眾所周知，很多大數(shù)據(jù)計(jì)算都是用 SQL 實(shí)現(xiàn)的，跑得慢時(shí)就要去優(yōu)化 SQL，但常常碰到讓人干瞪眼的情況。比如，存儲(chǔ)過(guò)程中有三條大概形如這樣的語(yǔ)句執(zhí)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(gè)有數(shù)億行的巨大表，要分別按三種方式分組，分組的結(jié)果集都不大。分組運(yùn)算要遍歷數(shù)據(jù)表，這三句 SQL 就要把這個(gè)大表遍歷三次，對(duì)數(shù)億行數(shù)據(jù)遍歷一次的時(shí)間就不短，何況三遍。這種分組運(yùn)算中，相對(duì)于遍歷硬盤的時(shí)間，CPU 計(jì)算時(shí)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(jì)算出來(lái)，雖然 CPU 計(jì)算量并沒(méi)有變少，但能大幅減少硬盤讀取數(shù)據(jù)量，就能成倍提速了。from T select a,b,sum(x) group by a,b where … select c,d,max(y) group by c,d where … select a,c,avg(y),min(z) group by a,c where …;
能一次返回多個(gè)結(jié)果集，那就可以大幅提高性能了。
可惜， SQL 沒(méi)有這種語(yǔ)法，寫不出這樣的語(yǔ)句，只能用個(gè)變通的辦法，就是用 group a,b,c,d 的寫法先算出更細(xì)致的分組結(jié)果集，但要先存成一個(gè)臨時(shí)表，才能進(jìn)一步用 SQL 計(jì)算出目標(biāo)結(jié)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) minzgroup 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(zhuǎn)到前面的 case when 里，代碼復(fù)雜很多，也會(huì)加大計(jì)算量。而且，計(jì)算臨時(shí)表時(shí)分組字段的個(gè)數(shù)變得很多，結(jié)果集就有可能很大，最后還對(duì)這個(gè)臨時(shí)表做多次遍歷，計(jì)算性能也快不了。大結(jié)果集分組計(jì)算還要硬盤緩存，本身性能也很差。還可以用存儲(chǔ)過(guò)程的數(shù)據(jù)庫(kù)游標(biāo)把數(shù)據(jù)一條一條 fetch 出來(lái)計(jì)算，但這要全自己實(shí)現(xiàn)一遍 WHERE 和 GROUP 的動(dòng)作了，寫起來(lái)太繁瑣不說(shuō)，數(shù)據(jù)庫(kù)游標(biāo)遍歷數(shù)據(jù)的性能只會(huì)更差！
TopN 運(yùn)算同樣會(huì)遇到這種無(wú)奈。舉個(gè)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(shù)據(jù)，從 SQL 語(yǔ)句來(lái)看，是將全部數(shù)據(jù)大排序后取出前 5 名，剩下的排序結(jié)果就沒(méi)用了！大排序成本很高，數(shù)據(jù)量很大內(nèi)存裝不下，會(huì)出現(xiàn)多次硬盤數(shù)據(jù)倒換，計(jì)算性能會(huì)非常差！避免大排序并不難，在內(nèi)存中保持一個(gè) 5 條記錄的小集合，遍歷數(shù)據(jù)時(shí)，將已經(jīng)計(jì)算過(guò)的數(shù)據(jù)前 5 名保存在這個(gè)小集合中，取到的新數(shù)據(jù)如果比當(dāng)前的第 5 名大，則插入進(jìn)去并丟掉現(xiàn)在的第 5 名，如果比當(dāng)前的第 5 名要小，則不做動(dòng)作。這樣做，只要對(duì) 10 億條數(shù)據(jù)遍歷一次即可，而且內(nèi)存占用很小，運(yùn)算性能會(huì)大幅提升。這種算法本質(zhì)上是把 TopN 也看作與求和、計(jì)數(shù)一樣的聚合運(yùn)算了，只不過(guò)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(méi)有顯式的集合數(shù)據(jù)類型，聚合函數(shù)只能返回單值，寫不出這種語(yǔ)句！
不過(guò)好在全集的 TopN 比較簡(jiǎn)單，雖然 SQL 寫成那樣，數(shù)據(jù)庫(kù)卻通常會(huì)在工程上做優(yōu)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(fù)雜了，用到子查詢中或者和 JOIN 混到一起的時(shí)候，優(yōu)化引擎通常就不管用了。比如要在分組后計(jì)算每組的 TopN，用 SQL 寫出來(lái)都有點(diǎn)困難。Oracle 的 SQL 寫出來(lái)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(shí)候，數(shù)據(jù)庫(kù)的優(yōu)化引擎就暈了，不會(huì)再采用上面說(shuō)的把 TopN 理解成聚合運(yùn)算的辦法。只能去做排序了，結(jié)果運(yùn)算速度陡降！select y,top(x,5) from T group by y
把 top 看成和 sum 一樣的聚合函數(shù)，這不僅更易讀，而且也很容易高速運(yùn)算。
關(guān)聯(lián)計(jì)算也是很常見的情況。以訂單和多個(gè)表關(guān)聯(lián)后做過(guò)濾計(jì)算為例，SQL 大體是這個(gè)樣子：select o.oid,o.orderdate,o.amount from orders o left join city ci on o.cityid = ci.cityid left join shipper sh on o.shid=sh.shid left join employee e on o.eid=e.eid left join supplier su on o.suid=su.suid where ci.state='New York' and e.title = 'manager' and ...
