395 lines
13 KiB
Markdown
395 lines
13 KiB
Markdown
|
||
## 一、背景
|
||
|
||
从事数据开发将近四年，过程中有大量任务交接或阅读同事代码的场景。在这些场景中发现有些SQL读起来赏心悦目，可以一目了然地了解业务逻辑，一些复杂的业务需求实现方法也可以做到简洁优雅，同时在性能上也有良好表现。而有些SQL读起来非常艰难，时常要跨越几百行寻找WHERE条件或者关联字段，甚至充斥着大量相同的子查询命名，除了作者可能少有人能快速看懂。
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
为此，基于个人经验、理解与实践，我总结了一些方法和技巧，能让SQL尽量变得优雅，即兼顾代码可读性和执行性能两方面的提升。
|
||
|
||
|
||
|
||
## 二、方法与技巧
|
||
|
||
### 1.子查询与谓词下推
|
||
|
||
很多同事在写关联逻辑时，习惯于直接将原表关联，随后在最下方用一大段WHERE语句进行条件过滤，如下示例：
|
||
|
||
```text
|
||
// -------------------- Bad Codes ------------------------
|
||
|
||
SELECT
|
||
f1.pin,
|
||
c1.site_id,
|
||
c2.site_name
|
||
FROM
|
||
fdm.fdm1 AS f1
|
||
LEFT JOIN cdm.cdm1 AS c1
|
||
ON
|
||
f1.erp = lower(c1.account_number)
|
||
LEFT JOIN cdm.cdm2 AS c2
|
||
ON
|
||
c1.site_id = c2.site_code
|
||
WHERE
|
||
f1.start_date <= '""" + start_date + """'
|
||
AND f1.end_date > '""" + start_date + """'
|
||
AND f1.status = 1
|
||
AND c1.dt = '""" + start_date + """'
|
||
AND c2.yn = 1
|
||
GROUP BY
|
||
f1.pin,
|
||
c1.site_id,
|
||
c2.site_name
|
||
|
||
```
|
||
|
||
这段SQL主要有两个问题：
|
||
|
||
1.cdm1和cdm2的条件写在LEFT JOIN之后，因为cdm1和cdm2是NULL补充表（**NULL 补充表**: 右表被称为 NULL 补充表，意味着它的存在是为了补充左表中可能缺失的值。即使在右表中没有与左表匹配的行，左表中的行仍然会被返回，右表的相关列会填充为 NULL），那么19和20行无法进行谓词下推，这会导致关联时fdm1和cdm1,cdm2先进行全表关联，再按照WHERE条件过滤分区。如果cdm1是每天全量的表，先关联全表所扫描的数据量可想而知是相当大的。
|
||
|
||
2.全表关联时没有对关联键进行NULL值处理，如果相关表的对应字段存在大量NULL值，会引起数据倾斜。
|
||
|
||
|
||
|
||
第一个问题涉及SQL的谓词下推，即写条件时，应该在不影响结果的情况下，尽量将过滤条件下推到join之前进行（“下推”指将条件推到靠近数据源的位置而不是SQL语句的方位）。谓词下推后，过滤条件在map端执行，减少了map端的输出，降低了数据在集群上传输的量，节约了集群的资源，也可以提升任务的性能。
|
||
|
||
对于常用的INNER JOIN和LEFT OUTER JOIN，谓词下推规则如下：
|
||
|
||
|
||
|
||
| | | |
|
||
|---|---|---|
|
||
||INNER JOIN|LEFT OUTER JOIN|
|
||
||左表|右表|左表|右表|
|
||
|ON条件|下推|下推|不下推|下推|
|
||
|WHERE条件|下推|下推|下推|不下推|
|
||
|
||
|
||
|
||
如果使用上述示例的写法，主要关注的是LEFT OUTER JOIN时WHERE语句里的条件是否会引起谓词不下推。如果不想记这些看起来很复杂的规则怎么办？可以如下所示直接使用子查询：
|
||
|
||
```text
|
||
// -------------------- Good Codes ------------------------
|
||
|
||
SELECT
|
||
f1.pin,
|
||
c1.site_id,
|
||
c2.site_name
|
||
FROM
|
||
(
|
||
SELECT erp, pin FROM fdm.fdm1 WHERE dp = 'ACTIVE' AND status = 1
|
||
)
|
||
f1
|
||
LEFT JOIN
|
||
(
|
||
SELECT
|
||
site_id,
|
||
lower(account_number) AS account_number
|
||
FROM
|
||
cdm.cdm1
|
||
WHERE
|
||
dt = '""" + start_date + """'
|
||
)
|
||
c1
|
||
ON
|
||
f1.erp = c1.account_number
|
||
LEFT JOIN
