典型SQL调优点-子查询调优
子查询背景介绍
应用程序通过SQL语句来操作数据库时会使用大量的子查询，这种写法比直接对两个表做连接操作在结构上和思路上更清晰，尤其是在一些比较复杂的查询语句中，子查询有更完整、更独立的语义，会使SQL对业务逻辑的表达更清晰更容易理解，因此得到了广泛的应用。
GaussDB 200根据子查询在SQL语句中的位置把子查询分成了子查询、子链接两种形式。
- 子查询SubQuery：对应于查询解析树中的范围表RangeTblEntry，更通俗一些指的是出现在FROM语句后面的独立的SELECT语句。
- 子链接SubLink：对应于查询解析树中的表达式，更通俗一些指的是出现在where/on子句、targetlist里面的语句。综上，对于查询解析树而言，SubQuery的本质是范围表、而SubLink的本质是表达式。针对SubLink场景而言，由于SubLink可以出现在约束条件、表达式中，按照GaussDB 200对sublink的实现，sublink可以分为以下几类：
- exist_sublink：对应EXIST、NOT EXIST语句
- any_sublink：对应op ALL(select…)语句，其中OP可以是IN,<,>,=操作符
- all_sublink：对应op ALL(select…)语句，其中OP可以是IN,<,>,=操作符
- rowcompare_sublink：对应record op (select …)语句
- expr_sublink：对应(SELECT with single targetlist item ...)语句
- array_sublink：对应ARRAY(select…)语句
- cte_sublink：对应with query(…)语句
其中OLAP、HTAP场景中常用的sublink为exist_sublink、any_sublink，在GaussDB 200的优化引擎中对其应用场景做了优化（子链接提升），由于SQL语句中子查询的使用的灵活性，会带来SQL子查询过于复杂造成性能问题。子查询从大类上来看，分为非相关子查询和相关子查询：
- 非相关子查询None-Correlated SubQuery
子查询的执行不依赖于外层父查询的任何属性值。这样子查询具有独立性，可独自求解，形成一个子查询计划先于外层的查询求解。
例如：
select t1.c1,t1.c2
from t1
where t1.c1 in (
select c2
from t2
where t2.c2 IN (2,3,4)
);
QUERY PLAN
---------------------------------------------------------------
Streaming (type: GATHER)
Node/s: All datanodes
-> Hash Right Semi Join
Hash Cond: (t2.c2 = t1.c1)
-> Streaming(type: REDISTRIBUTE)
Spawn on: All datanodes
-> Seq Scan on t2
Filter: (c2 = ANY ('{2,3,4}'::integer[]))
-> Hash
-> Seq Scan on t1
(10 rows) - 查询Correlated-SubQuery
子查询的执行依赖于外层父查询的一些属性值（如下列示例t2.c1 = t1.c1条件中的t1.c1）作为内层查询的一个AND-ed条件。这样的子查询不具备独立性，需要和外层查询按分组进行求解。
例如：
select t1.c1,t1.c2
from t1
where t1.c1 in (
select c2
from t2
where t2.c1 = t1.c1 AND t2.c2 in (2,3,4)
);
QUERY PLAN
-----------------------------------------------------------------------
Streaming (type: GATHER)
Node/s: All datanodes
-> Seq Scan on t1
Filter: (SubPlan 1)
SubPlan 1
-> Result
Filter: (t2.c1 = t1.c1)
-> Materialize
-> Streaming(type: BROADCAST)
Spawn on: All datanodes
-> Seq Scan on t2
Filter: (c2 = ANY ('{2,3,4}'::integer[]))
(12 rows)
GaussDB 200对SubLink的优化
针对SubLink的优化策略主要是让内层的子查询提升(pullup)，能够和外表直接做关联查询，从而避免生成SubPlan+Broadcast內表的执行计划。判断子查询是否存在性能风险，可以通过explain查询语句查看Sublink的部分是否被转换成SubPlan+Broadcast的执行计划。
例如：
- 目前GaussDB 200支持的Sublink-Release场景
- IN-Sublink无相关条件
- 不能包含上一层查询的表中的列（可以包含更高层查询表中的列）。
- 不能包含易变函数。
- Exist-Sublink包含相关条件
Where子句中必须包含上一层查询的表中的列，子查询的其它部分不能含有上层查询的表中的列。其它限制如下。
- 子查询必须有from子句。
- 子查询不能含有with子句。
- 子查询不能含有聚集函数。
- 子查询里不能包含集合操作、排序、limit、windowagg、having操作。
- 不能包含易变函数。
- 包含聚集函数的等值相关子查询的提升
