摘要： MaxCompute（原ODPS）是阿里云自主研發的具有業界領先水平的分布式大數據處理平臺, 尤其在集團內部得到廣泛應用，支撐了多個BU的核心業務。 MaxCompute除了持續優化性能外，也致力于提升SQL語言的用戶體驗和表達能力，提高廣大ODPS開發者的生產力。

點此查看原文

MaxCompute（原ODPS）是阿里云自主研發的具有業界領先水平的分布式大數據處理平臺, 尤其在集團內部得到廣泛應用，支撐了多個BU的核心業務。 MaxCompute除了持續優化性能外，也致力于提升SQL語言的用戶體驗和表達能力，提高廣大ODPS開發者的生產力。

MaxCompute基于ODPS2.0新一代的SQL引擎，顯著提升了SQL語言編譯過程的易用性與語言的表達能力。我們在此推出MaxCompute(ODPS2.0)重裝上陣系列文章

第一彈 - 善用MaxCompute編譯器的錯誤和警告
第二彈 - 新的基本數據類型與內建函數
第三彈 - 復雜類型
第四彈 - CTE，VALUES，SEMIJOIN

上次向您介紹了復雜類型，從本篇開始，向您介紹MaxCompute在SQL語言DML方面的改進

場景1
_需要寫一個復現的SQL， 從多個表中讀取數據，有些之間做Join，有些之間做Union，生成中間數據又要Join， 最后需要輸出多張表，最后寫成了n層嵌套的子查詢，自己都看不懂了。而且同樣的查詢，在不同的子查詢中有重復。為了維護方便，把復雜的語句拆成多個語句，但是發現每個語句都需要單獨提交，排隊，并且要將中間結果寫到本來不需要的臨時表，在后面的語句中再讀出來，慢了好多。。。
場景2
正在開發新項目，需要給一個小數據表準備些基本數據，但是沒有INSERT … VALUES 語句，沒辦法把數據和創建表的DDL放在一起維護，只好另用一些腳本，調用ODPS命令行準備數據。。。
場景3
想測試一個新寫的UDF，只寫SELECT myudf(‘123’);會報錯，還必須創建一個dual表，里面加一行數據，好麻煩。如果測試UDAF，還要在測試表里面準備多行數據，每次測試不同的輸入都要修改表內容或者創建新表，如果有個辦法不用創建表也能不同的數據組合測試我的UDF就好了。。。
場景4
遷移一個原來在Oracle上面的ETL系統，發現用了 WHERE EXISTS( SELECT …) 和 WHERE IN (SELECT …) 這類的語句，可是發現ODPS在這方面支持不完整，還要手工將這些半連接的語句轉換為普通JOIN，再過濾。。。
MaxCompute采用基于ODPS2.0的SQL引擎，對DML進行了大幅擴充，提高了易用性和兼容性，基本解決了上述問題。

Common Table Expression (CTE)
MaxCompute支持SQL標準的CTE。能夠提高SQL語句的可讀性與執行效率。

此文中采用MaxCompute Studio作展示，首先，安裝MaxCompute Studio，導入測試MaxCompute項目，創建工程，建立一個新的MaxCompute腳本文件,　如下

可以看到，頂層的union兩側各為一個join，join的左表是相同的查詢。通過寫子查詢的方式，只能重復這段代碼。

使用CTE的方式重寫以上語句

可以看到，a對應的子查詢只需要寫一次，在后面重用，CTE的WITH字句中可以指定多個子查詢，像使用變量一樣在整個語句中反復重用。除了重用外，也不必再反復嵌套了。

編譯此腳本，可以觀察執行計劃如下

其中M1, M2, M4三個分布式任務分別對應對應三個輸入表，雙擊M2可以看到中具體執行的DAG（在DAG中再次雙擊可以返回），如下

可以看到對src讀后進行過濾的DAG。對src的讀取與過濾在整個執行計劃中只需要一次 ( 注1 )。

VALUES
創建一個新的文件，如下：

執行后在，MaxCompute Project Explorer中可以找到新創建的表，并看到values中的數據已經插入到表中，如下：

有的時候表的列很多，準備數據的時候希望只插入部分列的數據，此時可以用插入列表功能

執行后，MaxCompute Project Explorer中找到目標表，并看到values中的數據已經插入，如下：

對于在values中沒有制定的列，可以看到取缺省值為NULL。插入列表功能不一定和VALUES一起用，對于INSERT INTO … SELECT…, 同樣可以使用。

