做SQL性能优化真是让人干瞪眼

　　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：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：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：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：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：select top(x,5) from T 就能避免大排序了。
　　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：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：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：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：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：select id,amt,tdate,… from T               where id=＂10100＂               and tdate>= to_date(＂2021-01-10＂, ＂yyyy-MM-dd＂)               and tdate　　A1=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
　　2
　　>env(city,file(＂city.btx＂).import@b()),env(employee,file(＂employee.btx＂).import@b()),...
　　3
　　//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
　　B
　　1
　　=T.icursor(;id==10100 && tdate>=date(＂2021-01-10＂) && tdate　　//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，来和我们一起探讨吧：
　　《慢得受不了的查询跑批》
　　识别二维码打开该页面
　　重磅！开源SPL交流群成立了
　　简单好用的SPL开源啦！
　　为了给感兴趣的小伙伴们提供一个相互交流的平台，
　　特地开通了交流群（群完全免费，不广告不卖课）
　　需要进群的朋友，可长按扫描下方二维码