开发者社区> IT邦德> 正文
阿里云
为了无法计算的价值
打开APP
阿里云APP内打开

大数据计算,如何优化SQL?

简介: 很多大数据计算都是用SQL实现的,跑得慢时就要去优化SQL,但常常碰到让人干瞪眼的情况。
+关注继续查看

>📢📢📢📣📣📣

>哈喽!大家好,我是【IT邦德】,江湖人称jeames007,10年DBA工作经验

>一位上进心十足的【大数据领域博主】!😜😜😜

>中国DBA联盟(ACDU)成员,目前从事DBA及程序编程

>擅长主流数据Oracle、MySQL、PG 运维开发,备份恢复,安装迁移,性能优化、故障应急处理等。

>✨  如果有对【数据库】感兴趣的【小可爱】,欢迎关注【IT邦德】💞💞💞

>❤️❤️❤️感谢各位大可爱小可爱!❤️❤️❤️



# 前言

<font color=#999AAA >

很多大数据计算都是用SQL实现的,跑得慢时就要去优化SQL,但常常碰到让人干瞪眼的情况。

<hr style=" border:solid; width:100px; height:1px;" color=#000000 size=1">




很多大数据计算都是用SQL实现的,跑得慢时就要去优化SQL,但常常碰到让人干瞪眼的情况。


比如,存储过程中有三条大概形如这样的语句执行得很慢:


```sql

select a,b,sum(x) from T group by a,b where …;  

select c,d,max(y) from T group by c,d where …;  

select a,c,avg(y),min(z) from T group by a,c where …;

```


这里的T是个有数亿行的巨大表,要分别按三种方式分组,分组的结果集都不大。


分组运算要遍历数据表,这三句SQL就要把这个大表遍历三次,对数亿行数据遍历一次的时间就不短,何况三遍。


这种分组运算中,相对于遍历硬盘的时间,CPU计算时间几乎可以忽略。如果可以在一次遍历中把多种分组汇总都计算出来,虽然CPU计算量并没有变少,但能大幅减少硬盘读取数据量,就能成倍提速了。


如果SQL支持类似这样的语法:


```sql

from T --数据来自T表

select a,b,sum(x) group by a,b where …   --遍历中的第一种分组    

select c,d,max(y) group by c,d where …   --遍历中的第二种分组    

select a,c,avg(y),min(z) group by a,c where …; --遍历中的第三种分组

```


能一次返回多个结果集,那就可以大幅提高性能了。


可惜, SQL没有这种语法,写不出这样的语句,只能用个变通的办法,就是用group a,b,c,d的写法先算出更细致的分组结果集,但要先存成一个临时表,才能进一步用SQL计算出目标结果。SQL大致如下:


```sql

create table T\_temp as select a,b,c,d,  

    sum(case when … then x else 0 end) sumx,  

    max(case when … then y else null end) maxy,  

    sum(case when … then y else 0 end) sumy,  

    count(case when … then 1 else null end) county,  

    min(case when … then z else null end) minz

    group by a,b,c,d;

select a,b,sum(sumx) from T\_temp group by a,b where …;  

select c,d,max(maxy) from T\_temp group by c,d where …;  

select a,c,sum(sumy)/sum(county),min(minz) from T\_temp group by a,c where …;

```


这样只要遍历一次了,但要把不同的WHERE条件转到前面的case when里,代码复杂很多,也会加大计算量。而且,计算临时表时分组字段的个数变得很多,结果集就有可能很大,最后还对这个临时表做多次遍历,计算性能也快不了。大结果集分组计算还要硬盘缓存,本身性能也很差。


还可以用存储过程的数据库游标把数据一条一条fetch出来计算,但这要全自己实现一遍WHERE和GROUP的动作了,写起来太繁琐不说,数据库游标遍历数据的性能只会更差!


只能干瞪眼!




