direct
 *
 * 为非哈希聚合（普通或排序聚合）处理分组并返回结果元组。
 * 参数：
 *   aggstate - 聚合节点的运行时状态（AggState）
 * 返回值：
 *   TupleTableSlot* - 包含分组结果的元组槽，或 NULL（无更多分组）
 */
static TupleTableSlot *
agg_retrieve_direct(AggState *aggstate)
{
	Agg		   *node = aggstate->phase->aggnode; // 聚合计划节点
	ExprContext *econtext; // 输出元组的表达式上下文
	ExprContext *tmpcontext; // 输入元组的表达式上下文
	AggStatePerAgg peragg; // 聚合函数状态数组
	AggStatePerGroup *pergroups; // 分组状态数组
	TupleTableSlot *outerslot; // 外层计划元组槽
	TupleTableSlot *firstSlot; // 扫描元组槽
	TupleTableSlot *result; // 结果元组槽
	bool		hasGroupingSets = aggstate->phase->numsets > 0; // 是否有分组集
	int			numGroupingSets = Max(aggstate->phase->numsets, 1); // 分组集数量
	int			currentSet; // 当前分组集索引
	int			nextSetSize; // 下一个分组集的列数
	int			numReset; // 需要重置的上下文数量
	int			i; // 循环计数器

	/*
	 * 获取节点的状态信息。
	 * econtext 是每个输出元组的表达式上下文。
	 * tmpcontext 是每个输入元组的表达式上下文。
	 */
	econtext = aggstate->ss.ps.ps_ExprContext; // 获取输出上下文
	tmpcontext = aggstate->tmpcontext; // 获取输入上下文
	peragg = aggstate->peragg; // 获取聚合函数状态
	pergroups = aggstate->pergroups; // 获取分组状态
	firstSlot = aggstate->ss.ss_ScanTupleSlot; // 获取扫描元组槽

	/*
	 * 循环检索分组，直到找到满足 aggstate->ss.ps.qual 的分组。
	 * 对于分组集，projected_set 为 -1（初始调用）或已完成分组的索引。
	 */
	while (!aggstate->agg_done)
	{
		/*
		 * 为每个分组清空输出上下文和聚合上下文（含引用传递的转换值）。
		 * 使用 ReScanExprContext 调用关闭回调，确保清理非内存资源。
		 */
		ReScanExprContext(econtext);

		/*
		 * 确定在当前边界需要重置的分组集数量。
		 */
		if (aggstate->projected_set >= 0 &&
			aggstate->projected_set < numGroupingSets)
			numReset = aggstate->projected_set + 1;
		else
			numReset = numGroupingSets;

		/* 重置聚合上下文 */
		for (i = 0; i < numReset; i++)
		{
			ReScanExprContext(aggstate->aggcontexts[i]);
		}

		/*
		 * 检查输入是否完成且当前阶段无更多分组集需要投影；
		 * 若完成，切换到下一阶段或标记聚合完成。
		 */
		if (aggstate->input_done == true &&
			aggstate->projected_set >= (numGroupingSets - 1))
		{
			if (aggstate->current_phase < aggstate->numphases - 1)
			{
				/* 切换到下一阶段 */
				initialize_phase(aggstate, aggstate->current_phase + 1);
				aggstate->input_done = false;
				aggstate->projected_set = -1;
				numGroupingSets = Max(aggstate->phase->numsets, 1);
				node = aggstate->phase->aggnode;
				numReset = numGroupingSets;
			}
			else if (aggstate->aggstrategy == AGG_MIXED)
			{
				/*
				 * 混合模式：已输出所有分组数据，切换到哈希表输出。
				 */
				initialize_phase(aggstate, 0);
				aggstate->table_filled = true;
				ResetTupleHashIterator(aggstate->perhash[0].hashtable,
									   &aggstate->perhash[0].hashiter);
				select_current_set(aggstate, 0, true);
				return agg_retrieve_hash_table(aggstate);
			}
			else
			{
				aggstate->agg_done = true;
				break;
			}
		}

		/*
		 * 获取下一个分组集的列数，用于检查是否到达分组边界。
		 */
		if (aggstate->projected_set >= 0 &&
			aggstate->projected_set < (numGroupingSets - 1))
			nextSetSize = aggstate->phase->gset_lengths[aggstate->projected_set + 1];
		else
			nextSetSize = 0;

