了解这些“奇葩”操作，快速写出高效SQL

一、背景

关于sql调参数、数据倾斜可以搜到很多文章，本文主要讲解常见的SQL开发场景、“奇葩”SQL写法并深入执行计划，带你了解如何快速写出高效率SQL。

二、高效写法

1、union直接使用效率低吗？

• 场景介绍

在一些业务场景中，需要将多份数据合并在一起，比如要取客户信息，客户信息存在两张表中有交叉（假设两张表中交叉的客户信息是一致的），需先将两份数据合并在一起。

• 写法&执行计划探查

因为两张表中数据有交叉，所以需要会先将数据去重，然后再去join。去重方式常见于：

SELECT cst_id,cst_info

FROM (

SELECT cst_id,cst_info

FROM @cst_info_a

WHERE dt = '${bizdate}'

UNION

SELECT cst_id,cst_info

FROM cst_info_b

WHERE dt = '${bizdate}'

)cst_info

;

这种情况下，会理解为先将两两份数据不做任务处理就合并在一起，导致shuffle、中间临时写入的数据量和读取数据量和数据源都是一致的，然后再去做去重。因为数据量在中间过程没有没有减少，所以效率相对来说会低一些。现在来看一下执行计划：

发现执行计划是做过的优化的，已经是最优执行计划了。

接下来按照理解中的高效sql写法来看一下执行计划：

-- 方式一

SELECT cst_id,cst_info

FROM (

SELECT cst_id,cst_info

FROM @cst_info_a

WHERE dt = '${bizdate}'

GROUP BY cst_id,cst_info

UNION

SELECT cst_id,cst_info

FROM @cst_info_b

WHERE dt = '${bizdate}'

GROUP BY cst_id,cst_info

)cst_info;

--方式二

SELECT cst_id,cst_info

FROM (

SELECT cst_id,cst_info

FROM @cst_info_a

WHERE dt = '${bizdate}'

GROUP BY cst_id,cst_info

UNION ALL

SELECT cst_id,cst_info

FROM @cst_info_b

WHERE dt = '${bizdate}'

GROUP BY cst_id,cst_info

)cst_info

GROUP BY

cst_id,cst_info;

两种写法的执行计划一致，如下：

发现自己另外加的聚合处理，反而增加了复杂度。

• 总结

ODPS已经对union做过优化，直接使用就可以了。并且对三个及以上的（X张）表做union，执行计划是X个MAP任务+1个REDUCE任务；不会像hive是X个MAP任务+（X-1）个REDUCE任务，还需要调整SQL才能实现最优的执行计划。

2、count distinct真的慢吗？

• 场景介绍

在开发过程中，经常会遇到一些数据探查，比如探查资产信息表中，有多少用户数，探查过程中经常会用到count distinct，那么它的效率如何？

• 写法&执行计划探查

探查资产信息表中近5天的用户数，常见的写法与常规认为的优化写法：

--选择近5天的资产来看

--常见写法，count distinct写法

SELECT

COUNT(DISTINCT cst_id) AS cst_cnt

FROM @pc_bill_bal

WHERE dt BETWEEN '${bizdate-5}' AND '${bizdate}'

;

--优化写法

SELECT COUNT(1) AS cst_cnt

FROM (

SELECT

cst_id

FROM @pc_bill_bal

WHERE dt BETWEEN '${bizdate-5}' AND '${bizdate}'

GROUP BY

cst_id

)base

;

一般都会认为直接count distinct效率很低，是这样吗？接下来看一下两个执行计划对比：

• 常规写法

• 优化写法

从执行计划可以看出，直接count distinct的写法被优化成了两次去重处理，一次计算总和，并不是直接全量来去重计算。再看优化写法，两次去重处理，两次计算总和，反而比count distinct多了一步，不过运行效率还是很快的。最后看一下运行时间和消耗资源，常规写法比优化写法快了28%（62s、86s），资源消耗少28%。

那么count distinct可以肆无忌惮的使用了吗？

接下来看另外一种场景，探查资产信息表中近5天每天的用户数，常见的写法与常规认为的优化写法：

--选择近5天的资产来看

--常见写法，count distinct写法

SELECT

dt

,COUNT(DISTINCT cst_id) AS cst_cnt

FROM @pc_bill_bal

WHERE dt BETWEEN '${bizdate-5}' AND '${bizdate}'

GROUP BY

dt

;

--优化写法

SELECT

dt

,COUNT(cst_id) AS cst_cnt

FROM (

SELECT

dt

,cst_id

FROM @pc_bill_bal

WHERE dt BETWEEN '${bizdate-5}' AND '${bizdate}'