TopN运算同样会遇到这种无奈。举个例子,用Oracle的SQL写top5大致是这样的:


```sql

select \* from (select x from T order by x desc) where rownum<=5

```


表T有10亿条数据,从SQL语句来看,是将全部数据大排序后取出前5名,剩下的排序结果就没用了!大排序成本很高,数据量很大内存装不下,会出现多次硬盘数据倒换,计算性能会非常差!


避免大排序并不难,在内存中保持一个5条记录的小集合,遍历数据时,将已经计算过的数据前5名保存在这个小集合中,取到的新数据如果比当前的第5名大,则插入进去并丢掉现在的第5名,如果比当前的第5名要小,则不做动作。这样做,只要对10亿条数据遍历一次即可,而且内存占用很小,运算性能会大幅提升。


这种算法本质上是把TopN也看作与求和、计数一样的聚合运算了,只不过返回的是集合而不是单值。SQL要是能写成这样,就能避免大排序了:


```sql

select top(x,5) from T

```


然而非常遗憾,SQL没有显式的集合数据类型,聚合函数只能返回单值,写不出这种语句!




不过好在全集的TopN比较简单,虽然SQL写成那样,数据库却通常会在工程上做优化,采用上述方法而避免大排序。所以Oracle算那条SQL并不慢。


但是,如果TopN的情况复杂了,用到子查询中或者和JOIN混到一起的时候,优化引擎通常就不管用了。比如要在分组后计算每组的TopN,用SQL写出来都有点困难。Oracle的SQL写出来是这样:


```sql

select \* from (select y,x,row\_number() over (partition by y order by x desc) rn from T) where rn<=5

```


这时候,数据库的优化引擎就晕了,不会再采用上面说的把TopN理解成聚合运算的办法。只能去做排序了,结果运算速度陡降!


假如SQL的分组TopN能这样写:


```sql

select y,top(x,5) from T group by y

```


把top看成和sum一样的聚合函数,这不仅更易读,而且也很容易高速运算。


可惜,不行。


还是干瞪眼!




关联计算也是很常见的情况。以订单和多个表关联后做过滤计算为例,SQL大体是这个样子:


```sql

select o.oid,o.orderdate,o.amount

from orders o

   left join city ci on o.cityid = ci.cityid

   left join shipper sh on o.shid=sh.shid

   left join employee e on o.eid=e.eid

   left join supplier su on o.suid=su.suid

where ci.state='New York'

   and e.title='manager'

   and ...

```


订单表有几千万数据,城市、运货商、雇员、供应商等表数据量都不大。过滤条件字段可能会来自于这些表,而且是前端传参数到后台的,会动态变化。


SQL一般采用HASH JOIN算法实现这些关联,要计算 HASH 值并做比较。每次只能解析一个JOIN,有N个JOIN要执行N遍动作,每次关联后都需要保持中间结果供下一轮使用,计算过程复杂,数据也会被遍历多次,计算性能不好。




通常,这些关联的代码表都很小,可以先读入内存。如果将订单表中的各个关联字段预先做序号化处理,比如将雇员编号字段值转换为对应雇员表记录的序号。那么计算时,就可以用雇员编号字段值(也就是雇员表序号),直接取内存中雇员表对应位置的记录,性能比HASH JOIN快很多,而且只需将订单表遍历一次即可,速度提升会非常明显!


也就是能把SQL写成下面的样子:


```sql

select o.oid,o.orderdate,o.amount

from orders o

   left join city c on o.cid = c.# --订单表的城市编号通过序号#关联城市表

   left join shipper sh on o.shid=sh.# --订单表运货商号通过序号#关联运货商表

   left join employee e on o.eid=e.# --订单表的雇员编号通过序号#关联雇员表

   left join supplier su on o.suid=su.#--订单表供应商号通过序号#关联供应商表

where ci.state='New York'

   and e.title='manager'

   and ...

```


可惜的是,SQL 使用了无序集合概念,即使这些编号已经序号化了,数据库也无法利用这个特点,不能在对应的关联表这些无序集合上使用序号快速定位的机制,只能使用索引查找,而且数据库并不知道编号被序号化了,仍然会去计算 HASH 值和比对,性能还是很差!