		/*
		 * 如果存在当前分组集的子组，投影它。
		 * 新分组的条件：
		 * - 输入耗尽但未投影所有分组集（已在上面检查）
		 * 或
		 * - 已投影的行不属于最后一个分组集
		 * 且
		 * - 下一个分组集至少有一个分组列
		 * 且
		 * - 前一行和当前行在下一个分组集的列上不同
		 */
		tmpcontext->ecxt_innertuple = econtext->ecxt_outertuple;
		if (aggstate->input_done ||
			(node->aggstrategy != AGG_PLAIN &&
			 aggstate->projected_set != -1 &&
			 aggstate->projected_set < (numGroupingSets - 1) &&
			 nextSetSize > 0 &&
			 !ExecQualAndReset(aggstate->phase->eqfunctions[nextSetSize - 1],
							   tmpcontext)))
		{
			aggstate->projected_set += 1;
			Assert(aggstate->projected_set < numGroupingSets);
			Assert(nextSetSize > 0 || aggstate->input_done);
		}
		else
		{
			/*
			 * 下一个投影将是第一个（或唯一）分组集。
			 */
			aggstate->projected_set = 0;

			/*
			 * 如果没有当前分组的第一个元组，从外层计划获取。
			 */
			if (aggstate->grp_firstTuple == NULL)
			{
				outerslot = fetch_input_tuple(aggstate);
				if (!TupIsNull(outerslot))
				{
					/* 复制第一个输入元组，用于比较和投影 */
					aggstate->grp_firstTuple = ExecCopySlotHeapTuple(outerslot);
				}
				else
				{
					/* 外层计划无元组 */
					if (hasGroupingSets)
					{
						/*
						 * 无输入时，仅投影大小为 0 的分组集。
						 */
						aggstate->input_done = true;
						while (aggstate->phase->gset_lengths[aggstate->projected_set] > 0)
						{
							aggstate->projected_set += 1;
							if (aggstate->projected_set >= numGroupingSets)
								break;
						}
						if (aggstate->projected_set >= numGroupingSets)
							continue;
					}
					else
					{
						aggstate->agg_done = true;
						if (node->aggstrategy != AGG_PLAIN)
							return NULL;
					}
				}
			}

			/* 初始化新输入元组组的工作状态 */
			initialize_aggregates(aggstate, pergroups, numReset);

			if (aggstate->grp_firstTuple != NULL)
			{
				/* 存储第一个输入元组到扫描槽 */
				ExecForceStoreHeapTuple(aggstate->grp_firstTuple, firstSlot, true);
				aggstate->grp_firstTuple = NULL;

				/* 设置第一次 advance_aggregates 调用 */
				tmpcontext->ecxt_outertuple = firstSlot;

				/* 处理外层计划元组，直到耗尽或跨越分组边界 */
				for (;;)
				{
					/* 混合模式阶段 1 需要更新哈希表 */
					if (aggstate->aggstrategy == AGG_MIXED &&
						aggstate->current_phase == 1)
					{
						lookup_hash_entries(aggstate);
					}

					/* 推进聚合函数或组合函数 */
					advance_aggregates(aggstate);

					/* 重置每个输入元组的上下文 */
					ResetExprContext(tmpcontext);

					outerslot = fetch_input_tuple(aggstate);
					if (TupIsNull(outerslot))
					{
						/* 外层计划元组耗尽 */
						if (aggstate->aggstrategy == AGG_MIXED &&
							aggstate->current_phase == 1)
							hashagg_finish_initial_spills(aggstate);
						if (hasGroupingSets)
							aggstate->input_done = true;
						else
							aggstate->agg_done = true;
						break;
					}
					/* 设置下一次 advance_aggregates 调用 */
					tmpcontext->ecxt_outertuple = outerslot;

					/* 如果分组，检查是否跨越分组边界 */
					if (node->aggstrategy != AGG_PLAIN && node->numCols > 0)
					{
						tmpcontext->ecxt_innertuple = firstSlot;
						if (!ExecQual(aggstate->phase->eqfunctions[node->numCols - 1],
									  tmpcontext))
						{
							aggstate->grp_firstTuple = ExecCopySlotHeapTuple(outerslot);
							break;
						}
					}
				}
			}

			/* 使用代表性输入元组处理非聚合列引用 */
			econtext->ecxt_outertuple = firstSlot;
		}

		Assert(aggstate->projected_set >= 0);

		currentSet = aggstate->projected_set;

		prepare_projection_slot(aggstate, econtext->ecxt_outertuple, currentSet);

		select_current_set(aggstate, currentSet, false);

		finalize_aggregates(aggstate, peragg, pergroups[currentSet]);

		/* 如果当前无行可投影，继续循环 */
		result = project_aggregates(aggstate);
		if (result)
			return result;
	}

	/* 无更多分组 */
	return NULL;
}

以下是细化的流程描述，聚焦原始逻辑：

  1. 初始化变量：

    • 获取聚合节点（node）、表达式上下文（econtext 和 tmpcontext）、聚合状态（peragg 和 pergroups）、扫描槽（firstSlot）。
    • 计算分组集数量（numGroupingSets）和是否包含分组集（hasGroupingSets）。