|
||
(
|
||
SELECT site_code, site_name FROM cdm.cdm2 WHERE yn = 1
|
||
)
|
||
c2
|
||
ON
|
||
c1.site_id = c2.site_code
|
||
GROUP BY
|
||
f1.pin,
|
||
c1.site_id,
|
||
c2.site_name
|
||
|
||
```
|
||
|
||
将原来WHERE语句里的各个条件下推到每个表的子查询中，可以先过滤掉不必要的行，提升关联效率。同时可读性大大提高，能清晰地看出每个来源表都取了哪些数据。还有一些其它细节，比如BDP平台的fdm拉链表，大部分业务场景下，都可以用dp='ACTIVE'代替start_date <= '""" + start_date + """' AND end_date > '""" + start_date + """'。同时注意列裁剪问题，尽量少用SELECT * FROM，只选取必要的列以减少内存开销。
|
||
|
||
|
||
|
||
### 2.去重难题
|
||
|
||
为了保证数据粒度的准确，几乎所有的SQL脚本编写时，都要考虑去重问题。常见的方法有：
|
||
|
||
•GROUP BY
|
||
|
||
•DISTINCT
|
||
|
||
•ROW_NUMBER开窗
|
||
|
||
•COLLECT_SET
|
||
|
||
|
||
|
||
1）GROUP BY 真的更好吗？
|
||
|
||
我们经常能在各种大数据技术分享中看到去重时推荐使用GROUP BY代替DISTINCT的观点。不可否认，数据量达到一定程度，去重字段枚举值也很复杂时，GROUP BY确实在性能上更优秀，同时可以避免数据倾斜。但具体情况具体分析，比如下面两段SQL涉及的业务场景：
|
||
|
||
```text
|
||
// --------- Good Codes --------
|
||
select
|
||
count(distinct ulp_base_age)
|
||
from
|
||
app.app1
|
||
where
|
||
dt = sysdate(-1)
|
||
|
||
// --------- Bad Codes --------
|
||
select
|
||
count(ulp_base_age)
|
||
from
|
||
(
|
||
select
|
||
ulp_base_age
|
||
from
|
||
app.app1
|
||
where
|
||
dt = sysdate(-1)
|
||
group by
|
||
ulp_base_age
|
||
) t
|
||
|
||
```
|
||
|
||
|
||
|
||
底表app1为零售用户画像表，数据量20亿。如果要统计用户年龄分段的枚举值数量，哪一段的执行效率更高呢？先说结论：看到20亿的数据量，可能大家会认为第二段使用GROUP BY的SQL执行更快，但经过HIVE查询多次测试，第一段的平均执行时长约3分钟，第二段的平均执行时长约5分钟。
|
||
|
||
|
||
|
||
为了解释这个现象，我们需要了解GROUP BY和DISTINCT的原理。首先，ulp_base_age的枚举值只有7个，从MapReduce角度来看，在Map阶段，每个Map会对ulp_base_age去重。由于ulp_base_age枚举值有限，因而每个Map得到的ulp_base_age也有限，最终得到reduce的数据量也就是map数量*ulp_base_age枚举值的个数，这实质上造成了资源的浪费。而DISTINCT命令会在内存中构建一个hashtable，查找去重的时间复杂度是O(1)；GROUP BY在不同版本间变动比较大，有的版本会用构建hashtable的形式去重，有的版本会通过排序的方式， 排序的最优时间复杂度无法到O(1)。另外，第一种方式(GROUP BY)不仅需要进行 shuffle，还需要在每个分区中进行聚合操作，会消耗更多的磁盘网络I/O资源。
|
||
|
||
|
||
|
||
这告诉我们，不要过度优化代码，要考虑到数据集的具体情况！！
|
||
|
||
|
||
|
||
2）最大化利用分桶
|
||
|
||
在面对更复杂的数据集时，去重也需要更巧妙的方法。假设有一个数据量极大的页面埋点数据集，其部分数据如下所示：
|
||
|
||
|
||
|
||
| | |
|
||
|---|---|
|
||
|click_dt|pin|
|
||
|2024-12-16|a|
|
||
|2024-12-16|a|
|
||
|2024-12-16|a|
|
||
|2024-12-16|bb|
|
||
|2024-12-16|bb|
|
||
|2024-12-16|ccc|
|
||
|2024-12-16|ccc|
|
||
|2024-12-16|dddd|
|
||
|2024-12-16|eee|
|
||
|2024-12-16|eeee|
|
||
|
||
|
||
|
||
如果要统计天维度的UV，如果使用：
|
||
|
||
```text
|
||
// -------------------- Bad Codes --------------------
|
||
select
|
||
click_dt,
|
||
count(distinct pin)as uv
|