有好办法也实施不了,只能再次干瞪眼!




还有高并发帐户查询,这个运算倒是很简单:


```sql

select id,amt,tdate,… from T

where id='10100'

   and tdate>= to\_date('2021-01-10','yyyy-MM-dd')

   and tdate<to_date('2021-01-25','yyyy-mm-dd')

   and="" …="" <p="">

```


在T表的几亿条历史数据中,快速找到某个帐户的几条到几千条明细,SQL写出来并不复杂,难点是大并发时响应速度要达到秒级甚至更快。为了提高查询响应速度,一般都会对 T 表的 id 字段建索引:


```sql

create index index_T_1 on T(id)

```


在数据库中,用索引查找单个帐户的速度很快,但并发很多时就会明显变慢。原因还是上面提到的SQL无序理论基础,总数据量很大,无法全读入内存,而数据库不能保证同一帐户的数据在物理上是连续存放的。硬盘有最小读取单位,在读不连续数据时,会取出很多无关内容,查询就会变慢。高并发访问的每个查询都慢一点,总体性能就会很差了。在非常重视体验的当下,谁敢让用户等待十秒以上?!


容易想到的办法是,把几亿数据预先按照帐户排序,保证同一帐户的数据连续存储,查询时从硬盘上读出的数据块几乎都是目标值,性能就会得到大幅提升。


但是,采用SQL体系的关系数据库并没有这个意识,不会强制保证数据存储的物理次序!这个问题不是SQL语法造成的,但也和SQL的理论基础相关,在关系数据库中还是没法实现这些算法。


那咋办?只能干瞪眼吗?


不能再用SQL和关系数据库了,要使用别的计算引擎。


开源的集算器SPL基于创新的理论基础,支持更多的数据类型和运算,能够描述上述场景中的新算法。用简单便捷的SPL写代码,在短时间内能大幅提高计算性能!


上面这些问题用SPL写出来的代码样例如下:


- 一次遍历计算多种分组


|      | A                                          | B                                        |

| ---- | ------------------------------------------ | ---------------------------------------- |

| 1    | =file("T.ctx").open().cursor(a,b,c,d,x,y,z |                                          |

| 2    | cursor A1                                  | =A2.select(…).groups(a,b;sum(x))         |

| 3    |                                            | //定义遍历中的第一种过滤、分组           |

| 4    | cursor                                     | =A4.select(…).groups(c,d;max(y))         |

| 5    |                                            | //定义遍历中的第二种过滤、分组           |

| 6    | cursor                                     | =A6.select(…).groupx(a,c;avg(y),min(z))  |

| 7    |                                            | //定义遍历中的第三种过滤、分组           |

| 8    | …                                          | //定义结束,开始计算三种方式的过滤、分组 |


- 用聚合的方式计算Top5


全集Top5(多线程并行计算)



|      | A                                                            |

| ---- | ------------------------------------------------------------ |

| 1    | =file("T.ctx").open()                                        |

| 2    | =A1.cursor@m(x).total(top(-5,x),top(5,x))                    |

| 3    | //top(-5,x) 计算出 x 最大的前 5 名,top(5,x) 是 x 最小的前 5 名。 |


分组Top5(多线程并行计算)



|      | A                                              |

| ---- | ---------------------------------------------- |

| 1    | =file("T.ctx").open()                          |

| 2    | =A1.cursor@m(x,y).groups(y;top(-5,x),top(5,x)) |


- 用序号做关联的SPL代码:


系统初始化


|      | A                                                            |

| ---- | ------------------------------------------------------------ |

| 1    | >env(city,file("city.btx").import@b()),env(employee,file("employee.btx").import@b()),... |

| 2    | //系统初始化时,几个小表读入内存                             |


查询


|      | A                                                            |

| ---- | ------------------------------------------------------------ |

| 1    | =file("orders.ctx").open().cursor(cid,eid,…).switch(cid,city:#;eid,employee:#;…) |

| 2    | =A1.select(cid.state=="New York" && eid.title=="manager"…)   |

| 3    | //先序号关联,再引用关联表字段写过滤条件                     |


- 高并发帐户查询的SPL代码:


数据预处理,有序存储


|      | A                                                     | B              |

| ---- | ----------------------------------------------------- | -------------- |

| 1    | =file("T-original.ctx").open().cursor(id,tdate,amt,…) |                |

| 2    | =A1.sortx(id)                                         | =file("T.ctx") |

| 3    | =B2.create@r(#id,tdate,amt,…).append@i(A2)            |                |

| 4    | =B2.open().index(index_id;id)                         |                |

| 5    | //将原数据排序后,另存为新表,并为帐号建立索引        |                |


帐户查询


|      | A                                                            |

| ---- | ------------------------------------------------------------ |

| 1    | =T.icursor(;id==10100 && tdate>=date("2021-01-10") && tdate<date("2021-01-25") && …,index_id).fetch() |

| 2    | //查询代码非常简单                                           |


除了这些简单例子,SPL还能实现更多高性能算法,比如有序归并实现订单和明细之间的关联、预关联技术实现多维分析中的多层维表关联、位存储技术实现上千个标签统计、布尔集合技术实现多个枚举值过滤条件的查询提速、时序分组技术实现复杂的漏斗分析等等。


正在为SQL性能优化头疼的小伙伴们,可以和我们一起探讨:


<a href="http://www.raqsoft.com.cn/wx/Query-run-batch-ad.html" rel="nofollow" target="_blank">http://www.raqsoft.com.cn/wx/Query-run-batch-ad.html</a>


## SPL资料


- [SPL官网](<http://c.raqsoft.com.cn/article/1595816810031>)  

- [SPL下载](<http://c.raqsoft.com.cn/article/1595816810031>)  

- [SPL源代码](<https://github.com/SPLWare/esProc>)  


![在这里插入图片描述](https://img-blog.csdnimg.cn/5148b617c04d4b4eac077a3578cc8f39.gif#pic_center)

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
sqlServer存储过程
1、创建存储过程报错:     'CREATE/ALTER PROCEDURE' 必须是查询批次中的第一个语句。 解决方法: use databaseName 后面要加上一句: GO ...
825 0
SQL Server基础之<存储过程>
原文:SQL Server基础之   简单来说,存储过程就是一条或者多条sql语句的集合,可视为批处理文件,但是其作用不仅限于批处理。本篇主要介绍变量的使用,存储过程和存储函数的创建,调用,查看,修改以及删除操作。
1477 0
SQLSERVER存储过程语法详解
SQL SERVER存储过程语法: Create PROC [ EDURE ] procedure_name [ ; number ]     [ { @parameter data_type }         [ VARYING ] [ = default ] [ OUTPUT ]     ] [ ,...n ]   [ WITH     { RECOMPILE | ENCRY
1659 0
ORACLE LOGFILE 和 SQL SERVER 2005 事务日志管理和恢复的比较
原创,转载请注明    其实如果要说这类日志的重要性,当然2个数据库都知道它的重要性。也淡淡的说一下。日志是进行数据库恢复重要的组建。用于将数据库恢复到故障点,也就是我们通常说的滚动,ORACLE叫他LOGFILE,而SQL SERVER 叫他事务日志。
852 0
Sql Server 数据迁移问题的解决
  在工作中遇到一个数据迁移的问题。是通过Sql Server 2008 Management studio产生的scripts来解决的。现在来说说此实际问题:生产环境的配置是数据文件有20GB大,log文件有10GB大,实际数据只占用了500MB,所以大部分空间是空的。
788 0
SQL SERVER数据库
一、初始化首先,在stdafx.h文件中加入:#import "C:/Program files/common files/System/ado/msado15.
1052 0
+关注
IT邦德
专注于数据库,公众号:IT邦德
文章
问答
文章排行榜
最热
最新
相关电子书
更多
MaxCompute SQL计算成本调优以及优化方法
立即下载
用SQL做数据分析
立即下载
阿里云流计算 Flink SQL 核心功能解密
立即下载