子查询的where条件中必须含有来自上一层的列，而且此列必须和子查询本层涉及表中的列做相等判断，且这些条件必须用and连接。其它地方不能包含上层的列。其它限制条件如下。
- 子查询中where条件包含的表达式(列名)必须是表中的列。
- 子查询的Select关键字后，必须有且仅有一个输出列，此输出列必须是聚集函数(如max)，并且聚集函数的参数(t2.c2)不能是来自外层表(t1)中的列。聚集函数不能是count。例如，下列示例可以提升。
select * from t1 where c1 >(
select max(t2.c1) from t2 where t2.c1=t1.c1
);下列示例不能提升，因为子查询没有聚集函数。
select * from t1 where c1 >(
select t2.c1 from t2 where t2.c1=t1.c1
);下列示例不能提升，因为子查询有两个输出列。
select * from t1 where (c1,c2) >(
select max(t2.c1),min(t2.c2) from t2 where t2.c1=t1.c1
); - 子查询必须是from子句。
- 子查询中不能有groupby、having、集合操作。
- 子查询只能是inner join。例如：下列示例不能提升。
select * from t1 where c1 >(
select max(t2.c1) from t2 full join t3 on (t2.c2=t3.c2) where t2.c1=t1.c1
); - 子查询的targetlist中不能包含返回set的函数。
- 子查询的where条件中必须含有来自上一层的列，而且此列必须和子查询层涉及表中的列做相等判断，且这些条件必须用and连接。其它地方不能包含上层的上层中的列。例如：下列示例中的最内层子链接可以提升。
select * from t3 where t3.c1=(
select t1.c1
from t1 where c1 >(
select max(t2.c1) from t2 where t2.c1=t1.c1
));基于上面的示例，再加一个条件，则不能提升，因为最内侧子查询引用了上层中的列。示例如下：
select * from t3 where t3.c1=(
select t1.c1
from t1 where c1 >(
select max(t2.c1) from t2 where t2.c1=t1.c1 and t3.c1>t2.c2
));
- 提升OR子句中的SubLink
当WHERE过滤条件中有OR连接的EXIST相关SubLink，
例如：
select a, c from t1
where t1.a = (select avg(a) from t3 where t1.b = t3.b) or
exists (select * from t4 where t1.c = t4.c)将OR-ed连接的EXIST相关子查询OR字句的提升过程：
- 提取where条件中，or子句中的opExpr。为：t1.a = (select avg(a) from t3 where t1.b = t3.b)
- 这个op操作中包含subquery，判断是否可以提升，如果可以提升，重写subquery为：select avg(a), t3.b from t3 group by t3.b，生成not null条件t3.b is not null，并将这个opexpr用这个not null条件替换。此时SQL变为：
select a, c
from t1 left join (select avg(a) avg, t3.b from t3 group by t3.b) as t3 on (t1.a = avg and t1.b = t3.b)
where t3.b is not null or exists (select * from t4 where t1.c = t4.c); - 再次提取or子句中的exists sublink，exists (select * from t4 where t1.c = t4.c)，判断是否可以提升，如果可以提升，转换subquery为：select t4.c from t4 group by t4.c生成NotNull条件t4.c is not null提升查询，SQL变为：
select a, c
from t1 left join (select avg(a) avg, t3.b from t3 group by t3.b) as t3 on (t1.a = avg and t1.b = t3.b)
left join (select t4.c from t4 group by t4.c) where t3.b is not null or t4.c is not null;
- IN-Sublink无相关条件
- 目前LibrA不支持的Sublink-Release场景
除了以上场景之外都不支持Sublink提升，因此关联子查询会被计划成SubPlan+Broadcast的执行计划，当inner表的数据量较大时则会产生性能风险。
如果相关子查询中跟外层的两张表做join，那么无法提升该子查询，需要通过将父SQL创建成with子句，然后再跟子查询中的表做相关子查询查询。
例如：
select distinct t1.a, t2.a
from t1 left join t2 on t1.a=t2.a and not exists (select a,b from test1 where test1.a=t1.a and test1.b=t2.a);改写为
with temp as
(
select * from (select t1.a as a, t2.a as b from t1 left join t2 on t1.a=t2.a)
)
select distinct a,b
from temp