||
from
|
||
log_table
|
||
group by
|
||
click_dt;
|
||
|
||
```
|
||
|
||
那么假设有五个分桶，其使用情况会如下所示：
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
可以看到所有数据都被分配到了同一个桶里，其它桶都闲置，明显造成效率低下。优化代码如下：
|
||
|
||
```text
|
||
// -------------------- Good Codes --------------------
|
||
SELECT
|
||
click_dt,
|
||
size(collect_set(pin)) AS uv
|
||
FROM
|
||
(
|
||
SELECT click_dt, pin FROM log_table GROUP BY click_dt, pin
|
||
)
|
||
tmp
|
||
GROUP BY
|
||
click_dt;
|
||
|
||
```
|
||
|
||
此时桶的使用情况如下：
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
此时充分利用了五个桶，实现了并行操作，单个桶的负担大大下降。但如果此时第二步的结果集太大，还是容易造成OOM的问题。面对海量数据集，代码还可以继续优化：
|
||
|
||
```text
|
||
// ------------------- Even Better Codes -------------------
|
||
SELECT
|
||
click_dt,
|
||
SUM(uv_tmp) AS uv
|
||
FROM
|
||
(
|
||
SELECT
|
||
len_pin,
|
||
click_dt,
|
||
size(collect_set(pin)) AS uv_tmp
|
||
FROM
|
||
(
|
||
SELECT click_dt, pin, LENGTH(pin) AS len_pin FROM log_table
|
||
)
|
||
log_table_tmp
|
||
GROUP BY
|
||
len_pin,
|
||
click_dt
|
||
)
|
||
tmp
|
||
GROUP BY
|
||
click_dt
|
||
|
||
```
|
||
|
||
在聚合维度中加上pin的长度作为新维度，此时桶的使用如下：
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
此处使用pin的长度来预聚合pin，用一种分桶分步预聚合的方法，较为巧妙地把一个集合去重问题最终转化为相加问题，避开了单个jvm去重承受过大压力，面对海量数据集较为实用。具体开发场景中，也可以使用首末字母等有共性的属性来预聚合。
|
||
|
||
|
||
|
||
### 3.充分使用平台工具
|
||
|
||
由于曾经长期手动修改时间参数来回刷数据，操作繁琐的同时还容易出错。回刷涉及上下游表时，工作量更是巨大。直到我发现了平台的任务补录功能，并且可以通过Python和SQL的交互来实现灵活控制脚本里的时间参数来达到补录时的时间控制，才解决这个痛点。
|
||
|
||
|
||
|
||
比如在任务调度的py脚本里，可以利用sys.argv来控制时间参数。sys.argv的第一个元素是默认的，内容为脚本名称。而通过判断sys.argv的长度，可以在SQL内容之前使用如下Python代码来设置参数：
|
||
|
||
```text
|
||
if len(sys.argv) == 1:
|
||
# BDP不传参数的情况下使用，仅适用于BDP线上调度
|
||
curday = ht.oneday(0)
|
||
today = datetime.datetime.strptime(curday, '%Y-%m-%d')
|
||
start_date = str((today + datetime.timedelta(days=-1)).strftime("%Y-%m-%d"))[0:10]
|
||
end_date = str(today)[0:10]
|
||
last31Day = start_date
|
||
elif len(sys.argv) == 2:
|
||
# BDP线上调度使用 配合BDP参数 ${fmt(add(NTIME(),-1,'day'),'yyyy-MM-dd')}
|
||
end_date = str(datetime.datetime.strptime(sys.argv[1], "%Y-%m-%d"))[0:10]
|
||
start_date = str(
|
||
(datetime.datetime.strptime(end_date, "%Y-%m-%d")).replace(day=1))[0:10]
|
||
last31Day = (datetime.datetime.strptime(end_date, "%Y-%m-%d") +
|
||
datetime.timedelta(days=-30)).strftime("%Y-%m-%d")
|
||
elif len(sys.argv) == 3:
|
||
# 回刷使用，直接调用python脚本，并且需要传递两个日期参数，开始日期，结束日期
|
||