INSERT… VALUES… 有一個限制，values必須是常量，但是有的時候希望在插入的數據中進行一些簡單的運算，這個時候可以使用MaxCompute的VALUES TABLE功能，如下：

其中的VALUES (…), (…) t (a, b), 相當于定義了一個名為t，列為a, b的表，類型為(a string, b string)，其中的類型從VALUES列表中推導。這樣在不準備任何物理表的時候，可以模擬一個有任意數據的，多行的表，并進行任意運算。

實際上，VALUES表并不限于在INSERT語句中使用，任何DML語句都可以使用。

還有一種VALUES表的特殊形式

select abs(-1), length('abc'), getdate();

也就是可以不寫from語句，直接執行SELECT，只要SELECT的表達式列表不用任何上游表數據就可以。其底層實現為從一個1行，0列的匿名VALUES表選取。這樣，在希望測試一些函數，比如自己的UDF等，就再也不用手工創建DUAL表了。

SEMI JOIN
MaxCompute支持SEMI JOIN（半連接）。SEMI JOIN中，右表只用來過濾左表的數據而不出現在結果集中。支持的語法包括LEFT SEMI JOIN，LEFT ANTI JOIN，(NOT) IN SUBQUERY，(NOT) EXISTS

LEFT SEMI JOIN
返回左表中的數據，當join條件成立，也就是mytable1中某行的id在mytable2的所有id中出現過，此行就保留在結果集中

例如:

SELECT * from mytable1 a LEFT SEMI JOIN mytable2 b on a.id=b.id;

只會返回mytable1中的數據，只要mytable1的id在mytable2的id中出現過

LEFT ANTI JOIN
返回左表中的數據，當join條件不成立，也就是mytable1中某行的id在mytable2的所有id中沒有出現過，此行就保留在結果集中

例如:

SELECT * from mytable1 a LEFT ANTI JOIN mytable2 b on a.id=b.id;

只會返回mytable1中的數據，只要mytable1的id在mytable2的id沒有出現過

IN SUBQUERY/NOT IN SUBQUERY
IN SUBQUERY與LEFT SEMI JOIN類似。

例如:

SELECT * from mytable1 where id in (select id from mytable2);

等效于

SELECT * from mytable1 a LEFT SEMI JOIN mytable2 b on a.id=b.id;

原有ODPS也支持IN SUBQUERY，但是不支持correlated條件，MaxCompute支持
例如:

SELECT * from mytable1 where id in (select id from mytable2 where value = mytable1.value);

其中子查詢中的where value = mytable1.value就是一個correlated條件，原有ODPS對于這種既引用了子查詢中源表，由引用了外層查詢源表的表達式時，會報告錯誤。MaxCompute支持這種用法，這樣的過濾條件事實上構成了SEMI JOIN中的ON條件的一部分。

對于NOT IN SUBQUERY，類似于LEFT ANTI JOIN，但是有一點顯著不同
例如:

SELECT * from mytable1 where id not in (select id from mytable2);

如果mytable2中的所有id都不為NULL，則等效于

SELECT * from mytable1 a LEFT ANTI JOIN mytable2 b on a.id=b.id;

但是，如果mytable2中有任何為NULL的列，則 not in表達式會為NULL，導致where條件不成立，無數據返回，此時與LEFT ANTI JOIN不同。

原有ODPS也支持[NOT] IN SUBQUERY不作為JOIN條件，例如出現在非WHERE語句中，或者雖然在WHERE語句中，但無法轉換為JOIN條件。MaxCompute仍然支持這種用法，但是此時因為無法轉換為SEMI JOIN而必須實現啟動一個單獨的作業來運行SUBQUERY，所以不支持correlated條件。

例如:

SELECT * from mytable1 where id in (select id from mytable2) OR value > 0;

因為WHERE中包含了OR，導致無法轉換為SEMI JOIN，會單獨啟動作業執行子查詢

另外在處理分區表的時候，也會有特殊處理

SELECT * from sales_detail where ds in (select dt from sales_date);

其中的ds如果是分區列，則select dt from sales_date 會單獨啟動作業執行子查詢，而不會轉化為SEMIJOIN，執行后的結果會逐個與ds比較，sales_detail中ds值不在返回結果中的分區不會讀取，保證分區裁剪仍然有效。