訂單表有幾千萬(wàn)數(shù)據(jù)，城市、運(yùn)貨商、雇員、供應(yīng)商等表數(shù)據(jù)量都不大。過(guò)濾條件字段可能會(huì)來(lái)自于這些表，而且是前端傳參數(shù)到后臺(tái)的，會(huì)動(dòng)態(tài)變化。
SQL 一般采用 HASH JOIN 算法實(shí)現(xiàn)這些關(guān)聯(lián)，要計(jì)算 HASH 值并做比較。每次只能解析一個(gè) JOIN，有 N 個(gè) JOIN 要執(zhí)行 N 遍動(dòng)作，每次關(guān)聯(lián)后都需要保持中間結(jié)果供下一輪使用，計(jì)算過(guò)程復(fù)雜，數(shù)據(jù)也會(huì)被遍歷多次，計(jì)算性能不好。
通常，這些關(guān)聯(lián)的代碼表都很小，可以先讀入內(nèi)存。如果將訂單表中的各個(gè)關(guān)聯(lián)字段預(yù)先做序號(hào)化處理，比如將雇員編號(hào)字段值轉(zhuǎn)換為對(duì)應(yīng)雇員表記錄的序號(hào)。那么計(jì)算時(shí)，就可以用雇員編號(hào)字段值（也就是雇員表序號(hào)），直接取內(nèi)存中雇員表對(duì)應(yīng)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(huì)非常明顯！select o.oid,o.orderdate,o.amount from orders o left join city c on o.cid = c. left join shipper sh on o.shid=sh. left join employee e on o.eid=e. left join supplier su on o.suid=su. where ci.state='New York' and e.title = 'manager' and ...
可惜的是，SQL 使用了無(wú)序集合概念，即使這些編號(hào)已經(jīng)序號(hào)化了，數(shù)據(jù)庫(kù)也無(wú)法利用這個(gè)特點(diǎn)，不能在對(duì)應(yīng)的關(guān)聯(lián)表這些無(wú)序集合上使用序號(hào)快速定位的機(jī)制，只能使用索引查找，而且數(shù)據(jù)庫(kù)并不知道編號(hào)被序號(hào)化了，仍然會(huì)去計(jì)算 HASH 值和比對(duì)，性能還是很差！
還有高并發(fā)帳戶查詢，這個(gè)運(yùn)算倒是很簡(jiǎn)單：select id,amt,tdate,… from T where 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(shù)據(jù)中，快速找到某個(gè)帳戶的幾條到幾千條明細(xì)，SQL 寫出來(lái)并不復(fù)雜，難點(diǎn)是大并發(fā)時(shí)響應(yīng)速度要達(dá)到秒級(jí)甚至更快。為了提高查詢響應(yīng)速度，一般都會(huì)對(duì) T 表的 id 字段建索引：create index index_T_1 on T(id)
在數(shù)據(jù)庫(kù)中，用索引查找單個(gè)帳戶的速度很快，但并發(fā)很多時(shí)就會(huì)明顯變慢。原因還是上面提到的 SQL 無(wú)序理論基礎(chǔ)，總數(shù)據(jù)量很大，無(wú)法全讀入內(nèi)存，而數(shù)據(jù)庫(kù)不能保證同一帳戶的數(shù)據(jù)在物理上是連續(xù)存放的。硬盤有最小讀取單位，在讀不連續(xù)數(shù)據(jù)時(shí)，會(huì)取出很多無(wú)關(guān)內(nèi)容，查詢就會(huì)變慢。高并發(fā)訪問(wèn)的每個(gè)查詢都慢一點(diǎn)，總體性能就會(huì)很差了。在非常重視體驗(yàn)的當(dāng)下，誰(shuí)敢讓用戶等待十秒以上？！容易想到的辦法是，把幾億數(shù)據(jù)預(yù)先按照帳戶排序，保證同一帳戶的數(shù)據(jù)連續(xù)存儲(chǔ)，查詢時(shí)從硬盤上讀出的數(shù)據(jù)塊幾乎都是目標(biāo)值，性能就會(huì)得到大幅提升。但是，采用 SQL 體系的關(guān)系數(shù)據(jù)庫(kù)并沒(méi)有這個(gè)意識(shí)，不會(huì)強(qiáng)制保證數(shù)據(jù)存儲(chǔ)的物理次序！這個(gè)問(wèn)題不是 SQL 語(yǔ)法造成的，但也和 SQL 的理論基礎(chǔ)相關(guān)，在關(guān)系數(shù)據(jù)庫(kù)中還是沒(méi)法實(shí)現(xiàn)這些算法。
