SQL查询最佳实践

根据数据库的SQL执行机制以及大量的实践总结发现：通过一定的规则调整SQL语句，在保证结果正确的基础上，能够提高SQL执行效率。

• 使用UNION ALL代替UNION

  UNION在合并两个集合时会执行去重操作，而UNION ALL则直接将两个结果集合并、不执行去重。执行去重会消耗大量的时间，因此，在一些实际应用场景中，如果通过业务逻辑已确认两个集合不存在重叠，可用UNION ALL替代UNION以便提升性能。

• JOIN列增加非空过滤条件

  若JOIN列上的NULL值较多，则可以加上IS NOT NULL过滤条件，以实现数据的提前过滤，提高JOIN效率。

• NOT IN转NOT EXISTS

  NOT IN语句需要使用NESTLOOP ANTI JOIN来实现，而NOT EXISTS则可以通过HASH ANTI JOIN来实现。在join列不存在NULL值的情况下，NOT EXISTS和NOT IN等价。因此在确保没有NULL值时，可以通过将NOT IN转换为NOT EXISTS，通过生成HASH JOIN来提升查询效率。

  建表语句如下：

  DROP SCHEMA IF EXISTS no_in_to_no_exists_test CASCADE;
  CREATE SCHEMA no_in_to_no_exists_test;
  SET CURRENT_SCHEMA=no_in_to_no_exists_test;
  CREATE TABLE t1(c1 int, c2 int, c3 int);
  CREATE TABLE t2(d1 int, d2 int NOT NULL, d3 int);

  使用NOT IN实现查询语句如下：

  SELECT * FROM t1 WHERE  c1 NOT IN (SELECT d2 FROM t2);

  其计划如下所示：

  gaussdb=# EXPLAIN SELECT * FROM t1 WHERE  c1 NOT IN (SELECT d2 FROM t2);
                                     QUERY PLAN
  ----------------------------------------------------------------------------------
   Streaming (type: GATHER)  (cost=0.06..38.57 rows=3 width=12)
     Node/s: All datanodes
     ->  Nested Loop Anti Join  (cost=0.00..38.44 rows=3 width=12)
           Join Filter: ((t1.c1 = t2.d2) OR (t1.c1 IS NULL))
           ->  Seq Scan on t1  (cost=0.00..14.14 rows=30 width=12)
           ->  Materialize  (cost=0.00..18.08 rows=90 width=4)
                 ->  Streaming(type: BROADCAST)  (cost=0.00..17.93 rows=90 width=4)
                       Spawn on: All datanodes
                       ->  Seq Scan on t2  (cost=0.00..14.14 rows=30 width=4)
  (9 rows)

  因为t2.d2字段中没有NULL值（t2.d2字段在表定义中为NOT NULL），所以查询可以等价修改如下：

  1	SELECT * FROM t1 WHERE NOT EXISTS (SELECT * FROM t2 WHERE t1.c1=t2.d2);

  其生成的计划如下：

  gaussdb=# EXPLAIN SELECT * FROM t1 WHERE  NOT EXISTS (SELECT * FROM t2 WHERE t1.c1=t2.d2);
                                    QUERY PLAN
  -------------------------------------------------------------------------------
   Streaming (type: GATHER)  (cost=14.38..29.99 rows=3 width=12)
     Node/s: All datanodes
     ->  Hash Right Anti Join  (cost=14.32..29.86 rows=3 width=12)
           Hash Cond: (t2.d2 = t1.c1)
           ->  Streaming(type: REDISTRIBUTE)  (cost=0.00..15.49 rows=30 width=4)
                 Spawn on: All datanodes
                 ->  Seq Scan on t2  (cost=0.00..14.14 rows=30 width=4)
           ->  Hash  (cost=14.14..14.14 rows=29 width=12)
                 ->  Seq Scan on t1  (cost=0.00..14.14 rows=30 width=12)
  (9 rows)

• 选择hashagg。

  查询语句中如果存在GROUP BY条件则生成的计划（Plan）中可能存在排序操作，即计划中包含GroupAgg+Sort算子，导致性能较差。可以通过设置GUC参数work_mem增大可用内存，生成带有HashAgg的计划（Plan）避免排序操作从而提升性能。work_mem设置请联系管理员。

• 尝试将函数替换为case语句。

  GaussDB函数调用性能较低，如果出现过多的函数调用导致性能下降很多，可以根据情况把可下推函数的函数改成CASE表达式。

• 避免对索引使用函数或表达式运算。

  对索引使用函数或表达式运算会停止使用索引转而执行全表扫描。

• 尽量避免在where子句中使用!=或<>操作符、null值判断、or连接、参数隐式转换。
• 对复杂SQL语句进行拆分。

  对于过于复杂并且不易通过以上方法调整性能的SQL可以考虑拆分的方法，把SQL中某一部分拆分成独立的SQL并把执行结果存入临时表，拆分常见的场景包括但不限于：

  • 作业中多个SQL有同样的子查询，并且子查询数据量较大。
  • Plan cost计算不准，导致子查询hash bucket太小，比如实际数据1000W行，hash bucket只有1000。
  • 函数（如substr、to_number）导致大数据量子查询选择度计算不准。
  • 多DN环境下对大表做broadcast的子查询。

其他更多调优点，请参见典型SQL调优点。