  2. 循环检索分组：

    • 分支 ：当 agg_done = false 时：
      • 调用 ReScanExprContext(econtext) 重置输出上下文，调用关闭回调清理资源。
      • 计算需要重置的上下文数量（numReset），重置 aggcontexts。
      • 子分支 ：若 input_done = true 且 projected_set 达到最后一个分组集：
        • 若存在更多阶段（current_phase < numphases - 1），调用 initialize_phase 切换阶段，重置 input_done 和 projected_set。
        • 若为 AGG_MIXED，初始化哈希表阶段，调用 agg_retrieve_hash_table。
        • 否则，设置 agg_done = true，退出循环。

  3. 确定下一个分组集列数：

    • 若 projected_set 有效，获取下一个分组集的列数（nextSetSize）；否则，设为 0。

  4. 检查新分组：

    • 分支 ：若满足新分组条件（输入耗尽或分组列不同）：
      • 增加 projected_set。
    • 否则，设置 projected_set = 0。

  5. 获取分组的第一个元组：

    • 分支 ：若 grp_firstTuple = NULL：
      • 调用 fetch_input_tuple 获取外层元组：
        • 若有效，复制到 grp_firstTuple。
        • 若为空：
          • 若有分组集，跳过非空分组集，设置 input_done = true。
          • 若无分组集，设置 agg_done = true（非 AGG_PLAIN 返回 NULL）。

  6. 初始化和处理分组：

    • 调用 initialize_aggregates 初始化聚合状态。
    • 若 grp_firstTuple != NULL：
      • 存储到 firstSlot，清空 grp_firstTuple。
      • 循环处理外层元组：
        • 若 AGG_MIXED 且 current_phase = 1，调用 lookup_hash_entries 更新哈希表。
        • 调用 advance_aggregates 推进聚合。
        • 重置 tmpcontext。
        • 获取下一个元组，若为空，处理溢出（AGG_MIXED）并设置 input_done 或 agg_done。
        • 若分组（非 AGG_PLAIN），检查分组边界，若不同，复制新元组到 grp_firstTuple，退出循环。

  7. 投影结果：

    • 设置 econtext->ecxt_outertuple = firstSlot。
    • 调用 prepare_projection_slot 和 finalize_aggregates。
    • 调用 project_aggregates，若返回有效 result，返回；否则继续循环。

  8. 返回结果：

    • 若无更多分组，返回 NULL。

示例查询关联

示例查询：

sql 复制代码 
SELECT DISTINCT a FROM t1 LIMIT 10;

查询计划（假设使用 AGG_SORTED 而非 HashAggregate）：

复制代码 
Limit  (cost=21.50..21.60 rows=10 width=4) (actual time=0.723..0.728 rows=10 loops=1)
   Output: a
   Buffers: shared hit=9
   ->  Sort  (cost=21.50..22.50 rows=100 width=4) (actual time=0.721..0.725 rows=10 loops=1)
         Output: a
         Sort Key: t1.a
         Buffers: shared hit=9
         ->  Seq Scan on public.t1  (cost=0.00..19.00 rows=1000 width=4) (actual time=0.018..0.198 rows=1000 loops=1)
               Output: a, b
               Buffers: shared hit=9
Planning Time: 0.131 ms
Execution Time: 0.767 ms

关联说明：

  • 步骤 1 ：aggstrategy = AGG_SORTED，numGroupingSets = 1，peragg = NULL（DISTINCT 无聚合函数），firstSlot 为扫描槽。
  • 步骤 2 ：agg_done = false，projected_set = -1，重置 econtext，numReset = 1。
  • 步骤 3 ：nextSetSize = 0（单分组集）。
  • 步骤 4 ：设置 projected_set = 0。
  • 步骤 5 ：grp_firstTuple = NULL，调用 fetch_input_tuple 获取 1000 行（t1.a 值），复制第一个元组。
  • 步骤 6 ：
    • 初始化聚合（空操作）。
    • 存储 grp_firstTuple 到 firstSlot，循环处理元组：
      • 调用 advance_aggregates（记录 t1.a 去重）。
      • 获取下一个元组，检查分组边界（t1.a 值不同时退出）。
      • 若输入耗尽，设置 agg_done = true.
  • 步骤 7 ：设置 ecxt_outertuple，调用 project_aggregates，返回 t1.a（10 行，受 LIMIT 10 限制）。
  • 步骤 8 ：第 11 次返回 NULL.

