作者：京东物流 向往
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：
// -------------------- Bad Codes ------------------------
SELECT f1.pin, c1.site_id, c2.site_nameFROM fdm.fdm1 AS f1LEFT JOIN cdm.cdm1 AS c1ON f1.erp = lower(c1.account_number)LEFT JOIN cdm.cdm2 AS c2ON c1.site_id = c2.site_codeWHERE f1.start_date <= '""" + start_date + """' AND f1.end_date > '""" + start_date + """' AND f1.status = 1 AND c1.dt = '""" + start_date + """' AND c2.yn = 1GROUP BY f1.pin, c1.site_id, c2.site_name
复制代码
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：
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：
// -------------------- Good Codes 👍🏻------------------------
SELECT f1.pin, c1.site_id, c2.site_nameFROM ( SELECT erp, pin FROM fdm.fdm1 WHERE dp = 'ACTIVE' AND status = 1 ) f1LEFT JOIN ( SELECT site_id, lower(account_number) AS account_number FROM cdm.cdm1 WHERE dt = '""" + start_date + """' ) c1ON f1.erp = c1.account_number LEFT JOIN ( SELECT site_code, site_name FROM cdm.cdm2 WHERE yn = 1 ) c2ON c1.site_id = c2.site_codeGROUP BY f1.pin, c1.site_id, c2.site_name
复制代码
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：
// --------- 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
复制代码
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：
如果要统计天维度的 UV，如果使用：
// -------------------- Bad Codes --------------------select click_dt, count(distinct pin)as uv from log_table group by click_dt;
复制代码
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：
// -------------------- Good Codes 👍🏻 --------------------SELECT click_dt, size(collect_set(pin)) AS uvFROM ( SELECT click_dt, pin FROM log_table GROUP BY click_dt, pin ) tmpGROUP BY click_dt;
复制代码
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：
// ------------------- Even Better Codes 👍🏻👍🏻👍🏻 -------------------SELECT click_dt, SUM(uv_tmp) AS uvFROM ( 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 ) tmpGROUP BY click_dt
复制代码
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：
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_dateelif 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)
复制代码
同时需要在 SQL 内容后使用如下 Python 代码：
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)
复制代码
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。
参考文章： https://www.jhelp.net/p/foafP0Vuwt7Qaa12
评论