where not exists (select a,b from test1 where temp.a=test1.a and temp.b=test1.b);- 出现在targetlist里的相关子查询无法提升(不含count)
例如：
explain (costs off)
select (select c2 from t2 where t1.c1 = t2.c1) ssq, t1.c2
from t1
where t1.c2 > 10;执行计划为：
postgres=# explain (costs off)
postgres-# select (select c2 from t2 where t1.c1 = t2.c1) ssq, t1.c2
postgres-# from t1
postgres-# where t1.c2 > 10;
QUERY PLAN
------------------------------------------------------
Streaming (type: GATHER)
Node/s: All datanodes
-> Seq Scan on t1
Filter: (c2 > 10)
SubPlan 1
-> Result
Filter: (t1.c1 = t2.c1)
-> Materialize
-> Streaming(type: BROADCAST)
Spawn on: All datanodes
-> Seq Scan on t2
(11 rows)由于相关子查询出现在targetlist(查询返回列表)里，对于t1.c1=t2.c1不匹配的场景仍然需要输出值，因此使用left-outerjoin关联T1&T2确保t1.c1=t2.c1在不匹配时，子SSQ能够返回不匹配的补空值。
说明：SSQ和CSSQ的解释如下：
- SSQ：ScalarSubQuery一般指返回1行1列scalar值的sublink，简称SSQ。
- CSSQ：Correlated-ScalarSubQuery和SSQ相同不过是指包含相关条件的SSQ。
上述SQL语句可以改写为：
with ssq as
(
select t2.c2 from t2
)
select ssq.c2, t1.c2
from t1 left join ssq on t1.c1 = ssq.c2
where t1.c2 > 10;改写后的执行计划为：
QUERY PLAN
-------------------------------------------
Streaming (type: GATHER)
Node/s: All datanodes
-> Hash Right Join
Hash Cond: (t2.c2 = t1.c1)
-> Streaming(type: REDISTRIBUTE)
Spawn on: All datanodes
-> Seq Scan on t2
-> Hash
-> Seq Scan on t1
Filter: (c2 > 10)
(10 rows)可以看到出现在SSQ返回列表里的相关子查询SSQ，已经被提升成Right Join，从而避免当內表T2较大时出现SubPlan+Broadcast计划导致性能变差。
- 出现在targetlist里的相关子查询无法提升(带count)
例如：
select (select count(*) from t2 where t2.c1=t1.c1) cnt, t1.c1, t3.c1
from t1,t3
where t1.c1=t3.c1 order by cnt, t1.c1;执行计划为
QUERY PLAN
------------------------------------------------------------------
Streaming (type: GATHER)
Node/s: All datanodes
-> Sort
Sort Key: ((SubPlan 1)), t1.c1
-> Hash Join
Hash Cond: (t1.c1 = t3.c1)
-> Seq Scan on t1
-> Hash
-> Seq Scan on t3
SubPlan 1
-> Aggregate
-> Result
Filter: (t2.c1 = t1.c1)
-> Materialize
-> Streaming(type: BROADCAST)
Spawn on: All datanodes
-> Seq Scan on t2
(17 rows)由于相关子查询出现在targetlist(查询返回列表)里，对于t1.c1=t2.c1不匹配的场景仍然需要输出值，因此使用left-outerjoin关联T1&T2确保t1.c1=t2.c1在不匹配时子SSQ能够返回不匹配的补空值，但是这里带了count语句及时在t1.c1=t2.t1不匹配时需要输出0，因此可以使用一个case-when NULL then 0 else count(*)来代替。
上述SQL语句可以改写为：
with ssq as
(
select count(*) cnt, c1 from t2 group by c1
)
select case when
ssq.cnt is null then
else ssq.cnt
end cnt, t1.c1, t3.c1
from t1 left join ssq on ssq.c1 = t1.c1,t3
where t1.c1 = t3.c1
order by ssq.cnt, t1.c1;改写后的执行计划为
QUERY PLAN
-----------------------------------------------------
Streaming (type: GATHER)
Node/s: All datanodes