EXISTS SUBQUERY/NOT EXISTS SUBQUERY
當SUBQUERY中有至少一行數據時候，返回TRUE，否則FALSE。NOT EXISTS的時候則相反。目前只支持含有correlated WHERE條件的子查詢。EXISTS SUBQUERY/NOT EXISTS SUBQUERY實現的方式是轉換為LEFT SEMI JOIN或者LEFT ANTI JOIN

例如:

SELECT * from mytable1 where exists (select * from mytable2 where id = mytable1.id);`

等效于

SELECT * from mytable1 a LEFT SEMI JOIN mytable2 b on a.id=b.id;

而

SELECT * from mytable1 where not exists (select * from mytable2 where id = mytable1.id);`

則等效于

SELECT * from mytable1 a LEFT ANTI JOIN mytable2 b on a.id=b.id;

其他改進
MaxCompute支持UNION [DISTINCT] - 其中DISTINCT為忽略

SELECT * FROM src1 UNION SELECT * FROM src2;

執行的效果相當于

SELECT DISTINCT * FROM (SELECT * FROM src1 UNION ALL SELECT * FROM src2) t;

支持IMPLICIT JOIN

SELECT * FROM table1, table2 WHERE table1.id = table2.id;

執行的效果相當于

SELECT * FROM table1 JOIN table2 ON table1.id = table2.id;

此功能主要是方便從其他數據庫系統遷移，對于信貸買，我們還是推薦您使用JOIN，明確表示意圖

支持新的SELECT語序
在一個完整的查詢語句中，例如

SELECT key, max(value) FROM src t WHERE value > 0 GROUP BY key HAVING sum(value) > 100 ORDER BY key LIMIT 100;

實際上的邏輯執行順序是 FROM->WHERE->GROUY BY->HAVING->SELECT->ORDER BY->LIMIT，前一個是后一個的輸入，與標準的書寫語序實際并不相同。很多容易混淆的問題，都是由此引起的。例如order by中只能引用select列表中生成的列，而不是訪問FROM的源表中的列。HAVING可以訪問的是 group by key和聚合函數。SELECT的時候，如果有GROUP BY，就只能訪問group key和聚合函數，而不是FROM中源表中的列。

MaxCompute支持以執行順序書寫查詢語句，例如上面的語句可以寫為

FROM src t WHERE value > 0 GROUP BY key HAVING sum(value) > 100 SELECT key, max(value) ORDER BY key LIMIT 100;

書寫順序和執行順序一致，就不容易混淆了。這樣有一個額外的好處，在MaxCompute Studio中寫SQL語句的時候，會有智能提示的功能，如果是SELECT在前，書寫select列表的表達式的時候，因為FROM還沒有寫，MaxCompute Studio沒辦法知道可能訪問那些列，也就不能做提示。如下

需要先寫好FROM，再回頭寫SELECT列表，才能提示。如下

如果使用上述以FROM起始的方式書寫，則可以自然而然的根據上下文進行提示。如下

支持頂層UNION
ODPS1.0不支持頂層UNION。ODPS2.0可以支持，例如

SELECT * FROM src UNION ALL SELECT * FROM src;

UNION后LIMIT的語義變化。
大部分DBMS系統中，如MySQL，Hive等，UNION后如果有CLUSTER BY, DISTRIBUTE BY, SORT BY, ORDER BY或者LIMIT子句，其作用于與前面所有UNION的結果，而不是UNION的最后一路。ODPS2.0在set odps.sql.type.system.odps2=true;的時候，也采用此行為。例如:

set odps.sql.type.system.odps2=true; SELECT explode(array(1, 3)) AS (a) UNION ALL SELECT explode(array(0, 2, 4)) AS (a) ORDER BY a LIMIT 3;

返回

a
0
1
2
小節
MaxCompute大大擴充了DML語句的支持，在易用性，兼容性和性能方面，可以更好的滿足您的需求。對于SQL比較熟悉的專家會發現，上述功能大部分是標準的SQL支持的功能。MaxCompute會持續提升與標準SQL和業界常用產品的兼容性。

除此之外，針對MaxCompute用戶的特點，也就是需要在非常復雜的業務場景下，支持對己大量數據的處理，MaxCompute提供了特有的腳本模式和參數化視圖，將在下一次為您介紹。

標注
注1
是否合并或者分裂子查詢，是由ODPS2.0的基于代價的優化器 (CBO)做出決定的，SQL本身的書寫方式，不管是CTE還是子查詢，并不能確保物理執行計劃的合并或者分裂。

總結

以上是生活随笔為你收集整理的MaxCompute - ODPS重装上阵　第四弹 - CTE，VALUES，SEMIJOIN的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。