【数据蒋堂】第45期：大数据计算语法的SQL化

回归SQL是当前大数据计算语法的一个发展倾向。在Hadoop体系中，现在已经很少有人会自己从头来写MapReduce代码了，PIG Latin也处于被淘汰的边缘，而HIve却始终坚挺；即使是Spark上，也在更多地使用Spark SQL，而Scala反而少很多。其它一些新的大数据计算体系一般也将SQL作为首选的计算语法，经过几年时间的混战之后，现在SQL又逐步拿回了主动权。

这个现象，大概有这么两个原因：

1. 实在没什么别的好用

关系数据库过于普及，程序员对SQL相当熟悉，甚至思维习惯都是SQL式的。SQL用来做一些常规查询也比较简单，虽然用于处理复杂的过程计算或有序运算并不方便，但其它那些替代技术也好不到哪里去，碰到SQL难写的运算一样要写和UDF相当的复杂代码，反正都是麻烦，还不如继续用SQL。

2. 大数据厂商的鼎力支持

大数据的技术本质是高性能，而SQL是性能比拼的关键阵地。比性能要面对同样的运算才有意义，过于专门和复杂的运算涉及的影响因素太多，不容易评估出大数据平台本身的能力。而SQL有国际标准的TPC系列，所有用户都看得懂，这样就有明确的可比性，厂商也会把性能优化的重点放在SQL上。

那么，回归SQL好吗？特别地，我们说，大数据的技术本质是高性能，回归并优化SQL对提高计算性能有多大帮助？

那要看是什么运算！

对于比较简单的查询，特别是多维分析式的查询，用SQL确实是不错的。这种运算被传统数据库厂商研究了几十年，实践出很多行之有效的优化手段。而Hadoop这种新型大数据平台，正好可以实习和实施这些经验，在性能上就更容易超越其它语法体系。

但是，对于更常见的过程性计算，SQL并不好用，不仅是开发困难，代码要写很长，而且对于提高性能也很难有什么帮助。

什么是过程性计算呢？就是一步写不出来，需要多次分步运算，特别是与数据次序相关的运算。

我们举几个例子来看：

• 股票连续3天上涨后再涨1天的概率和平均涨幅，按所属板块和时间段分类对比

• 与去年同期的收入销售额对比分析，要考虑到节假日的影响

• 一周内累计登录时长超过一小时的用户占比，但要除去登录时长小于1分钟的误操作情况

• 信用卡在最近三个月内最长连续消费的天数分布情况，考虑实施连续消费10天后积分三倍的促销活动

  ……

（为了便于理解，这些例子已经做了简化，实际情况的运算还要复杂很多）

对于过程性运算，用SQL写出来的难度就很大，经常还必须要写UDF才能完成。如果SQL写都写不出来，那么指望优化SQL来提高性能也就无从谈起了。有时候能用SQL勉强写出来，代码也会相当复杂，而复杂SQL的优化效果是很差的，在嵌套几层之后，数据库引擎也会晕掉，不知道如何优化。

举一个以前举过的简单例子，在1亿条记录中取最大的前10名，SQL本身没有集合数据类型，理论上会用比较笨的办法，先排序再找前10名。但好一点的数据库引擎都能优化这件事，碰到这样的SQL语句不会真地去做大排序。但是，如果这个运算写到了分组或者子查询里面（写法会不一样了），数据库引擎就未必能识别出来再做优化了。

提高这些复杂运算的性能，指望计算平台的自动优化是靠不住的，根本手段还要靠编写出高性能的算法。象过程运算中还常常需要保存中间结果以复用，SQL需要用临时表，多了IO操作就会影响性能，这都不是引擎优化能解决的事情，必须要去改写计算过程。

事实上，提高性能的本质实际上还是降低开发难度。软件无法提高硬件的性能，只能想办法设计复杂度更低的算法，而如果能够快速低成本地实现这些算法，那就可以达到提高性能的目标。如果语法体系难以甚至没办法描述高性能算法，必须迫使程序员采用复杂度较高的算法，那也就很难再提高性能了。显然，优化SQL运算几乎无助于降低它的开发难度，SQL语法体系就是那样，无论怎样优化它的性能，开发难度并不会改变，很多高性能算法仍然实现不了，也就难以实质性地提高运算性能。

编写UDF在许多场景时确实能提高性能，但一方面开发难度很大，另一方面这是程序员硬写的，也不能利用到SQL引擎的优化能力。而且经常并不能将完整运算都写成UDF，只能使用计算平台提供的接口，仍然要在SQL框架使用它的数据类型，这样还是会限制高性能算法的实现。

  正文结束  

 近期文章

    关于数据蒋堂    

《数据蒋堂》的作者蒋步星，从事信息系统建设和数据处理长达20多年的时间。他丰富的工程经验与深厚的理论功底相互融合、创新思想与传统观念的相互碰撞，虚拟与现实的相互交织，产生出了一篇篇的沥血之作。此连载的内容涉及从数据呈现、采集到加工计算再到存储以及挖掘等各个方面。大可观数据世界之远景、小可看技术疑难之细节。针对数据领域一些技术难点，站在研发人员的角度从浅入深，进行全方位、360度无死角深度剖析；对于一些业内观点，站在技术人员角度阐述自己的思考和理解。蒋步星还会对大数据的发展，站在业内专家角度给予预测和推断。静下心来认真研读你会发现，《数据蒋堂》的文章，有的会让用户避免重复前人走过的弯路，有的会让攻城狮面对扎心的难题茅塞顿开，有的会为初入行业的读者提供一把开启数据世界的钥匙，有的甚至会让业内专家大跌眼镜，产生思想交锋。

蒋步星，清华大学计算机硕士，著有《非线性报表模型原理》等

1989年中国国际奥林匹克数学竞赛团体冠军成员，个人金牌。

2000年创立润乾公司，首次在润乾报表中提出非线性报表模型，完美解决了中国式复杂报表制表难题，目前该模型已经成为报表行业的标准。

2008年开始研发不依赖关系型数据的计算引擎，历经多个版本后，于2014年集算器正式发布。有效地提高了复杂结构化大数据计算的开发速度和运算效率。

2016年荣获中国电子信息产业发展研究院评选的“2016年中国软件和信息服务业 • 十大领军人物”。

2017年创办数据领域技术讲堂《数据蒋堂》，专注数据、每周一期。

2017年获得中国大数据产业生态大会评选的“2017年度中国数据大工匠”

2017年荣获中国电子信息产业发展研究院评选的“2017年中国软件和信息服务业 • 十大领军人物”。