SQL 求 3 列异值的 4 种方法

Posted 2022-03-24 dbLenis

点击蓝色“有关SQL”关注我哟

加个“星标”，天天与10000人一起快乐成长

前两天在抽一段数据时，碰到一个典型问题，初一想，有很多解法，所以特想做一次归纳。

回想往事，其实有好些想法，可以深究，因没及时记录，事后就再也想不起来，白白浪费好多这样的机会。

所以为了不留遗憾，今天沉下心来，好好复盘下。

问题的原型，大概是这样的：一张表，有三列数据，表示了同一个维度的数据。

表结构大约是这样的：

CREATE TABLE `tianchi_mobile_user_stage` (
  `user_id` varchar(50) DEFAULT NULL,
  `app_user_id` varchar(50) DEFAULT NULL,
  `global_user_id` varchar(50) DEFAULT NULL,
  `item_id` int DEFAULT NULL,
  `behavior_type` int DEFAULT NULL,
  `user_geohash` varchar(1024) DEFAULT NULL,
  `item_category` int DEFAULT NULL,
  `time` varchar(1024) DEFAULT NULL,
  `crc64_user_id` int DEFAULT NULL,
  `crc64_user_id_2` bigint DEFAULT NULL,
  `crc64_user_id_3` bigint unsigned DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci;

其中，user_id, app_user_id, global_user_id 这三列，是互相包含的。即，我中有你，你中有我。但其中有一列，数据最全。现在，需要找到这一列，单抽出来做维度。

粗粗地看，很简单，就是个排列组合的问题，俩俩对比，用 6 组，就能求解出来。求解的最佳方法，有两个要求：快和准。

任何数据模型，放到大数据量背景下（这张表大约有 400多万的数据），都会变得不简单。不管如何，还是先做出来，再追求最优解。

于是，我马上能想到的两个方法，就是 Left Join 和 Not IN( 很遗憾，mysql 8 了，都还不支持 Except) 

先看 Left Join 怎么写：

SELECT user.user_id 
FROM tianchi_mobile_user_stage user 
  LEFT JOIN tianchi_mobile_user_stage app_user 
    on app_user.app_user_id  = user.user_id 
WHERE app_user.app_user_id  IS NULL 
;

假使有结果，证明 user_id 比 app_user_id 多出一些。于是，就像冒泡算法一样，user_id 成为最有可能的候选列。

但是，等等。这能说明 user_id 包含了所有的 app_user_id 吗，恐怕不能。这只能说明，user_id 中，有部份人不在 app_user_id中，要证明 user_id 数据最全，还需要反证，app_user_id 中的人，全部都在 user_id 中。

于是求解如下：

SELECT app_user.app_user_id 
FROM tianchi_mobile_user_stage app_user  
  LEFT JOIN tianchi_mobile_user_stage  user
    on user.user_id = app_user.app_user_id 
WHERE user.user_id  IS NULL 
;

未有结果，可证明，app_user_id 的人，全部都在 user_id 中，确实没漏。

但，要对比这剩下的几组，每次都靠人眼来查找，似乎有些累眼睛。于是，省去互相包含的那部份数据，并选择 一条不包含的即可：

SELECT user.user_id 
FROM tianchi_mobile_user_stage user 
  LEFT JOIN tianchi_mobile_user_stage app_user 
    on app_user.app_user_id  = user.user_id 
WHERE app_user.app_user_id  IS NULL 
LIMIT 1 
;

这样，user_id, app_user_id, global_user_id 互相对比，顶多 6 次，即找出最全的那列。

但是等等，400多万数据，会不会太慢呢？那几乎是肯定的，因为我去剥了颗开心果回来，界面还是这样的：

于是我看了下执行计划：

走了表扫，还用了 Hash Join 算法。显然要给三个列，分别加一个单列索引：

create index idx_user_id on tianchi_mobile_user_stage (user_id);
create index idx_app_user_id on tianchi_mobile_user_stage (app_user_id);
create index idx_global_user_id on tianchi_mobile_user_stage (global_user_id);

