很多大數據計算都是用 SQL 實現的，跑得慢時就要去優化 SQL，但常常碰到讓人干瞪眼的情況。

比如，存儲過程中有三條大概形如這樣的語句執行得很慢：

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 …;

這里的 T 是個有數億行的巨大表，要分別按三種方式分組，分組的結果集都不大。

分組運算要遍歷數據表，這三句 SQL 就要把這個大表遍歷三次，對數億行數據遍歷一次的時間就不短，何況三遍。

這種分組運算中，相對于遍歷硬盤的時間，CPU 計算時間幾乎可以忽略。如果可以在一次遍歷中把多種分組匯總都計算出來，雖然 CPU 計算量并沒有變少，但能大幅減少硬盤讀取數據量，就能成倍提速了。

如果 SQL 支持類似這樣的語法：

from T -- 數據來自 T 表select a,b,sum(x) group by a,b where … -- 遍歷中的第一種分組select c,d,max(y) group by c,d where … -- 遍歷中的第二種分組select a,c,avg(y),min(z) group by a,c where …; -- 遍歷中的第三種分組

能一次返回多個結果集，那就可以大幅提高性能了。

---

可惜， SQL 沒有這種語法，寫不出這樣的語句，只能用個變通的辦法，就是用 group a,b,c,d 的寫法先算出更細致的分組結果集，但要先存成一個臨時表，才能進一步用 SQL 計算出目標結果。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 …;

這樣只要遍歷一次了，但要把不同的 WHERE 條件轉到前面的 case when 里，代碼復雜很多，也會加大計算量。而且，計算臨時表時分組字段的個數變得很多，結果集就有可能很大，最后還對這個臨時表做多次遍歷，計算性能也快不了。大結果集分組計算還要硬盤緩存，本身性能也很差。

還可以用存儲過程的數據庫游標把數據一條一條 fetch 出來計算，但這要全自己實現一遍 WHERE 和 GROUP 的動作了，寫起來太繁瑣不說，數據庫游標遍歷數據的性能只會更差！

只能干瞪眼！

---

TopN 運算同樣會遇到這種無奈。舉個例子，用 Oracle 的 SQL 寫 top5 大致是這樣的：

select * from (select x from T order by x desc) where rownum<=5

表 T 有 10 億條數據，從 SQL 語句來看，是將全部數據大排序后取出前 5 名，剩下的排序結果就沒用了！大排序成本很高，數據量很大內存裝不下，會出現多次硬盤數據倒換，計算性能會非常差！

避免大排序并不難，在內存中保持一個 5 條記錄的小集合，遍歷數據時，將已經計算過的數據前 5 名保存在這個小集合中，取到的新數據如果比當前的第 5 名大，則插入進去并丟掉現在的第 5 名，如果比當前的第 5 名要小，則不做動作。這樣做，只要對 10 億條數據遍歷一次即可，而且內存占用很小，運算性能會大幅提升。

這種算法本質上是把 TopN 也看作與求和、計數一樣的聚合運算了，只不過返回的是集合而不是單值。SQL 要是能寫成這樣：select top(x,5) from T 就能避免大排序了。

然而非常遺憾，SQL 沒有顯式的集合數據類型，聚合函數只能返回單值，寫不出這種語句！

---

不過好在全集的 TopN 比較簡單，雖然 SQL 寫成那樣，數據庫卻通常會在工程上做優化，采用上述方法而避免大排序。所以 Oracle 算那條 SQL 并不慢。

但是，如果 TopN 的情況復雜了，用到子查詢中或者和 JOIN 混到一起的時候，優化引擎通常就不管用了。比如要在分組后計算每組的 TopN，用 SQL 寫出來都有點困難。Oracle 的 SQL 寫出來是這樣：

select * from(select y,x,row_number() over (partition by y order by x desc) rn from T) where rn<=5

這時候，數據庫的優化引擎就暈了，不會再采用上面說的把 TopN 理解成聚合運算的辦法。只能去做排序了，結果運算速度陡降！

假如 SQL 的分組 TopN 能這樣寫：

select y,top(x,5) from T group by y

把 top 看成和 sum 一樣的聚合函數，這不僅更易讀，而且也很容易高速運算。

可惜，不行。

還是干瞪眼！

---

關聯計算也是很常見的情況。以訂單和多個表關聯后做過濾計算為例，SQL 大體是這個樣子：

select o.oid,o.orderdate,o.amountfrom orders oleft join city ci on o.cityid = ci.cityidleft join shipper sh on o.shid=sh.shidleft join employee e on o.eid=e.eidleft join supplier su on o.suid=su.suidwhere ci.state='New York'and e.title = 'manager'and ...

訂單表有幾千萬數據，城市、運貨商、雇員、供應商等表數據量都不大。過濾條件字段可能會來自于這些表，而且是前端傳參數到后臺的，會動態變化。

SQL 一般采用 HASH JOIN 算法實現這些關聯，要計算 HASH 值并做比較。每次只能解析一個 JOIN，有 N 個 JOIN 要執行 N 遍動作，每次關聯后都需要保持中間結果供下一輪使用，計算過程復雜，數據也會被遍歷多次，計算性能不好。

---

通常，這些關聯的代碼表都很小，可以先讀入內存。如果將訂單表中的各個關聯字段預先做序號化處理，比如將雇員編號字段值轉換為對應雇員表記錄的序號。那么計算時，就可以用雇員編號字段值（也就是雇員表序號），直接取內存中雇員表對應位置的記錄，性能比 HASH JOIN 快很多，而且只需將訂單表遍歷一次即可，速度提升會非常明顯！

也就是能把 SQL 寫成下面的樣子：

select o.oid,o.orderdate,o.amountfrom orders oleft join city c on o.cid = c.# -- 訂單表的城市編號通過序號 #關聯城市表left join shipper sh on o.shid=sh.# -- 訂單表運貨商號通過序號 #關聯運貨商表left join employee e on o.eid=e.# -- 訂單表的雇員編號通過序號 #關聯雇員表left join supplier su on o.suid=su.# -- 訂單表供應商號通過序號 #關聯供應商表where ci.state='New York'and e.title = 'manager'and ...

