Calcite Version：1.26.0
Debug
TopDownOptTest, 加入
@Test void testMY() {
final String sql = "select mgr, count(*) from sales.emp
"
+ "group by mgr order by mgr desc nulls last limit 5";
Query.create(sql).check();
}
RelOptTestBase.checkPlanning，会调用核心优化过程，
planner.setRoot(relBefore);
RelNode r = planner.findBestExp();
Graphviz,
StringWriter sw = new StringWriter();
final PrintWriter pw = new PrintWriter(sw);
Dumpers.dumpGraphviz(this, pw);
static void dumpGraphviz(VolcanoPlanner planner, PrintWriter pw)
本身逻辑都是基于task栈，
所以只要了解有哪些task，和其中的状态机图，就了解其运行的方式，
执行的SQL，"select mgr, count(*) from sales.emp group by mgr order by mgr desc nulls last limit 5"
当前planner的情况，
4个RelSet，对应于上面SQL的4个算子，sort，aggre，project，tablescan
root是RelSubset#3，并且已经提前将convention转化为Enumerable，为了满足这个convention，所以给RelSet增加一个parent，AbstractConverter
从Root开始，
// Starting from the root's OptimizeGroup task.
tasks.push(new OptimizeGroup(planner.root, planner.infCost));
OptimizeGroup
优化什么？优化group是对于，group所在的Relset的Rels中的Relnode进行优化
区分逻辑算子和物理算子，
逻辑算子，非物理节点，并且convention不等于rootConvention；注意并不是名字叫logical就是逻辑，要看convention
针对，逻辑算子和物理算子所生成的task是不同的
看回这个例子，这时root所在的Relset有两个Relnode，
logicalSort是逻辑的
AbstractConverter是物理的，并且是enforcer，enforcer是要放在物理算子最后进行优化，我的理解这个选项就是为了converter
所以最终生成的tasks，注意这里OptimizeMExpr的explore是false
getOptimizeInputTask
在OptimizeGroup似乎，对所有的RelNodes都进行优化
但是对于物理算子，这里其实还是要匹配Traits的，可以看到如果traits不匹配，那么要先passthrough，也就是把Rel的input的traits进行convert后，生成新的passThroughRel，再去OptimizeInput
4种case，
- 如果rel和group的traits不相匹配，先convert生成pass through的Relnode
- 如果convert失败，passThroughRel=null，那么不生成task
- 如果成功继续，
- 如果rel的所有input已经完成优化，那么只需要生成DeriveTrait Task；因为OptimizeInput的目的就是继续优化input group
- 根据input的数目，选择相应的函数，
OptimizeInput1
对于物理算子，继续对input进行OptimizeGroup；
在OptimizeGroup前，先push两个task，也就是说，在OptimizeGroup任务结束后，需要检查以下两点
- CheckInput任务，mExpr的input是否改变，如果变了，需要重新调度优化task
- DeriveTrait任务，用到再说
所以这里是，
下一步继续优化，rel#15:RelSubset#3.NONE.[0 DESC-nulls-last]
这个和root同一个RelSet，所以包含的Relnodes是一样的，
所以也会生成对于logicalSort的优化，但是属于不同的group，
OptimizeMExpr
对于逻辑算子。只有对于逻辑算子才会applyRules；
这个task，目的就是递归topdown，在各个逻辑算子上进行ApplyRules
OptimizeMExpr-> ApplyRules-> ExploreInput-> OptimizeMExpr
（这里explore是false，由于这个OptimizeMExpr是从OptimizeGroup产生的）
在rel#15:RelSubset#3.NONE.[0 DESC-nulls-last]执行的结果，
ExploreInput
和OptimizeGroup对等的作用，也是优化group，差别是这里只处理group.set.rels中的逻辑算子
还有一个很容易被忽略的细节，这里explore的值，
如果是通过OptimizeGroup生成的OptimizeMExpr，explore=false
而通过ExploreInput生成的OptimizeMExpr，explore=true，
explore会影响applyRules的时候的rule的筛选，为true，只会apply TransformationRule
并且在开始会判断，group.explore，这个逻辑这样写是不合理的，会产生误解， 应该写group.set.explore
因为实际是判断的是set的属性，set.exploringState != null
exploreInput实际也是explore set.rels，所以只要有其他的subset已经做了，就没有必要做了
结果如下，
按照这个一直Topdown下去，形成一系列的applyRules，
到此为止，经过的路径
Root -> AbstractConventer -> RelSubset#3.NONE -> LogicalSort.NONE -> RelSubset#2.NONE ...... -> LogicalTableScan.NONE