GROUP BY

dt

,cst_id

)base

GROUP BY

dt

;

看一下这种场景下两种执行计划对比：

• 常规写法（此处额外看一下分配的task）

• 优化写法

从执行计划可以看出，直接count distinct的写法进行了一次去重，就将3亿条数据给到了5个task进行去重计算总和，每个task的压力相当大。再看优化写法，两次去重处理，两次计算总和，每一步都运行的很快，没有长尾。最后看一下运行时间和消耗资源，常规写法比优化写法慢了26倍，资源消耗多出2倍。

• 总结

ODPS对count distinct做了执行计划优化，但是限于从数据源只读取1个字段的情况下。当从数据源读取了多个字段时，应将count distinct写法改为group by count写法。

3、多张大表join提速（聚合类型）

• 场景介绍

在日常的开发工作中，经常会遇到多张表关联取属性的情况，比如计算用户在过去一段时间A、B、C...N行为的次数，或者是在资管领域中，统计一个资产池中的所有资产（日初资产+放款资产+买入资产）。

• 写法&执行计划探查

假设有3份数据需要关联得到属性，常规的写法为使用2次full outer join + coalesce来关联取值；或者先将3份数据主体合并在一起，再使用3次left join。

-- 举例为资产池得到每个用户的所有资产

-- 使用full outer join + coalesce的写法

SELECT

COALESCE(tt1.cst_id, tt2.cst_id) as cst_id

,COALESCE(tt1.bal_init_prin, 0) AS bal_init_prin

,COALESCE(tt1.amt_retail_prin, 0) AS amt_retail_prin

,COALESCE(tt2.amt_buy_prin, 0) AS amt_buy_prin

FROM (

SELECT

COALESCE(t1.cst_id, t2.cst_id) as cst_id

,COALESCE(t1.bal_init_prin, 0) AS bal_init_prin

,COALESCE(t2.amt_retail_prin, 0) AS amt_retail_prin

FROM @bal_init t1 -- 日初资产

FULL OUTER JOIN @amt_retail t2 -- 当天放款资产

ON t1.cst_id = t2.cst_id

)tt1

FULL OUTER JOIN @amt_buy tt2 -- 当天买入资产

ON tt1.cst_id = tt2.cst_id

;

接下来看优化写法：

-- 写法一

SELECT

cst_id

,SUM(bal_init_prin) as bal_init_prin

,SUM(amt_retail_prin) as amt_retail_prin

,SUM(amt_buy_prin) as amt_buy_prin

FROM (

SELECT cst_id, bal_init_prin, 0 AS amt_retail_prin, 0 AS amt_buy_prin

FROM @bal_init -- 日初资产

union ALL

SELECT cst_id, 0 AS bal_init_prin, amt_retail_prin, 0 AS amt_buy_prin

FROM @amt_retail -- 当天放款资产

UNION ALL

SELECT cst_id, 0 AS bal_init_prin, 0 AS amt_retail_prin, amt_buy_prin

FROM @amt_buy -- 当天买入资产

)t1

GROUP BY

cst_id

;

-- 优化写法二

SELECT

cst_id

,SUM(IF(flag = 1, prin, 0)) as bal_init_prin

,SUM(IF(flag = 2, prin, 0)) as amt_retail_prin

,SUM(IF(flag = 3, prin, 0)) as amt_buy_prin

FROM (

SELECT cst_id, bal_init_prin AS prin, 1 AS flag

FROM @bal_init -- 日初资产

union ALL

SELECT cst_id, amt_retail_prin AS prin, 2 AS flag

FROM @amt_retail -- 当天放款资产

UNION ALL

SELECT cst_id, amt_buy_prin AS prin, 3 AS flag

FROM @amt_buy -- 当天买入资产

)t1

GROUP BY

cst_id

;

对比join写法和优化写法的执行计划（这两个执行计划内部做的事情和任务名称理解一致，就不展开看了）：

• join写法

• 优化写法

从执行计划可以看出，join写法的执行步骤要更多，多次shuffle也会消耗更多的资源，串行运行的时间也会更长。优化写法只需要在读取所有数据之后，做一次reduce就可以完成。最后对比一下运行时间和资源消耗，优化写法运行时间快20%，资源使用减少30%。（场景越复杂，效果越好）

