性能优化技巧：有序归并

一、问题背景与适用场景

在以前的文章中我们介绍过，关系数据库在进行表间关联时是使用HASH分段技术。设两个关联表的规模（记录数）分别是 N 和 M，则 HASH 分段技术的计算复杂度（关联字段的比较次数）大概是 SUM(Ni*Mi)，其中 Ni 和 Mi 分别是 HASH 值为 i 的两表记录数，满足 N=SUM(Ni) 和 M=SUM(Mi)，这大概率会比完全遍历时的复杂度 N*M 要小很多（运气较好的时候会小 K 倍，K 是 HASH 值的取值范围）。

如果这两个表针对关联键都有序，那么我们就可以使用归并算法来处理关联，这时的复杂度是 N+M；在 N 和 M 都较大的时候（一般都会远大于 K），这个数会远小于刚才那个 SUM(Ni*Mi)。因此有序归并关联的计算速度会比HASH分段关联快很多。

在实际应用中，因为同维表和主子表总是针对主键或主键的一部分关联，我们可以事先把这些关联表的数据按其主键排序，以后就可以总是使用归并算法实现关联，效率能提高很多。SPL即采用了这样的算法。

下面我们就用集算器SPL与关系数据库Oracle作个对比，来测试一下有序归并关联的效率。

二、测试环境

1、小数据全内存测试

测试机有两个Intel2670 CPU，主频2.6G，共16核，内存128G，SSD固态硬盘。

采用TPCH标准生成的50G数据，主表是orders，子表是orderdetail(由lineitem表数据记录减少后生成)。两表中记录分别按O_ORDERKEY、L_ORDERKEY升序排列。

Oracle和SPL均使用单线程测试。

2、大数据外存测试

采用前述测试机中的虚拟机，内存16G，SSD固态硬盘。

采用TPCH标准生成的200G数据，主表是orders，子表是lineitem。两表中记录分别按O_ORDERKEY、L_ORDERKEY升序排列。

因数据量比较大，Oracle和SPL均使用8线程并行测试。

三、小数据全内存测试

1.  Oracle测试

（1）无关联测试

测试的SQL语句如下：

select
   l_year,
   sum(volume) as revenu,
   sum(l_quantity) as quantity
from
   (
      select
         extract(year from l_shipdate) as l_year,
         (l_extendedprice * (1 - l_discount) ) as volume,
         l_quantity
      from
         orderdetail
   )
group by
   l_year
union all
select
   2019 as l_year,
   count(o_orderkey) as revenu,
   count(o_totalprice) as quantity
from
   orders;

（2）有关联测试

测试的SQL语句如下：

select
   l_year,
   sum(volume) as revenu,
   sum(l_quantity) as quantity
from
   (
      select
         extract(year from l_shipdate) as l_year,
         (l_extendedprice * (1 - l_discount) ) as volume,
         l_quantity
      from
         orders,
         orderdetail
      where
         o_orderkey = l_orderkey
         and l_quantity>0
   )
group by
   l_year;

查询条件 l_quantity>0 始终为真，没有过滤数据，是为了确保会读取这一列数据。

2.  SPL测试

（1）无关联测试

编写SPL脚本如下：

	A
1	>orders=file("/home/ctx/orders.ctx").open().memory()
2	>orderdetail=file("/home/ctx/orderdetail.ctx").open().memory()
3	=now()
4	=orderdetail.cursor(L_ORDERKEY,L_EXTENDEDPRICE,L_DISCOUNT,L_SHIPDATE,L_QUANTITY).groups(year(L_SHIPDATE):l_year; sum(L_EXTENDEDPRICE*(1-L_DISCOUNT)):revenue,sum(L_QUANTITY):quantity)
5	=orders.groups(;count(O_ORDERKEY),count(O_TOTALPRICE))
6	=interval@s(A3,now())

 （2）有关联测试

编写SPL脚本如下：

	A
1	>orders=file("/home/ctx/orders.ctx").open().memory()
2	>orderdetail=file("/home/ctx/orderdetail.ctx").open().memory()
3	=now()
4	=orders.cursor(O_ORDERKEY,O_TOTALPRICE;O_TOTALPRICE>0)
5	=orderdetail.cursor(L_ORDERKEY,L_EXTENDEDPRICE,L_DISCOUNT,L_SHIPDATE,L_QUANTITY)
6	=joinx(A5:detail,L_ORDERKEY;A4:orders,O_ORDERKEY)
7	=A6.groups(year(detail.L_SHIPDATE):l_year;sum(detail.L_EXTENDEDPRICE*(1-detail.L_DISCOUNT)):revenue, sum(detail.L_QUANTITY):quantity)
8	=interval@s(A3,now())

