华为云云数据库GaussDB子查询调优_云淘科技

子查询背景介绍

应用程序通过SQL语句来操作数据库时会使用大量的子查询,这种写法比直接对两个表做连接操作在结构上和思路上更清晰,尤其是在一些比较复杂的查询语句中,子查询有更完整、更独立的语义,会使SQL对业务逻辑的表达更清晰更容易理解,因此得到了广泛的应用。

GaussDB根据子查询在SQL语句中的位置把子查询分成了子查询、子链接两种形式。

子查询SubQuery:对应于查询解析树中的范围表RangeTblEntry,更通俗一些指的是出现在FROM语句后面的独立的SELECT语句。
子链接SubLink:对应于查询解析树中的表达式,更通俗一些指的是出现在where/on子句、targetlist里面的语句。

综上,对于查询解析树而言,SubQuery的本质是范围表、而SubLink的本质是表达式。针对SubLink场景而言,由于SubLink可以出现在约束条件、表达式中,按照GaussDB对sublink的实现,sublink可以分为以下几类:

exist_sublink:对应EXIST、NOT EXIST语句
any_sublink:对应op ALL(select…)语句,其中OP可以是IN,,=操作符
all_sublink:对应op ALL(select…)语句,其中OP可以是IN,,=操作符
rowcompare_sublink:对应record op (select …)语句
expr_sublink:对应(SELECT with single targetlist item …)语句
array_sublink:对应ARRAY(select…)语句
cte_sublink:对应with query(…)语句

GaussDB对SubLink的优化

针对SubLink的优化策略主要是让内层的子查询提升(pullup),能够和外表直接做关联查询,从而避免生成SubPlan+Broadcast內表的执行计划。判断子查询是否存在性能风险,可以通过explain查询语句查看Sublink的部分是否被转换成SubPlan+Broadcast的执行计划。

例如:

目前GaussDB支持的Sublink-Release场景

IN-Sublink无相关条件

不能包含上一层查询的表中的列(可以包含更高层查询表中的列)。
不能包含易变函数。

Exist-Sublink包含相关条件

Where子句中必须包含上一层查询的表中的列,子查询的其它部分不能含有上层查询的表中的列。其它限制如下。

子查询必须有from子句。
子查询不能含有with子句。
子查询不能含有聚集函数。
子查询里不能包含集合操作、排序、limit、windowagg、having操作。
不能包含易变函数。

包含聚集函数的等值相关子查询的提升

子查询的where条件中必须含有来自上一层的列,而且此列必须和子查询本层涉及表中的列做相等判断,且这些条件必须用and连接。其它地方不能包含上层的列。其它限制条件如下。

子查询中where条件包含的表达式(列名)必须是表中的列。
子查询的Select关键字后,必须有且仅有一个输出列,此输出列必须是聚集函数(如max),并且聚集函数的参数(t2.c2)不能是来自外层表(t1)中的列。聚集函数不能是count。

例如,下列示例可以提升。

1
2
3
select * from t1 where c1 >(
       select max(t2.c1) from t2 where t2.c1=t1.c1
);

下列示例不能提升,因为子查询没有聚集函数。

1
2
3
select * from t1 where c1 >(
       select  t2.c1 from t2 where t2.c1=t1.c1
);

下列示例不能提升,因为子查询有两个输出列。

1
2
3
select * from t1 where (c1,c2) >(
       select  max(t2.c1),min(t2.c2) from t2 where t2.c1=t1.c1
);

子查询必须是from子句。
子查询中不能有groupby、having、集合操作。
子查询只能是inner join。

例如:下列示例不能提升。

1
2
3
select * from t1 where c1 >(
       select max(t2.c1) from t2 full join t3 on (t2.c2=t3.c2) where t2.c1=t1.c1
);

子查询的targetlist中不能包含返回set的函数。
子查询的where条件中必须含有来自上一层的列,而且此列必须和子查询层涉及表中的列做相等判断,且这些条件必须用and连接。其它地方不能包含上层的上层中的列。例如:下列示例中的最内层子链接可以提升。

1
2
3
4
5
select * from t3 where t3.c1=(
        select t1.c1
        from t1 where c1 >(
                select max(t2.c1) from t2 where t2.c1=t1.c1 
));

基于上面的示例,再加一个条件,则不能提升,因为最内侧子查询引用了上层中的列。示例如下:

1
2
3
4
5
6
select * from t3 where t3.c1=(
        select t1.c1
        from t1 where c1 >(
               select max(t2.c1) from t2 where t2.c1=t1.c1 and t3.c1>t2.c2

));

提升OR子句中的SubLink

当WHERE过滤条件中有OR连接的EXIST相关SubLink,

例如:

1
2
3
select a, c from t1
where t1.a = (select avg(a) from t3 where t1.b = t3.b) or
exists (select * from t4 where t1.c = t4.c);

将OR-ed连接的EXIST相关子查询OR字句的提升过程:

提取where条件中,or子句中的opExpr。为:t1.a = (select avg(a) from t3 where t1.b = t3.b)
这个op操作中包含subquery,判断是否可以提升,如果可以提升,重写subquery为:select avg(a), t3.b from t3 group by t3.b,生成not null条件t3.b is not null,并将这个opexpr用这个not null条件替换。此时SQL变为:

1
2
3
select a, c
from t1 left join (select avg(a) avg, t3.b from t3 group by t3.b)  as t3 on (t1.a = avg and t1.b = t3.b)
where t3.b is not null or exists (select * from t4 where t1.c = t4.c);

再次提取or子句中的exists sublink,exists (select * from t4 where t1.c = t4.c),判断是否可以提升,如果可以提升,转换subquery为:select t4.c from t4 group by t4.c生成NotNull条件t4.c is not null提升查询,SQL变为:

1
select t1.a, t1.c from t1 left join (select avg(a) avg, t3.b from t3 group by t3.b) as t3 on (t1.a = avg and t1.b = t3.b) left join (select t5.c from t5 group by t5.c) as t5 on (t1.c = t5.c) where t3.b is not null or t5.c is not null;

目前GaussDB不支持的Sublink-Release场景

除了以上场景之外都不支持Sublink提升,因此关联子查询会被计划成SubPlan+Broadcast的执行计划,当inner表的数据量较大时则会产生性能风险。

如果相关子查询中跟外层的两张表做join,那么无法提升该子查询,需要通过将父SQL创建成with子句,然后再跟子查询中的表做相关子查询查询。

例如:

1
2
select distinct t1.a, t2.a
from t1 left join t2 on t1.a=t2.a and not exists (select a,b from test1 where test1.a=t1.a and test1.b=t2.a);

改写为

1
2
3
4
5
6
7
8
with temp as
(
        select * from (select t1.a as a, t2.a as b from t1 left join t2 on t1.a=t2.a)

)
select distinct a,b
from temp
where not exists (select a,b from test1 where temp.a=test1.a and temp.b=test1.b);

出现在targetlist里的相关子查询无法提升(不含count)

例如:

1
2
3
4
explain (costs off)
select (select c2 from t2 where t1.c1 = t2.c1) ssq, t1.c2
from t1
where t1.c2 > 10;

执行计划为:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
explain (costs off)
select (select c2 from t2 where t1.c1 = t2.c1) ssq, t1.c2
from t1
where t1.c2 > 10;
                      QUERY PLAN
------------------------------------------------------
 Streaming (type: GATHER)
   Node/s: All datanodes
   ->  Seq Scan on t1
         Filter: (c2 > 10)
         SubPlan 1
           ->  Result
                 Filter: (t1.c1 = t2.c1)
                 ->  Materialize
                       ->  Streaming(type: BROADCAST)
                             Spawn on: All datanodes
                             ->  Seq Scan on t2
(11 rows)

由于相关子查询出现在targetlist(查询返回列表)里,对于t1.c1=t2.c1不匹配的场景仍然需要输出值,因此使用right-outerjoin关联t2&t1,以确保t1.c1=t2.c1在不匹配时,子SSQ能够返回不匹配的补空值。

SSQ和CSSQ的解释如下:

SSQ:ScalarSubQuery一般指返回1行1列scalar值的sublink,简称SSQ。
CSSQ:Correlated-ScalarSubQuery和SSQ相同不过是指包含相关条件的SSQ。

上述SQL语句可以改写为:

1
2
3
4
5
with ssq as
(
    select * from t1 where t1.c2 >10
)
select t2.c2,ssq.c2 from t2 right join ssq on ssq.c1 = t2.c1;

改写后的执行计划为:

1
2
3
4
5
6
7
8
9
           QUERY PLAN            
---------------------------------
 Hash Right Join
   Hash Cond: (t2.c1 = t1.c1)
   ->  Seq Scan on t2
   ->  Hash
         ->  Seq Scan on t1
               Filter: (c2 > 10)
(6 rows)

可以看到出现在SSQ返回列表里的相关子查询SSQ,已经被提升成Right Join,从而避免当內表T2较大时出现SubPlan+Broadcast计划导致性能变差。

出现在targetlist里的相关子查询无法提升(带count)

例如:

1
2
3
select (select count(*) from t2 where t2.c1=t1.c1) cnt, t1.c1, t3.c1
from t1,t3
where t1.c1=t3.c1 order by cnt, t1.c1;

执行计划为

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
                            QUERY PLAN
------------------------------------------------------------------
 Streaming (type: GATHER)
   Node/s: All datanodes
   ->  Sort
         Sort Key: ((SubPlan 1)), t1.c1
         ->  Hash Join
               Hash Cond: (t1.c1 = t3.c1)
               ->  Seq Scan on t1
               ->  Hash
                     ->  Seq Scan on t3
               SubPlan 1
                 ->  Aggregate
                       ->  Result
                             Filter: (t2.c1 = t1.c1)
                             ->  Materialize
                                   ->  Streaming(type: BROADCAST)
                                         Spawn on: All datanodes
                                         ->  Seq Scan on t2
(17 rows)