Mermaid 流程图（原始逻辑）

以下是 Mermaid 流程图，展示 agg_retrieve_direct 的原始逻辑，细化分支：

总结

以下是基于 PostgreSQL HashAggregate 相关函数的精简调用关系流程图，使用 Mermaid 语法，仅列出函数名称和中文操作解释，突出调用关系，聚焦原始逻辑。

函数名称与中文操作解释

以下是将上述内容整理为表格形式的结果：

序号 名称 功能描述
1 ExecAgg 执行聚合，分派策略
2 agg_fill_hash_table 填充哈希表，处理输入元组
3 fetch_input_tuple 获取输入元组
4 ExecProcNode 执行子计划节点（如 Seq Scan）
5 lookup_hash_entries 查找或创建分组
6 select_current_set 选择当前分组集
7 prepare_hash_slot 准备哈希槽位
8 LookupTupleHashEntry 查找或新建哈希条目
9 initialize_hash_entry 初始化哈希条目
10 hashagg_spill_init 初始化溢出分区
11 hashagg_spill_tuple 写入溢出数据
12 advance_aggregates 推进聚合函数计算
13 hashagg_finish_initial_spills 完成溢出处理
14 hashagg_spill_finish 转换溢出分区为批次
15 hash_agg_update_metrics 更新统计信息
16 agg_retrieve_hash_table 从哈希表取结果
17 agg_retrieve_hash_table_in_memory 从内存哈希表取分组
18 ScanTupleHashTable 扫描哈希表条目
19 ResetTupleHashIterator 重置哈希表迭代器
20 prepare_projection_slot 准备投影槽
21 finalize_aggregates 完成聚合计算
22 project_aggregates 生成结果元组
23 agg_refill_hash_table 重新填充哈希表
24 tuplesort_gettupleslot 从溢出批次或排序器取元组
25 initialize_aggregates 初始化聚合状态
26 ExecQual 检查分组边界

示例查询关联（SELECT DISTINCT a FROM t1 LIMIT 10）

  • 计划 ：Limit -> HashAggregate -> Seq Scan, Batches: 1, Memory Usage: 24kB.
  • 调用路径 ：
    • ExecAgg ：aggstrategy = AGG_HASHED，初次 table_filled = false，调用 agg_fill_hash_table，然后 agg_retrieve_hash_table。
    • agg_fill_hash_table ：循环调用 fetch_input_tuple（通过 ExecProcNode 获取 1000 行），lookup_hash_entries（调用 select_current_set, prepare_hash_slot, LookupTupleHashEntry, initialize_hash_entry 构建哈希表，100 个唯一 t1.a 值），advance_aggregates（去重），hashagg_finish_initial_spills（调用 hash_agg_update_metrics，无溢出，hash_spills = NULL）。
    • agg_retrieve_hash_table ：调用 agg_retrieve_hash_table_in_memory（调用 ScanTupleHashTable, prepare_projection_slot, finalize_aggregates（空操作），project_aggregates），返回 10 行，无需 agg_refill_hash_table（无溢出）。
    • agg_retrieve_direct：未触发。
相关推荐
颜颜yan_1 天前
UU远程——让工作、学习、娱乐跨设备无缝衔接，“远程”更像“身边”
学习·娱乐·远程工作
YJlio1 天前
Process Monitor 学习笔记（5.24）：工具栏参考与高效快捷键指南
笔记·学习·php
deng-c-f1 天前
Linux C/C++ 学习日记（30）：协程（一）：同步和异步、协程的简要介绍、用户态CPU调度的实现
学习·协程·同步/异步
hello kitty w1 天前
Python学习(11) ----- Python的泛型
windows·python·学习
讽刺人生Yan1 天前
RFSOC学习记录（五）带通采样定理
学习·fpga·rfsoc
报错小能手1 天前
linux学习笔记（49）Redis详解（1）
linux·笔记·学习
biubiubiu07061 天前
Ubuntu中定时任务测试
数据库·postgresql
QT 小鲜肉1 天前
【个人成长笔记】在本地Windows系统中如何正确使用adb pull命令，把Linux系统中的文件或文件夹复制到本地中（亲测有效）
linux·windows·笔记·学习·adb
_李小白1 天前
【OPENGL ES 3.0 学习笔记】第九天：缓存、顶点和顶点数组
笔记·学习·elasticsearch
洛白白1 天前
Word文档中打勾和打叉的三种方法
经验分享·学习·word·生活·学习方法
热门推荐
01BongoCat - 跨平台键盘猫动画工具02GitHub 镜像站点03UV安装并设置国内源04GitLab 零基础入门指南：从安装到项目管理全流程05Linux下V2Ray安装配置指南06NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南07Labelme从安装到标注：零基础完整指南082025软件测试面试八股文（含答案+文档）09jdk21下载、安装（Windows、Linux、macOS）10在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）