只是逻辑算子的展开，还没有对plan做任何优化
下面开始ApplyRule的过程，开始真正的优化
ApplyRules
逻辑比较简单，把matches中相应的rule加上，
结果，只加上一条rule，
EnumerableTableScanRule为啥没有加上？
EnumerableTableScanRule是ConverterRule，但不是TransformationRule
为何对于ConverterRule，outTrait==rootConvention，就不是TransformationRule？这个只是用于转换输出的Convention，放后面做？
筛选的时候，有TransformationRule，但是不满足，不会pop，还继续留在ruleQueue里面
ApplyRule
就是调用Rule的onMatch
例子，
AggregateProjectMergeRule
逻辑算子的变化rule
实际就是将Aggre和Project进行merge成一个新的Aggre，可以看到新的Aggre的input就是原先project的input
transformTo
Rule最后都会调用transformTo，
这里的逻辑，主要是处理Rule所新产生的Relnode
主要的逻辑是，ensureRegistered，但是这里equivRel是原先的RelNode, 可以重用RelSet，
结果，rule生成新的RelNode被加入原先的Relset中，作为等价的关系算子；并且对于RelSet#0，多了一个parent
ruleDriver.onProduce
Rule生成新的RelNode，会调用addRelToSet
这里会对应新增加的Node，增加新的Task
- 逻辑算子，增加OptimizeMExpr task，
- 物理算子，增加OptimizeInput Task
有3种可能性，
- optimizingGroup不等于null，正常调用getOptimizeInputTask
- RelNode本身的subset在优化中
- pass through，但是pass through的subset和RelNode的traits相匹配
- optimizingGroup等于null，对于passThrough subset，调用getOptimizeInputTask成功
- addTask，这里task，可能是OptimizeInput，也可能是DeriveTrait
- optimizingGroup等于null，对于passThrough subset，调用getOptimizeInputTask返回null
-啥都不做
这里passThrough的逻辑的case，参考Calcite分析 -- ConverterRule
EnsureGroupExplored
主要是设置group完成Explored
经过一系列的apply rules，所有针对rel#15:RelSubset#3.NONE.[0 DESC-nulls-last]的逻辑优化已经结束，
剩下的是一些EnumerableRule，包含在ruleQueue里面没有被pop的，因为之前的applyRules中的explore一直是true
其中EnumerableLimitRule（具体过程，参考Calcite分析 -- ConverterRule），会生成一个一个新的logicalSort，对后续优化有较大的影响
我理解原因是，在物理实现的时候，sort和limit是分开的，所以带limit的logicalSort需要拆成两个算子，
生成的新的sort算子，通过convert，生成带convention的subset，logicalSort的convention并不会变，仍然是None
基于Sort算子，生成EnumerableLimit算子，这个算子在注册的时候，会和旧的Sort算子注册在一个RelSet中，
这里注意EnumerableLimit的input是rel#21:RelSubset#4.ENUMERABLE.[0 DESC-nulls-last]
同时在增加物理算子，rel#22:EnumerableLimit.ENUMERABLE.[0 DESC-nulls-last](input=RelSubset#21,fetch=5)
会触发增加新的Task，
总结一下上面的流程，
逻辑优化Topdown展开，Root -> AbstractConventer -> RelSubset#3.NONE -> LogicalSort.NONE -> RelSubset#2.NONE ...... -> LogicalTableScan.NONE
逻辑算子Bottomup优化，各层apply transformtionRule，
物理优化的TopDown展开，BottomUp到RelSubset#3.NONE，开始apply Enumerable Rule,
可以看下当前的matches里面，logical算子基本都还留一个EnumerableRule没有触发；
rel#14:LogicalSort.NONE，是因为已经触发EnumerableRule，生成了EnumerableLimit，所以size=0；rel#19:LogicalSort.NONE，刚生成，group还没优化
沿着EnumerableLimit的input，
OptimizeInput(rel#22) -> OptimizeGroup(rel#21) -> OptimizeMExpr -> ApplyRules -> Apply到上面size=5的logicalSort
其中有一个rule，是SortRemoveRule，过程，参考，Calcite分析 -- SortRemoveRule
SortRemove Rule中做了RelSet merge，这个过程中整个Relset#4和他的subset rel#21，在merge中被remove掉
并且这个操作会重新触发被merge到的RelSet，以及他的parent的RelSet的重新优化，直到Root
所以这里触发了重新优化Root的OptimizeGroup，其他的Group后面会连锁的被优化
OptimizeGroup(rel#16:RelSubset#3.ENUMERABLE.[0 DESC-nulls-last]）-> OptimizeInput (rel#22:EnumerableLimit.ENUMERABLE) -> OptimizeGroup(rel#24:RelSubset#2.ENUMERABLE)