由于相关子查询出现在targetlist(查询返回列表)里,对于t1.c1=t2.c1不匹配的场景仍然需要输出值,因此使用left-outerjoin关联t1&t2确保t1.c1=t2.c1在不匹配时子SSQ能够返回不匹配的补空值,但是这里带了count语句及时在t1.c1=t2.t1不匹配时需要输出0,因此可以使用一个case-when NULL then 0 else count(*)来代替。

上述SQL语句可以改写为:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
with ssq as
(
    select count(*) cnt, c1 from t2 group by c1
)
select case when
            ssq.cnt is null then 0
            else ssq.cnt
       end cnt, t1.c1, t3.c1
from t1 left join ssq on ssq.c1 = t1.c1,t3
where t1.c1 = t3.c1
order by ssq.cnt, t1.c1;

改写后的执行计划为

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
  QUERY PLAN
-----------------------------------------------------
 Streaming (type: GATHER)
   Node/s: All datanodes
   ->  Sort
         Sort Key: (count(*)), t1.c1
         ->  Hash Join
               Hash Cond: (t1.c1 = t3.c1)
               ->  Hash Left Join
                     Hash Cond: (t1.c1 = t2.c1)
                     ->  Seq Scan on t1
                     ->  Hash
                           ->  HashAggregate
                                 Group By Key: t2.c1
                                 ->  Seq Scan on t2
               ->  Hash
                     ->  Seq Scan on t3
(15 rows)

相关条件为不等值场景

例如:

1
2
3
select t1.c1, t1.c2
from t1
where t1.c1 = (select agg() from t2.c2 > t1.c2);

对于非等值相关条件的SubLink目前无法提升,从语义上可以通过做2次join(一次CorrelationKey,一次rownum自关联)达到提升改写的目的。

改写方案有两种。

子查询改写方式

1
2
3
4
5
6
7
select t1.c1, t1.c2
from t1, (
    select t1.rowid, agg() aggref
    from t1,t2
    where t1.c2 > t2.c2 group by t1.rowid
) dt /* derived table */
where t1.rowid = dt.rowid AND t1.c1 = dt.aggref;

CTE改写方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
WITH dt as
(
    select t1.rowid, agg() aggref
    from t1,t2
    where t1.c2 > t2.c2 group by t1.rowid
)
select t1.c1, t1.c2
from t1, derived_table
where t1.rowid = derived_table.rowid AND
t1.c1 = derived_table.aggref;

目前尚无高效的实现表、中间结果集的全局唯一rowid,因此目前此类场景很难改写,建议通过业务层进行规避,或者可以使用t1.xc_nodeid + t1.ctid进行rowid关联,但是xc_nodeid的重复率较高会导致join关联效率变低,而xc_node_id+ctid类型无法作为hashjoin的关联条件。
对于AGG类型为count(*)时需要进行CASE-WHEN对没有match的场景补0处理,非COUNT(*)场景NULL处理。
CTE改写方式如果有sharescan支持性能上能够更优。

更多优化示例

示例1:修改基表为replicate表,并且在过滤列上创建索引。

create table master_table (a int); 
create table sub_table(a int, b int); 
select a from master_table group by a having a in (select a from sub_table); 

上述事例中存在一个相关性子查询,为了提升查询的性能,可以将sub_table修改为一个relication表,并且在字段a上创建一个index。

示例2:修改select语句,将子查询修改为和主表的join,或者修改为可以提升的subquery,但是在修改前后需要保证语义的正确性。

explain (costs off)select * from master_table as t1 where t1.a in (select t2.a from sub_table as t2 where t1.a = t2.b); 
                        QUERY PLAN 
---------------------------------------------------------- 
 Streaming (type: GATHER) 
   Node/s: All datanodes 
   ->  Seq Scan on master_table t1 
         Filter: (SubPlan 1) 
         SubPlan 1 
           ->  Result 
                 Filter: (t1.a = t2.b) 
                 ->  Materialize 
                       ->  Streaming(type: BROADCAST) 
                             Spawn on: All datanodes 
                             ->  Seq Scan on sub_table t2 
(11 rows)

上面事例计划中存在一个subPlan,为了消除这个subPlan可以修改语句为:

explain(costs off) select * from master_table as t1 where exists (select t2.a from sub_table as t2 where t1.a = t2.b and t1.a = t2.a); 
                    QUERY PLAN 
-------------------------------------------------- 
 Streaming (type: GATHER) 
   Node/s: All datanodes 
   ->  Hash Semi Join 
         Hash Cond: (t1.a = t2.b) 
         ->  Seq Scan on master_table t1 
         ->  Hash 
               ->  Streaming(type: REDISTRIBUTE) 
                     Spawn on: All datanodes 
                     ->  Seq Scan on sub_table t2 
(9 rows)

从计划可以看出,subPlan消除了,计划变成了两个表的semi join,这样会大大提高执行效率。

父主题: 典型SQL调优点

同意关联代理商云淘科技,购买华为云产品更优惠(QQ 78315851)

内容没看懂? 不太想学习?想快速解决? 有偿解决: 联系专家