-> Sort
Sort Key: (count(*)), t1.c1
-> Hash Join
Hash Cond: (t1.c1 = t3.c1)
-> Hash Left Join
Hash Cond: (t1.c1 = t2.c1)
-> Seq Scan on t1
-> Hash
-> HashAggregate
Group By Key: t2.c1
-> Seq Scan on t2
-> Hash
-> Seq Scan on t3
(15 rows)
- 相关条件为不等值场景
例如：
select t1.c1, t1.c2
from t1
where t1.c1 = (select agg() from t2.c2 > t1.c2)对于非等值相关条件的SubLink目前无法提升，从语义上可以通过做2次join（一次CorrelationKey，一次rownum自关联）达到提升改写的目的。
改写方案有两种。
- 子查询改写方式
select t1.c1, t1.c2
from t1, (
select t1.rowid, agg() aggref
from t1,t2
where t1.c2 > t2.c2 group by t1.rowid
) dt /* derived table */
where t1.rowid = dt.rowid AND t1.c1 = dt.aggref; - CTE改写方式
WITH dt as
(
select t1.rowid, agg() aggref
from t1,t2
where t1.c2 > t2.c2 group by t1.rowid
)
select t1.c1, t1.c2
from t1, derived_table
where t1.rowid = derived_table.rowid AND
t1.c1 = derived_table.aggref;
- 子查询改写方式
- 目前LibrA尚无高效的实现表、中间结果集的全局唯一rowid因此目前此类场景很难改写，建议通过业务层进行规避，或者可以使用t1.xc_nodeid + t1.ctid进行rowid关联，但是xc_nodeid的重复率较高会导致join关联效率变低，而xc_node_id+ctid类型无法作为hashjoin的关联条件。
- 对于AGG类型为count(*)时需要进行CASE-WHEN对没有match的场景补0处理，非COUNT(*)场景NULL处理。
- CTE改写方式如果有sharescan支持性能上能够更优。
- 出现在targetlist里的相关子查询无法提升(不含count)
更多优化示例
示例1：修改基表为replicate表，并且在过滤列上创建索引。
create table master_table (a int);
create table sub_table(a int, b int);
select a from master_table group by a having a in (select a from sub_table);
上述事例中存在一个相关性子查询，为了提升查询的性能，可以将sub_table修改为一个relication表，并且在字段a上创建一个index。
示例2：修改select语句，将子查询修改为和主表的join，或者修改为可以提升的subquery，但是在修改前后需要保证语义的正确性。
explain (costs off)select * from master_table as t1 where t1.a in (select t2.a from sub_table as t2 where t1.a = t2.b);
QUERY PLAN
----------------------------------------------------------
Streaming (type: GATHER)
Node/s: All datanodes
-> Seq Scan on master_table t1
Filter: (SubPlan 1)
SubPlan 1
-> Result
Filter: (t1.a = t2.b)
-> Materialize
-> Streaming(type: BROADCAST)
Spawn on: All datanodes
-> Seq Scan on sub_table t2
(11 rows)
上面事例计划中存在一个subPlan，为了消除这个subPlan可以修改语句为：
explain(costs off) select * from master_table as t1 where exists (select t2.a from sub_table as t2 where t1.a = t2.b and t1.a = t2.a);
QUERY PLAN
--------------------------------------------------
Streaming (type: GATHER)
Node/s: All datanodes
-> Hash Semi Join
Hash Cond: (t1.a = t2.b)
-> Seq Scan on master_table t1
-> Hash
-> Streaming(type: REDISTRIBUTE)
Spawn on: All datanodes
-> Seq Scan on sub_table t2
(9 rows)
从计划可以看出，subPlan消除了，计划变成了两个表的semi join，这样会大大提高执行效率。
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/69959250/viewspace-3165581/ ，如需转载，请注明出处，否则将追究法律责任。
