NOT IN 子查询中出现 NULL 值对结果的影响你注意到了吗
前言
开发人员写的 SQL 语句中经常会用到 in，exists，not in，not exists 这类子查询，通常，含 in、exists 的子查询称为半连接（semijoin），含 not in、 not exists 的子查询被称之为反连接，经常会有技术人员来评论 in 与 exists 效率孰高孰低的问题，我在 SQL 优化工作中也经常对这类子查询做优化改写，比如半连接改为内连接，反连接改为外连接等，哪个效率高是要根据执行计划做出判断的，本文不是为了讨论效率问题，是要提醒一点：not in 子查询的结果集含 NULL 值时，会导致整个语句结果集返回空，这可能造成与 SQL 语句书写初衷不符。
实验
创建实验表 t1，t2
greatsql> create table t1(c1 int primary key,c2 varchar(10), key idx_c1(c2));greatsql> create table t2(c1 int primary key,c2 varchar(10)),key idx_c1(c2));
greatsql> insert into t1 values(1,'a'),(2,'b');greatsql> insert into t2 values(1,'a'),(2,'c');
复制代码
观察下面两条语句：
select * from t1 where t1.c2 not in (select t2.c2 from t2);
select * from t1 where not exists (select 1 from t2 where t2.c2=t1.c2);
复制代码
这两个语句，从表达的含义来看是等价的，都是查询 t1 表中 c2 列值在 t2 表的 c2 列值中不存在的记录。
从子查询类型来看，第一条语句属于非关联查询，第二条语句属于关联子查询。所谓非关联子查询就是子查询中内查询可以独立执行，与外查询没有关系，互不影响。而关联子查询的执行依赖于外部查询，通常情况下都是因为子查询中的表用到了外部的表，并进行了条件关联，因此每执行一次外部查询，子查询都要重新计算一次。
从连接类型来看，使用 not in 与 not exists 子查询构造的语句都属于反连接，为了控制连接顺序与连接方式，这种反连接经常被改写为外连接，t1 与 t2 使用左外连接，条件加上右表 t2 的连接列 is null，也就是左外连接时没有关联上右表的数据，表达了这个含义“t1 表中 c2 列值在 t2 表的 c2 列值中不存在的记录”。反连接改写为外连接，不会导致关联结果集放大，因为没有关联上的 t1 表数据只显示 1 条，半连接改为内连接时要注意去重。外连接语句如下所示：
greatsql> select t1.* from t1 left join t2 on t1.c2=t2.c2 where t2.c2 is null;
复制代码
所以本质表达含义上，上面的三条语句都等价。
下面看一下三条语句的执行结果：
greatsql> select * from t1 where t1.c2 not in (select t2.c2 from t2);+----+------+| c1 | c2 |+----+------+| 2 | b |+----+------+1 row in set (0.00 sec)
greatsql> select * from t1 where not exists (select 1 from t2 where t2.c2=t1.c2);+----+------+| c1 | c2 |+----+------+| 2 | b |+----+------+1 row in set (0.01 sec)
greatsql> select t1.* from t1 left join t2 on t1.c2=t2.c2 where t2.c2 is null;+----+------+| c1 | c2 |+----+------+| 2 | b |+----+------+1 row in set (0.00 sec)
复制代码
可以看出就目前的数据，三条语句执行结果是相同的。
下面向子查询的 t2 中插入一条 c2 列为 null 的记录。
greatsql> insert into t2 values(3,null);
复制代码
再观察一下三条语句的执行结果：
greatsql> select * from t1 where t1.c2 not in (select t2.c2 from t2);Empty set (0.00 sec)
greatsql> select * from t1 where not exists (select 1 from t2 where t2.c2=t1.c2);+----+------+| c1 | c2 |+----+------+| 2 | b |+----+------+1 row in set (0.00 sec)
greatsql> select t1.* from t1 left join t2 on t1.c2=t2.c2 where t2.c2 is null;+----+------+| c1 | c2 |+----+------+| 2 | b |+----+------+1 row in set (0.00 sec)
复制代码
可以看出，not exists 表示的关联子查询与 外连接方式表达的两条语句结果相同，而 not in 表示的非关联子查询的结果集为空。这是因为子查询select t2.c2 from t2 查询结果含有 NULL 值导致的。NULL 属于未知值，无法与其他值进行比较，无从判断，返回最终结果集为空。这一点在 MySQL 与 Oracle 中返回结果都是一致的。如果想表达最初的含义，需要将子查询中 NULL 值去除。
