Author: 泊歌
关联子查询是大多数现代关系型数据库都支持的一类SQL,这种形式的SQL具有很强的语义表达能力,能够让用户在子查询中直接引用到外层查询中的列,来计算子查询的结果。关联子查询在决策支持系统和在线分析处理的场景中被广泛使用,例如在决策支持基准TPC-H的22个查询中,有1/3的查询都包含关联子查询。因此能够高效地执行关联子查询是衡量一个数据库是否先进的标准。
子查询解关联是数据库对关联子查询进行优化的一个重要手段。在没有解关联时,子查询是按照语义进行迭代式执行,即外层查询每查询到一条数据,子查询就会被触发一次执行,因此在整个查询完成时,关联子查询被执行了很多次。如果外层查询的数据较多,且子查询不能被高效执行,那么整个查询的效率将会十分低下。
本文介绍了一种方法,借助窗口聚合函数的能力来将子查询解关联,不仅使子查询仅需执行一次,而且避免了外层查询和子查询中相同公共表的多次访问,从两方面大大加速了整个查询。
一种常见的关联子查询形式,是在子查询中包含了聚合函数,外查询利用子查询聚合的结果做进一步运算。一个比较典型的例子是TPC-H中的Query 2:
SELECT s_acctbal, s_name, n_name, p_partkey, p_mfgr,
s_address, s_phone, s_comment
FROM part, supplier, partsupp, nation, region
WHERE p_partkey = ps_partkey
AND s_suppkey = ps_suppkey
AND p_size = 30
AND p_type LIKE '%STEEL'
AND s_nationkey = n_nationkey
AND n_regionkey = r_regionkey
AND r_name = 'ASIA'
AND ps_supplycost = (
SELECT MIN(ps_supplycost)
FROM partsupp, supplier, nation, region
WHERE p_partkey = ps_partkey
AND s_suppkey = ps_suppkey
AND s_nationkey = n_nationkey
AND n_regionkey = r_regionkey
AND r_name = 'ASIA'
)
ORDER BY s_acctbal DESC, n_name, s_name, p_partkey
LIMIT 100;
该查询想要查找在特定区域,对于每一个有着特定类型和大小的零件,能够提供最小批发价的供应商。在以上写法中,主查询首先将符合条件的零件与对应的供应商及相关信息进行连接,对于每一条零件和供应商的组合,都通过关联子查询去计算对应零件所有供应商提供的最小批发价,然后比较当前组合是否与最小批发价相同,最后将批发价与最小值相同的供应商选出。
还是以上述查询举例说明,既然目的是查找每个零件提供最小批发价的供应商,除了上述这种迭代式方法,还可以提前将所有零件对应供应商的最小批发价计算出来,将结果存放下来,再与主查询零件和供应商的组合进行连接后比较,可以避免子查询的多次执行。
窗口聚合函数是计算聚合结果的一种方式。相较于普通的聚合函数,窗口聚合函数的使用更加灵活,不会将数据聚拢,可以在不影响原本输出列的基础上,在每一行增加对应的聚合结果。其表达形式如下:
function(arg) OVER ([partition_clause] [order_clause] [frame_clause])
OVER语法定义了函数计算的窗口,其中partition_clause和我们通常使用到的GROUP BY语法相似,指明了聚合函数按照哪些列进行聚合。本文中仅涉及partition_clause语法的使用。
我们再观察上述查询的主查询体和子查询体,可以发现两者涉及的表、连接条件和过滤条件有诸多相似的地方:比如子查询中的表在外查询中都包含,这些表之间的连接条件与过滤条件在外查询中也包含。那么只看这些表,他们之间的连接结果在外查询和子查询中是完全一样的。既然窗口聚合函数可以在不影响原本查询结果的基础上,输出额外的聚合结果,我们是不是可以只在子查询中连接这些表一次并输出这些连接结果,主查询只需要从子查询的输出结果中选取自己所需要的列即可,不需要将这些公共表重复连接。
因此基于上述思路,我们可以将原查询改写为以下形式1:
SELECT s_acctbal, s_name, n_name, p_partkey, p_mfgr,
s_address, s_phone, s_comment
FROM part, (
SELECT MIN(ps_supplycost) OVER(PARTITION BY ps_partkey) as win_min,
ps_partkey, ps_supplycost, s_acctbal, n_name, s_name, s_address,
s_phone, s_comment
FROM partsupp, supplier, nation, region
WHERE s_suppkey = ps_suppkey
AND s_nationkey = n_nationkey
AND n_regionkey = r_regionkey