不能再用 SQL 和關(guān)系數(shù)據(jù)庫(kù)了，要使用別的計(jì)算引擎。開源的集算器 SPL 基于創(chuàng)新的理論基礎(chǔ)，支持更多的數(shù)據(jù)類型和運(yùn)算，能夠描述上述場(chǎng)景中的新算法。用簡(jiǎn)單便捷的 SPL 寫代碼，在短時(shí)間內(nèi)能大幅提高計(jì)算性能！
上面這些問(wèn)題用 SPL 寫出來(lái)的代碼樣例如下：
| | |
| A1=file("T.ctx").open().cursor(a,b,c,d,x,y,z) |
| | =A2.select(…).groups(a,b;sum(x)) |
|
| |
| | =A4.select(…).groups(c,d;max(y)) |
|
| |
| | =A6.select(…).groupx(a,c;avg(y),min(z)) |
|
| |
| | //定義結(jié)束，開始計(jì)算三種方式的過(guò)濾、分組 |
| |
| |
| =A1.cursor@m(x).total(top(-5,x), ? top(5,x)) |
| // top(-5,x)計(jì)算出 x 最大的前 5 名，top(5,x) 是 x 最小的前 5 名。 |
| |
| |
| =A1.cursor@m(x,y).groups(y;top(-5,x), ? top(5,x)) |
用序號(hào)做關(guān)聯(lián)的 SPL 代碼：
| |
| >env(city,file("city.btx").import@b()),env(employee,file("employee.btx").import@b()),... |
| //系統(tǒng)初始化時(shí)，幾個(gè)小表讀入內(nèi)存 |
| |
| =file("orders.ctx").open().cursor(cid,eid,…).switch(cid,city:#;eid,employee:#;…) |
| =A1.select(cid.state='New ? York' && eid.title=="manager"…) |
| //先序號(hào)關(guān)聯(lián)，再引用關(guān)聯(lián)表字段寫過(guò)濾條件 |
數(shù)據(jù)預(yù)處理，有序存儲(chǔ)
| | |
| =file("T-original.ctx").open().cursor(id,tdate,amt,…) |
| | |
| =B2.create@r(#id,tdate,amt,…).append@i(A2) |
| =B2.open().index(index_id;id) |
|
| //將原數(shù)據(jù)排序后，另存為新表，并為帳號(hào)建立索引 |
| | |
| =T.icursor(;id==10100 ? && tdate>=date("2021-01-10") && tdate |
| |
除了這些簡(jiǎn)單例子，SPL 還能實(shí)現(xiàn)更多高性能算法，比如有序歸并實(shí)現(xiàn)訂單和明細(xì)之間的關(guān)聯(lián)、預(yù)關(guān)聯(lián)技術(shù)實(shí)現(xiàn)多維分析中的多層維表關(guān)聯(lián)、位存儲(chǔ)技術(shù)實(shí)現(xiàn)上千個(gè)標(biāo)簽統(tǒng)計(jì)、布爾集合技術(shù)實(shí)現(xiàn)多個(gè)枚舉值過(guò)濾條件的查詢提速、時(shí)序分組技術(shù)實(shí)現(xiàn)復(fù)雜的漏斗分析等等。歡迎關(guān)注“Java引導(dǎo)者”，我們分享最有價(jià)值的Java的干貨文章，助力您成為有思想的Java開發(fā)工程師！