A6中的joinx就是有序归并关联函数，要求关联字段都按升序排列。

3.  测试结果及分析

测试结果列表如下(单位：秒)：

类别	无关联	有关联	变慢倍数	关联用时
Oracle	16	67	4.2	51
SPL	14	32	2.3	18

每种测试结果都是多次运行、数据充分缓存以后，取最快的一次。

分析两句SQL，无关联测试中对orders表读出O_ORDERKEY、O_TOTALPRICE两列并统计记录数，对orderdetail表读出L_ORDERKEY、L_EXTENDEDPRICE、L_DISCOUNT、L_SHIPDATE、L_QUANTITY 五列，并对销售价格求和、对L_QUANTITY求和。而在有关联测试中，对orders和orderdetail表的读取量相同，同时对关联后的销售价格求和、对L_QUANTITY求和。两种情况下的读取和计算量基本是相当的，多出的操作就是两表间的关联，所以两者的运行时间差就是关联操作用时。同理，SPL也是如此。

在同样的硬件设备和数据规模下，SPL关联用时18秒，Oracle关联用时51秒，几乎是前者的3倍，而且SPL是Java编写的程序，而Oracle是C++实现的，这充分验证了有序归并关联能够极大地提高关联效率。SPL有关联比无关联时速度慢了2.3倍，Oracle慢了4.2倍，说明有序归并计算与普通计算速度相当，而HASH关联比普通计算要慢很多。

四、大数据外存测试

当要 JOIN 的两个表都大到内存无法放下的时候，关系数据库仍然是使用 HASH 分段的技术。根据关联字段的 HASH 值，将数据分成若干段，每段都足够小到能装入内存再实施内存的 HASH 分段算法。但这会发生外存倒换的问题，数据需要先分段写出再读入，多出一写一读，外存读本来就不快，写就更慢，这样性能会差出很多。

有序归并关联则没有这个问题，两个表的数据都只要遍历一次就行了，不仅是 CPU 的计算量减少，外存的 IO 量也大幅下降。而且，执行归并算法需要的内存很少，只要在内存中为每个表保持数条缓存记录就可以了，几乎不会影响其它并发任务对内存的需求。

1.  Oracle测试

（1）无关联测试

测试的SQL语句与小数据测试相同，只需把orderdetail表改成lineitem表，另在第一个select后添加“  /*+ parallel(8) */”使用8线程并行。

（2）有关联测试

测试的SQL语句与小数据测试相同，只需把orderdetail表改成lineitem表，另在第一个select后添加“  /*+ parallel(8) */”使用8线程并行。

2.  SPL测试

（1）无关联测试

编写SPL脚本如下：

	A
1	=now()
2	=file("/home/ctx/lineitem.ctx").open().cursor@m(L_ORDERKEY,L_EXTENDEDPRICE,L_DISCOUNT,L_SHIPDATE,L_QUANTITY;;8)
3	=A2.groups(year(L_SHIPDATE):l_year; sum(L_EXTENDEDPRICE*(1-L_DISCOUNT)):revenue,sum(L_QUANTITY):quantity)
4	=file("/home/ctx/orders.ctx").open().cursor@m(O_ORDERKEY,O_TOTALPRICE;;8)
5	=A4.total(count(O_ORDERKEY),count(O_TOTALPRICE))
6	=interval@s(A1,now())

数据量大，A2和A4都使用8路并行游标读数。

（2）有关联测试

编写SPL脚本如下：

	A
1	=now()
2	=file("/home/ctx/orders.ctx").open().cursor@m(O_ORDERKEY,O_TOTALPRICE;O_TOTALPRICE>0;8)
3	=file("/home/ctx/lineitem.ctx").open().cursor(L_ORDERKEY,L_EXTENDEDPRICE,L_DISCOUNT,L_SHIPDATE,L_QUANTITY;;A2)
4	=joinx(A3:detail,L_ORDERKEY;A2:orders,O_ORDERKEY)
5	=A4.groups(year(detail.L_SHIPDATE):l_year; sum(detail.L_EXTENDEDPRICE*(1-detail.L_DISCOUNT)):revenue,sum(detail.L_QUANTITY):quantity)
6	=interval@s(A1,now())

A3中生成游标时用了A2作为参数，表示与主表orders的主键同步分段读取。

A4中的joinx就是有序归并关联函数，要求关联字段都按升序排列。

3.   测试结果及分析

测试结果列表如下(单位：秒)：

类别	无关联	有关联	变慢倍数	关联用时
Oracle	265	863	3.3	598
SPL	70	101	1.4	31

计算量分析及关联用时计算与小数据测试同理。

在同样的硬件设备和数据规模下，SPL关联用时31秒，Oracle关联用时598秒，是前者的19倍，更进一步验证了有序归并关联能够极大地提高关联效率。与小数据测试时相比，倍数大大增加，说明数据量越大，有序归并关联比HASH关联的性能提升优势越明显。

有关联比无关联变慢的倍数也可以得出与小数据测试时同样的结论，不过这里比小数据测试时多了读取数据的时间(小数据时数据全部缓存到内存了)，所以无关联测试时的时间基数变大了，变慢倍数看起来反而比小数据测试时减小了。

更多性能优化技巧，可在底部“阅读原文”中查看

重磅！开源SPL交流群成立了

简单好用的SPL开源啦！

为了给感兴趣的小伙伴们提供一个相互交流的平台，

特地开通了交流群（群完全免费，不广告不卖课）

需要进群的朋友，可长按扫描下方二维码

本文感兴趣的朋友，请转到阅读原文去收藏 ^_^