• 总结

由于JOIN是离线数据开发中最常出现低效的环节，那么直接干掉JOIN其实是更好的选择。

当多张表的关联键相同取int类型、聚合的值的场景下，union all + group by写法运行更快、更节省资源、代码开发运维更加简单，并且在表行数越多、关联表越多、关联键越多的场景下，优势会更加突出。

关于两种优化写法，优化写法二更加灵活、更好维护、资源占用更少，但是对于需要使用占位数据的场景（比如聚合map），方法一更加适合。

4、多张大表join提速（字符串类型）

• 场景介绍

日常开发中，经常遇到从一个主体多张表取属性的情况，比如客户信息相关的数据，A表取地址、B表取电话号、C表取uv、D表取身份信息、E表取偏好。

• 写法&执行计划探查

假设有3份数据需要关联得到属性，常规的写法为使用2次full outer join + coalesce来关联取值；或者先将3份数据主体合并在一起，再使用3次left join。

-- 本案例和上边案例类似，使用先将主体合并在一起，再使用三次left join

SELECT

base.cst_id AS cst_id

,t1.bal_init_prin AS bal_init_prin

,t2.amt_retail_prin AS amt_retail_prin

,t3.amt_buy_prin AS amt_buy_prin

FROM (

SELECT

cst_id

FROM @bal_init -- 日初资产

UNION

SELECT

cst_id

FROM @amt_retail -- 当天放款资产

UNION

SELECT

cst_id

FROM @amt_buy -- 当天买入资产

)base

LEFT JOIN @bal_init t1 -- 日初资产

ON base.cst_id = t1.cst_id

LEFT JOIN @amt_retail t2 -- 当天放款资产

ON base.cst_id = t2.cst_id

LEFT JOIN @amt_buy t3 -- 当天买入资产

ON base.cst_id = t3.cst_id

;

接下来看优化写法：

-- STRING数据类型利用json来实现

SELECT

cst_id

,GET_JSON_OBJECT(all_val, '$.bal_init_prin') AS bal_init_prin

,GET_JSON_OBJECT(all_val, '$.amt_retail_prin') AS amt_retail_prin

,GET_JSON_OBJECT(all_val, '$.amt_buy_prin') AS amt_buy_prin

FROM (

SELECT

cst_id

,CONCAT('{',CONCAT_WS(',', COLLECT_SET(all_val)) , '}') AS all_val

FROM (

SELECT

cst_id

,CONCAT('"bal_init_prin":"', bal_init_prin, '"') AS all_val

FROM @bal_init -- 日初资产

UNION ALL

SELECT

cst_id

,CONCAT('"amt_retail_prin":"', amt_retail_prin, '"') AS all_val

FROM @amt_retail -- 当天放款资产

UNION ALL

SELECT

cst_id

,CONCAT('"amt_buy_prin":"', amt_buy_prin, '"') AS all_val

FROM @amt_buy -- 当天买入资产

)t1

GROUP BY

cst_id

)tt1

;

对比join写法和优化写法的执行计划：

• join写法

• 优化写法

对比两个执行计划，join写法对于每一张表的数据使用了两次，分别为构建主体和取值，所以每一个MAP、JOIN任务的复杂度还是比较高的，但是优化写法MAP、REDUCE任务简洁明了。

并且随着表的增多，JOIN写法的JOIN任务负责度会更高。对比运行时间和资源消耗，优化写法运行快了20%，资源消耗减少20%。（场景越复杂，效果越好）

由于使用到collect_set，所以需要考虑该节点是否存在超内存的问题并进行内存调整，该场景一般情况下不会出现。

• 总结

同大表join（聚合类型），区别在于此方法适用于STRING类型。注意collect_set函数的内存占用。

5、mapjoin为什么快？是否生效了？

• 场景介绍

日常开发中，经常会遇到大表join小表的情况，mapjoin是老生常谈的处理方式，但是也要注意写法、小表内存参数调整以保障mapjoin生效。

• 写法&执行计划探查

目前ODPS对mapjoin做了优化可以自动开启，不用手动写/* +mapjoin(a,b)*/来开启了。inner join，大表left join小表都可以直接使mapjoin生效。

• mapjoin生效写法
•  

-- base为大表，fee_year_rate为小表

-- 方式一，inner join

SELECT

base.*

,fee_year_rate.*

FROM @base base

INNER JOIN @fee_year_rate fee_year_rate

ON (base.terms = fee_year_rate.terms)

;

-- 方式一，LEFT join

SELECT

base.*

,fee_year_rate.*

FROM @base base

LEFT JOIN @fee_year_rate fee_year_rate

ON (base.terms = fee_year_rate.terms)

;