greatsql> select * from t1 where t1.c2 not in (select t2.c2 from t2 where t2.c2 is not null);+----+------+| c1 | c2 |+----+------+| 2 | b |+----+------+1 row in set (0.02 sec)
复制代码
那么如果 t1 表的 c2 列也插入一条 NULL 值的记录后，结果集会怎样呢，两个表都存在 c2 列为 NULL 的值数据，那么 t1 表这条 NULL 值数据能否出现在最终结果集中呢？
greatsql> insert into t1 values(3,null);Query OK, 1 row affected (0.07 sec)
greatsql> select * from t1 where t1.c2 not in (select t2.c2 from t2 where t2.c2 is not null);+----+------+| c1 | c2 |+----+------+| 2 | b |+----+------+1 row in set (0.00 sec)
greatsql> select * from t1 where not exists (select 1 from t2 where t2.c2=t1.c2);+----+------+| c1 | c2 |+----+------+| 3 | NULL || 2 | b |+----+------+2 rows in set (0.00 sec)
greatsql> select t1.* from t1 left join t2 on t1.c2=t2.c2 where t2.c2 is null;+----+------+| c1 | c2 |+----+------+| 3 | NULL || 2 | b |+----+------+2 rows in set (0.00 sec)
复制代码
从执行结果来看，使用 not in 非关联子查询，其执行结果与其他两条语句的执行结果还是不同，因为 t1.c2 使用 not in 在参与比较时就隐含了 t1.c2 is not null 的含义，所以最终结果集中不含(3,NULL)这条数据。
而 not exists 关联子查询，在将外查询的 NULL 值传递给内查询时执行子查询 select * from t2 where t2.c2=NULL，子查询中找不到记录，所以条件返回 false， 表示 not exists 为 true，则最终结果集中含(3,NULL)这条记录。
左外 left join 与 not exists 相同，左表的 NULL 值在右表中关联不上数据，所以要返回（3,NULL)这条数据。这里要注意 NULL 不等于 NULL。
greatsql> select NULL=NULL;+-----------+| NULL=NULL |+-----------+| NULL |+-----------+1 row in set (0.01 sec)
复制代码
说到这里，GreatSQL 支持<=>安全等于这个符号，用来判断 NULL 值：当两个操作数均为 NULL 时，其返回值为 1 而不为 NULL；而当一个操作数为 NULL 时，其返回值为 0 而不为 NULL。
greatsql> select NULL<=>NULL;+-------------+| NULL<=>NULL |+-------------+| 1 |+-------------+1 row in set (0.00 sec)
greatsql> select 1<=>NULL;+----------+| 1<=>NULL |+----------+| 0 |+----------+1 row in set (0.00 sec)
复制代码
所以 not exists 子查询中的= 换成 <=> 时，最终结果集中去除了(3,NULL)这条数据。
greatsql> select * from t1 where not exists (select 1 from t2 where t2.c2<=>t1.c2);+----+------+| c1 | c2 |+----+------+| 2 | b |+----+------+1 row in set (0.00 sec)
复制代码
注意，一般表关联时不使用<=>安全等于这个符号，想象一下，如果关联的两个表在关联字段上都存在很多 NULL 记录，关联后的结果集对 NULL 记录的关联是以笛卡尔积的形式体现的，严重影响效率，严格来说关联字段都为 NULL 值不能算作能匹配上。
结论
使用 not in 的非关联子查询注意 NULL 值对结果集的影响，为避免出现空结果集，需要子查询中查询列加 is not null条件将 NULL 值去除。
实际使用时注意：需求表达的含义是否要将外查询关联字段值为 NULL 的数据输出，not in 隐含了不输出。
一般认为 not exists 关联子查询与外连接语句是等价的，可以进行相互改写。
select * from t1 where not exists (select 1 from t2 where t2.c2=t1.c2); select t1.* from t1 left join t2 on t1.c2=t2.c2 where t2.c2 is null;
复制代码
如果不需要输出外查询中关联字段为 NULL 值的数据，还需再加条件 t1.c2 is not null。
select * from t1 where not exists (select 1 from t2 where t2.c2=t1.c2) and t1.c2 is not null; select t1.* from t1 left join t2 on t1.c2=t2.c2 where t2.c2 is null and t1.c2 is not null;
复制代码
这样写就与select * from t1 where t1.c2 not in (select t2.c2 from t2 where t2.c2 is not null)等价了。
评论