AND r_name = 'ASIA') as derived
WHERE p_partkey = ps_partkey
AND p_size = 30
AND p_type LIKE '%STEEL'
AND ps_supplycost = derived.win_min
ORDER BY s_acctbal DESC, n_name, s_name, p_partkey
LIMIT 100;
通过形式1的改写,我们不仅解决了子查询关联导致需要迭代式执行的问题,现在仅需执行一次;而且避免了主查询和子查询中对公共表的重复访问。
上述改写除了需要满足我们上面提到的主查询和子查询对于公共表的连接结果必须一致(其实可以不一致,后续会提到通过其他的方式可以拓展这一限制)以外,还有一个重要条件是子查询中的关联条件涉及到的两个表,在主查询中必须存在这两个表之间与关联条件语义上等价的连接条件,且必须是等值连接。
如何去理解这一点呢?用上述原查询举例,子查询中的关联条件是p_partkey = ps_partkey,对于主查询中的每一条p_partkey,子查询都找出ps_partkey与其相同的所有记录并进行聚合。与其说子查询是在ps_partkey上聚合,倒不如说是子查询在外查询的p_partkey值上聚合。在子查询解关联后,只能按照ps_partkey列做聚合,所以要求关联条件必须是等值条件,当p_partkey与ps_partkey相等时,按照ps_partkey聚合的结果,与按照p_partkey聚合的结果相同。如果关联条件为非等值的,比如p_partkey > ps_partkey,那么按照ps_partkey聚合的结果是没法与原本子查询执行的聚合结果联系上的。
为什么需要主查询中存在与关联条件等价的连接条件呢?因为派生表的输出结果需要与原主查询中的关联表连接上,如果连接条件与关联条件不等价,那么连接上的行就不是对应满足关联条件的数据,当前行的聚合结果直接使用会发送错误。
观察上述形式1的查询,原查询中关联表part与派生表的连接条件为p_partkey = ps_partkey,p_partkey为part表的主键,同样的p_partkey/ps_partkey值,在part表中仅有一条,在partsupp表中可能有多条,因此关联表与派生表的连接关系为1:N。将他们连接后不会导致数据膨胀和影响派生表中窗口聚合值的计算,因此可以将part表、连接条件以及过滤条件一块移入派生表中。先连接后再计算窗口聚合值,改写后为形式2:
SELECT s_acctbal, s_name, n_name, p_partkey, p_mfgr,
s_address, s_phone, s_comment
FROM (
SELECT MIN(ps_supplycost) OVER(PARTITION BY ps_partkey) as win_min,
ps_partkey, ps_supplycost, s_acctbal, n_name, s_name, s_address,
s_phone, s_comment
FROM part, partsupp, supplier, nation, region
WHERE p_partkey = ps_partkey
AND s_suppkey = ps_suppkey
AND s_nationkey = n_nationkey
AND n_regionkey = r_regionkey
AND p_size = 30
AND p_type LIKE '%STEEL'
AND r_name = 'ASIA') as derived
WHERE ps_supplycost = derived.win_min
ORDER BY s_acctbal DESC, n_name, s_name, p_partkey
LIMIT 100;
这样改写的好处可以将更多的表移入代表派生表的子查询中,给优化器提供更多的连接顺序选择;同时可以将过滤条件和连接条件下推到子查询,提前过滤不符合条件的数据,减少无效计算。
在前文中,通过具有代表性的查询举例,我们从语义上了解了整个的解关联优化思路,接下来我们给出使用窗口聚合函数来将子查询解关联的通用表达形式。假设原查询具有以下形式:
其中:
那么在特定条件下,我们可以将该查询转换为下列两种形式。
在该情况下,我们可以将原查询转换成下列形式,对应于上述举例的形式1:
在该情况下,我们可以进一步优化将原查询转换成形式2:
在TPC-H的查询中,Query 2和Query 17满足优化条件,对这两个查询的优化效果做benchmark。
CPU规格为2 Intel(R) Xeon(R) CPU E5-2682 v4 @ 2.50GHz, 16 physical cores each。
数据为TPC-H 10G带索引。参数innodb_adaptive_hash_index = off, innodb_buffer_pool_size = 32G。
结果显示,Q2的加速比为1.54,Q17的加速比为4.91。
数据为TPC-H 100G带索引。参数innodb_adaptive_hash_index = off, innodb_buffer_pool_size = 170G。