可惜的是，SQL 使用了無序集合概念，即使這些編號已經序號化了，數據庫也無法利用這個特點，不能在對應的關聯表這些無序集合上使用序號快速定位的機制，只能使用索引查找，而且數據庫并不知道編號被序號化了，仍然會去計算 HASH 值和比對，性能還是很差！

有好辦法也實施不了，只能再次干瞪眼！

---

還有高并發帳戶查詢，這個運算倒是很簡單：

select id,amt,tdate,… from Twhere id='10100'and tdate>= to_date('2021-01-10', 'yyyy-MM-dd')and tdate<to_date('2021-01-25', 'yyyy-MM-dd')and …

在 T 表的幾億條歷史數據中，快速找到某個帳戶的幾條到幾千條明細，SQL 寫出來并不復雜，難點是大并發時響應速度要達到秒級甚至更快。為了提高查詢響應速度，一般都會對 T 表的 id 字段建索引：

create index index_T_1 on T(id)

在數據庫中，用索引查找單個帳戶的速度很快，但并發很多時就會明顯變慢。原因還是上面提到的 SQL 無序理論基礎，總數據量很大，無法全讀入內存，而數據庫不能保證同一帳戶的數據在物理上是連續存放的。硬盤有最小讀取單位，在讀不連續數據時，會取出很多無關內容，查詢就會變慢。高并發訪問的每個查詢都慢一點，總體性能就會很差了。在非常重視體驗的當下，誰敢讓用戶等待十秒以上？！

容易想到的辦法是，把幾億數據預先按照帳戶排序，保證同一帳戶的數據連續存儲，查詢時從硬盤上讀出的數據塊幾乎都是目標值，性能就會得到大幅提升。

但是，采用 SQL 體系的關系數據庫并沒有這個意識，不會強制保證數據存儲的物理次序！這個問題不是 SQL 語法造成的，但也和 SQL 的理論基礎相關，在關系數據庫中還是沒法實現這些算法。

---

那咋辦？只能干瞪眼嗎？

不能再用 SQL 和關系數據庫了，要使用別的計算引擎。

開源的集算器 SPL 基于創新的理論基礎，支持更多的數據類型和運算，能夠描述上述場景中的新算法。用簡單便捷的 SPL 寫代碼，在短時間內能大幅提高計算性能！

---

上面這些問題用 SPL 寫出來的代碼樣例如下：

一次遍歷計算多種分組

	A	B
1	A1=file("T.ctx").open().cursor(a,b,c,d,x,y,z)
2	cursor A1	=A2.select(…).groups(a,b;sum(x))
3		//定義遍歷中的第一種過濾、分組
4	cursor	=A4.select(…).groups(c,d;max(y))
5		//定義遍歷中的第二種過濾、分組
6	cursor	=A6.select(…).groupx(a,c;avg(y),min(z))
7		//定義遍歷中的第三種過濾、分組
8	…	//定義結束，開始計算三種方式的過濾、分組

用聚合的方式計算 Top5

全集 Top5（多線程并行計算）

	A
1	=file("T.ctx").open()
2	=A1.cursor@m(x).total(top(-5,x), ? top(5,x))
3	// top(-5,x)計算出 x 最大的前 5 名，top(5,x) 是 x 最小的前 5 名。

分組 Top5（多線程并行計算）

	A
1	=file("T.ctx").open()
2	=A1.cursor@m(x,y).groups(y;top(-5,x), ? top(5,x))

用序號做關聯的 SPL 代碼：

系統初始化

	A
2	>env(city,file("city.btx").import@b()),env(employee,file("employee.btx").import@b()),...
3	//系統初始化時，幾個小表讀入內存

查詢

	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	//先序號關聯，再引用關聯表字段寫過濾條件

高并發帳戶查詢的 SPL 代碼：

數據預處理，有序存儲

	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	//將原數據排序后，另存為新表，并為帳號建立索引

帳戶查詢

	A	B
1	=T.icursor(;id==10100 ? && tdate>=date("2021-01-10") && tdate<date("2021-01-25") ? && …,index_id).fetch()
2	//查詢代碼非常簡單

除了這些簡單例子，SPL 還能實現更多高性能算法，比如有序歸并實現訂單和明細之間的關聯、預關聯技術實現多維分析中的多層維表關聯、位存儲技術實現上千個標簽統計、布爾集合技術實現多個枚舉值過濾條件的查詢提速、時序分組技術實現復雜的漏斗分析等等。

正在為 SQL 性能優化頭疼的小伙伴們，來和我們一起探討吧：

《慢得受不了的查詢跑批》

識別二維碼打開該頁面

重磅！開源SPL交流群成立了

簡單好用的SPL開源啦！

為了給感興趣的小伙伴們提供一個相互交流的平臺，

特地開通了交流群（群完全免費，不廣告不賣課）

需要進群的朋友，可長按掃描下方二維碼

本文感興趣的朋友，請轉到閱讀原文去收藏 ^_^

總結

以上是生活随笔為你收集整理的做 SQL 性能优化真是让人干瞪眼的全部內容，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。