虽然开始的时候就调用过OptimizeGroup(rel#16:RelSubset#3.ENUMERABLE），但是现在多了rel#22:EnumerableLimit，所以触发到RelSubset#2.ENUMERABLE的优化
RelSubset#2.ENUMERABLE的优化，会产生3个OptimizeMExpr
但是当前RuleQueue里面只剩下EnumerableRule，没有逻辑优化rule可以触发，
所以OptimizeMExpr的作用，只能是apply MExpr所对应的EnumerableRule
触发完EnumerableSortedAggregateRule后，具体过程参考，Calcite分析 -- ConverterRule
结果如下，
由于EnumerableSortedAggregateRule，中的addConverter，PassThrough，生成两个新的物理算子
从而触发了两个OptimizeInput task
rel#29:RelSubset#0.ENUMERABLE.[3 DESC-nulls-last]
从Task19 OptimizeInput触发到rel#29:RelSubset#0.ENUMERABLE.[3 DESC-nulls-last]的优化，
rel#29:RelSubset#0.ENUMERABLE.[3 DESC-nulls-last]优化触发EnumerableTableScanRule
生成一个物理算子和两个converter
之前在changeTraits时，结果只是增加一个subset，觉得好像没啥用，为啥不直接改RelNode的convention？
原来是增加的subset的required为true，后续在生成物理算子的时候，会触发conventer的生成
但在增加converter，调用addRelToSet的时候，触发driver.onProduce, 会走到pass through的逻辑，
比如对于，rel#33，
这里的passThroughTraits，大部分情况下返回null，
只有这些类实现了这个函数，
PassThrough的目的，是把required的traits，传递到RelNode的inputs，那么也不是什么算子都可以传递traits，
比如rel#33，是sort，那么input应该是没有经过sort的数据，所以这个traits是无法传递的；
比如EnumerableFilter，那么对于filter算子的input就应该保持traits一致。
所以这里PassThrough的RelNode的特点是，本身不会改变traits，所以才可以passThrough？
rel#34，也走到passThrough逻辑，不过34的traits本身就和rel#29:RelSubset#0.ENUMERABLE.[3 DESC-nulls-last]匹配，所以无需新生成passThroughRel，只是增加一个OptimizeInput
注册完converter，
继续加入物理算子，rel#31:EnumerableTableScan.ENUMERABLE.[](table=[CATALOG, SALES, EMP])
第一次有效的触发了subset的cost更新和propagate，参考Calcite分析 -- Cost
OptimizeInput(rel#34) -> OptimizeGroup(rel#32:RelSubset#0.ENUMERABLE.[])
到此rel#29:RelSubset#0.ENUMERABLE.[3 DESC-nulls-last]的优化完成.
OptimizeGroup(rel#24:RelSubset#2.ENUMERABLE -> OptimizeGroup(rel#29:RelSubset#0.ENUMERABLE.[3 DESC-nulls-last] -> OptimizeGroup(rel#32:RelSubset#0.ENUMERABLE.[])
继续优化，rel#24:RelSubset#2.ENUMERABLE
从Task18开始，
从Task18 OptimizeInput触发到rel#27:RelSubset#2.ENUMERABLE.[0]的优化
OptimizeGroup(rel#24:RelSubset#2.ENUMERABLE -> OptimizeGroup(rel#27:RelSubset#2.ENUMERABLE.[0] -> OptimizeGroup(rel#25:RelSubset#0.ENUMERABLE.[3]
在优化到rel#12，触发EnumerableSortedAggregateRule，参考前面的关于这个rule的分析，结果如下，
有Pass through，会对其触发OptimizeInput，
OptimizeGroup(rel#27:RelSubset#2.ENUMERABLE.[0] -> OptimizeGroup(rel#37:RelSubset#1.ENUMERABLE.[0 DESC-nulls-last]
触发，EnumerableProjectRule
OptimizeInput，PassThroughRel
OptimizeGroup(rel#27:RelSubset#2.ENUMERABLE.[0] -> OptimizeGroup(rel#37:RelSubset#1.ENUMERABLE.[0 DESC-nulls-last] -> OptimizeGroup(rel#40:RelSubset#1.ENUMERABLE.[]
之后，一路到优化，到完成rel#24:RelSubset#2.ENUMERABLE
一路回退到Task13，OptimizeInput(rel#17:AbstractConverter.ENUMERABLE.[0 DESC-nulls-last](input=RelSubset#15,convention=ENUMERABLE,sort=[0 DESC-nulls-last]))
再次触发到rel#15的优化，
在DeriveTrait中触发，ExpandConversionRule
注释写的是，将AbstractConverter转换成一系列的converters，但是这里没有生成实际的converter
这样就完成rel#16:RelSubset#3.ENUMERABLE.[0 DESC-nulls-last]的优化
后面一路bottomup上去，直到完成所有节点的优化。
buildCheapestPlan
其实逻辑很简单，
从root，沿着input进行遍历，将subset，替换成best的RelNode
最终优化成3个算子，#47是converter