• mapjoin未生效写法
•  

-- 方式三，right join

SELECT

base.*

,fee_year_rate.*

FROM @base base

RIGHT JOIN @fee_year_rate fee_year_rate

ON (base.terms = fee_year_rate.terms)

;

-- 方式四， full outer join

SELECT

base.*

,fee_year_rate.*

FROM @base base

FULL OUTER JOIN @fee_year_rate fee_year_rate

ON (base.terms = fee_year_rate.terms)

;

对比一下执行计划：

• mapjoin生效执行计划

• mapjoin未生效执行计划

MapJoin简单说就是在Map阶段将小表读入内存，顺序扫描大表完成Join。

对比两种执行计划，mapjoin生效之后，只有两个MAP任务，没有了JOIN任务，相当于省了一次JOIN。

mapjoin是否生效，可以看是HashJoin还是MergeJoin来判断。

• 总结

mapjoin开启之后，运行效率提高明显，但会因为写法、小表过大不生效，要从执行计划中去判断并做参数调整保障mapjoin生效。

小表大小调整参数：set odps.sql.mapjoin.memory.max=2048（单位M）

6、distmapjoin：加强版mapjoin

• 场景介绍

对于大小表join的场景，小表经常会超出mapjoin的最大内存，那么mapjoin就不会生效了。

ODPS提供了将中型表放入内存的方案，即distmapjoin，用法和mapjoin相似，即在select语句中使用Hint提示/*+distmapjoin(<table_name>(shard_count=<n>,replica_count=<m>))*/才会执行distmapjoin。shard_count（分片数，默认[200M,500M]）和replica_count（副本数，默认1）共同决定任务运行的并发度，即并发度=shard_count * replica_count。

• 写法&执行计划探查
• 常规写法
•  

SELECT

base.*

,cst_info.*

FROM @base base

LEFT JOIN @cst_info cst_info

ON (base.cst_id = cst_info.cst_id

AND base.origin_inst_code = cst_info.inst_id)

;

• 优化写法
•  

SELECT /*+distmapjoin(cst_info(shard_count=20))*/

base.*

,cst_info.*

FROM @base base

LEFT JOIN @cst_info cst_info

ON (base.cst_id = cst_info.cst_id

AND base.origin_inst_code = cst_info.inst_id)

;

对比执行计划：

• 常规写法

• 优化写法

对比两种执行计划和mapjoin执行计划可以发现，优化写法都省去了JOIN任务，这个在很大程度上加快了运行速度和降低资源消耗，distmapjoin写法比mapjoin写法多了一个REDUCE任务，即对小表的分片。

distmapjoin是否生效，可以看是DistributedMapJoin1还是MergeJoin来判断。

• 总结

同mapjoin总结。

7、where限制条件写在外层会很慢吗？

• 场景介绍

日常开发中，大家都习惯性将过滤条件紧跟在读表之后，这样可以减少数据量以减少任务运行时间。

• 写法&执行计划探查

过滤条件在读表之后的规范写法和多表join之后再过滤的非规范写法：

-- 规范写法

SELECT

base.*

,fee_year_rate.*

FROM (

SELECT *

FROM @base

where terms = '12'

)base

INNER JOIN @fee_year_rate fee_year_rate

ON (base.terms = fee_year_rate.terms)

;

-- 非规范写法

SELECT

base.*

,fee_year_rate.*

FROM @base base

INNER JOIN @fee_year_rate fee_year_rate

ON (base.terms = fee_year_rate.terms)

WHERE base.terms = '12'

;

印象中，规范写法的运行效率肯定会高一些，看一下执行计划会发现两种写法的执行计划是一样的，都在join之前做了过滤。

• 总结

ODPS对谓词前置做了很好的优化，但是日常开发也尽量将过滤条件跟在读表之后，这样更加规范，代码也会具有更好的可读性。

三、总结

做好SQL开发、优化，得先学会阅读执行计划，多动手尝试可以快速帮助你掌握该技能。（本篇讲到的执行计划，随着ODPS的优化，会发生改变）

作者丨周潮潮(徽成)

来源丨公众号：阿里开发者（ID：ali_tech）

dbaplus社群欢迎广大技术人员投稿，投稿邮箱：editor@dbaplus.cn

关于我们

dbaplus社群是围绕Database、BigData、AIOps的企业级专业社群。资深大咖、技术干货，每天精品原创文章推送，每周线上技术分享，每月线下技术沙龙，每季度Gdevops&DAMS行业大会。

关注公众号【dbaplus社群】，获取更多原创技术文章和精选工具下载