想着可能对其他的方案也有用，就把索引留着，等完工了再删。

等建完索引，我又发现一个可以优化的地方。在本题中，只需找出散值（即每列的单值）的差异即可，完全没必要把整张表的数据，都拉出来。因为 user_id 肯定会有重复值嘛。

于是，将 SQL 语句改写如下：

SELECT
  user_1.user_id,user_2.app_user_id
FROM
  (
  SELECT
    distinct user.user_id as user_id
  FROM
    tianchi_mobile_user_stage user ) user_1
LEFT JOIN (
  SELECT
    DISTINCT app_user.app_user_id
  FROM
    tianchi_mobile_user_stage app_user ) user_2 
    on
  user_2.app_user_id = user_1.user_id
WHERE
  user_2.app_user_id IS NULL
LIMIT 1 
;

从执行计划看出，表扫变索引查找，而数据量也下降了 400倍，执行时间秒出。

那么，同样的思路，再用 NOT IN 来试下：

SELECT
    distinct user.user_id as user_id
FROM
    tianchi_mobile_user_stage user
    
WHERE user.user_id NOT IN (
SELECT
    DISTINCT app_user.app_user_id
FROM
    tianchi_mobile_user_stage app_user
    )


LIMIT 1 ;

由于有了之前的索引，这次的查询也快很多

但是，上面的做法，太过于繁琐，有没有什么方法，可以一次性就知道，这三列到底有没有差别呢？于是我又想到了两个方法：count 和 checksum 聚合

要对比这三列有没有不同，最简单的就是计算三列的总数。如果 user_id 有 400万，app_user_id 有 300万，global_user_id 有 200万，那么毋庸置疑，user_id 就是最全的。并且这种方法，只走一边全表扫描，效率应该没问题。

SELECT COUNT(DISTINCT user_id) as user_id_cnt 
  ,COUNT(DISTINCT app_user_id) as app_user_id_cnt 
  ,COUNT(DISTINCT global_user_id) as global_user_id_cnt 
FROM tianchi_mobile_user_stage ;

事实证明，效果显著，性能拉胯。

虽然，count 值一样，两列包含的数据，就绝对一样了吗，答案是否定的。假设，user_id, app_user_id 各包含 400万数据。其中 app_user_id 有 200万数据，是可以在 user_id 找到的，而另外 200万，并不在 user_id 中。总数相等，但还是有区别的。

于是，我又想到了一种方案，那就是求 CRC 的总和。CRC 方法，简单来说，就是求每个 user id 的哈希值，然后求和。若和一致，则说明两列包含了相同的散值。

我之前提过一篇文章讲 CRC，详细的用法在这篇文章里：

｜SQL中的数据检验， CRC or MD5?

在这里，涉及到的数据量比较大，MySQL 自带的 CRC32 发生的重合率比较大，因此换用 CRC64. 

注意：使用 CRC64 函数，必须安装 common_schema

MySQL.com

由此，又产生了一种解法：

select 'user_id' as category,sum(common_schema.crc64(  user_id)) as user_id_crc64
from (
select distinct  user_id 
from tianchi_mobile_user_stage tmu 
) tmp 


union all 


select 'app_user_id' as category, sum(common_schema.crc64( app_user_id)) as user_id_crc64
from (
select distinct app_user_id 
from tianchi_mobile_user_stage tmu 
) tmp 


union all 


select 'global_user_id' as category,sum(common_schema.crc64( global_user_id)) as user_id_crc64
from (
select distinct global_user_id 
from tianchi_mobile_user_stage tmu 
) tmp ;

而且，看执行计划，也都是走了索引，执行效率满意

由此可知，user_id 和 global_user_id 拥有相同的散值，而 app_user_id 有异值。而求两列异值，最快的方法，由上可知，便是Left Join 求 Null,

并且只要有一条数据存在，就足以说明集合的包含关系.

因此综合本次经验，要完美的解决这个问题，需要两种方案并行：

- CHECKSUM 求和（本例采用 CRC64 算法）

- 集合求差

HOHO～～ 写出来，果然舒服多了！

--完--

往期精彩：

本号精华合集（三）

外企一道 SQL 面试题，刷掉 494 名候选人

我在面试数据库工程师候选人时，常问的一些题

零基础 SQL 数据库小白，从入门到精通的学习路线与书单