start_date = str(datetime.datetime.strptime(sys.argv[1], "%Y-%m-%d"))[0:10]
|
||
end_date = str(datetime.datetime.strptime(sys.argv[2], "%Y-%m-%d"))[0:10]
|
||
else:
|
||
print('parameter error')
|
||
sys.exit(1)
|
||
|
||
```
|
||
|
||
同时需要在SQL内容后使用如下Python代码：
|
||
|
||
```text
|
||
if (len(sys.argv) == 1) | (len(sys.argv) == 2):
|
||
ht.exec_sql(
|
||
schema_name='app',
|
||
# 补数调度
|
||
# sql=showsql.format(htYDay_B=start_date, htYDay=end_date),
|
||
# 批量调度
|
||
sql=showsql.format(htYDay_B=start_date, htYDay=end_date),
|
||
table_name='app1',
|
||
exec_engine='spark',
|
||
spark_resource_level='high',
|
||
retry_with_hive=False,
|
||
spark_args=[
|
||
'--conf spark.sql.hive.mergeFiles=true',
|
||
'--conf spark.sql.adaptive.enabled=true',
|
||
'--conf spark.sql.adaptive.repartition.enabled=true',
|
||
'--conf spark.sql.adaptive.join.enabled=true',
|
||
'--conf spark.sql.adaptive.skewedJoin.enabled=true',
|
||
'--conf spark.hadoop.hive.exec.orc.split.strategy=ETL',
|
||
'--conf spark.sql.shuffle.partitions=1200',
|
||
'--conf spark.driver.maxResultSize=8g',
|
||
'--conf spark.executor.memory=32g'
|
||
])
|
||
elif len(sys.argv) == 3:
|
||
ht.exec_sql(
|
||
schema_name='app',
|
||
# 补数调度
|
||
sql=showsql.format(htYDay_B=start_date, htYDay=end_date),
|
||
# 批量调度
|
||
# sql=showsql.format(htYDay_B=last31Day, htYDay=end_date),
|
||
table_name='app1',
|
||
exec_engine='spark',
|
||
spark_resource_level='high',
|
||
retry_with_hive=False,
|
||
spark_args=[
|
||
'--conf spark.sql.hive.mergeFiles=true',
|
||
'--conf spark.sql.adaptive.enabled=true',
|
||
'--conf spark.sql.adaptive.repartition.enabled=true',
|
||
'--conf spark.sql.adaptive.join.enabled=true',
|
||
'--conf spark.sql.adaptive.skewedJoin.enabled=true',
|
||
'--conf spark.hadoop.hive.exec.orc.split.strategy=ETL',
|
||
'--conf spark.sql.shuffle.partitions=1200',
|
||
'--conf spark.driver.maxResultSize=8g',
|
||
'--conf spark.executor.memory=32g'
|
||
])
|
||
else:
|
||
print('parameter error')
|
||
sys.exit(1)
|
||
|
||
```
|
||
|
||
IF的第一个分支的作用是线上调度任务不配置参数时，可以将昨天的日期和今天的日期赋值给htYDay_B和htYDay；第二个分支则是线上脚本配置${fmt(add(NTIME(),-1,'day'),'yyyy-MM-dd')}等参数时，可以根据该参数计算并赋值htYDay_B和htYDay；第三个分支是任务补录时使用，通过上传时间范围的开始时间和结束时间，直接赋值htYDay_B和htYDay，来控制脚本中取数时间范围。
|
||
|
||
|
||
|
||
数据开发工程师往往会每天面对海量的业务需求，理解业务需求、数据探查会花费掉研发人员大量的时间，而日常开发有时会忽略写出的代码是否优雅和高效。如果对SQL优化的原理有一定认知，积累了足够的经验，或许能做到编写代码时下意识地写出更优雅的SQL代码。 |