使用子查询可提升 COUNT DISTINCT 速度 50 倍

Posted 2020-09-23 Cein

 

Count distinct是SQL分析时的祸根

首先：如果你有一个大的且能够容忍不精确的数据集，那像HyperLogLog这样的概率计数器应该是你最好的选择。但对于需要快速、精准答案的查询，一些简单的子查询可以节省你很多时间。

让我们以我们一直使用的一个简单查询开始：哪个图表的用户访问量最大？

select
   dashboards.name,
   count(distinct time_on_site_logs.user_id)
from time_on_site_logs 
join dashboards on time_on_site_logs.dashboard_id = dashboards.id
group by name 
order by count desc

首先，我们假设user_id和dashboard_id上已经设置了索引，且有比图表和用户数多得多的日志条目。

一千万行数据时，查询需要48秒。要知道原因让我们看一下SQL解析：

它慢是因为数据库遍历了所有日志以及所有的图表，然后join它们，再将它们排序，这些都在真正的group和分组和聚合工作之前。

先聚合，然后Join

group-聚合后的任何工作代价都要低，因为数据量会更小。group-聚合时我们不需使用dashboards.name，我们也可以先在数据库上做聚集，在join之前：

select
  dashboards.name,
  log_counts.ct
from dashboards
join (
  select
    dashboard_id,
    count(distinct user_id) as ct
  from time_on_site_logs
   group by dashboard_id) as log_counts
 on log_counts.dashboard_id = dashboards.id
order by log_counts.ct desc 

现在查询运行了20秒，提升了2.4倍。再次通过解析来看一下原因：

正如设计的，group-聚合在join之前。而且，额外的我们可以利用time_on_site_logs表里的索引。

 
首先，缩小数据集
 
我们可以做的更好。通过在整个日志表上group-聚合，我们处理了数据库中很多不必要的数据。Count distinct为每个group生成一个哈希——在本次环境中为每个dashboard_id——来跟踪哪些bucket中的哪些值已经检查过。
 
我们可以预先计算差异，而不是处理全部数据，这样只需要一个哈希集合。然后我们在此基础上做一个简单的聚集即可。

select
  dashboards.name,
  log_counts.ct
 from dashboards
 join (
  select distinct_logs.dashboard_id,
  count(1) as ct
  from (
    select distinct dashboard_id, user_id
    from time_on_site_logs
  ) as distinct_logs
  group by distinct_logs.dashboard_id
) as log_counts
 on log_counts.dashboard_id = dashboards.id
order by log_counts.ct desc 

我们采取内部的count-distinct-group，然后将数据拆成两部分分成两块。第一块计算distinct (dashboard_id, user_id) 。第二块在它们基础上运行一个简单group-count。跟上面一样，最后再join。

呵呵，大发现：这样只需要0.7秒！这比上面的查询快28倍，比原来的快了68倍。
 
通常，数据大小和类型很重要。上面的例子受益于基数中没多少换算。distinct (user_id, dashboard_id)相对于数据总量来说数量也很少。不同的对数越多，用来group和计数的唯一数据就越多——代价便会越来越大。
 
下一次遇到长时间运行的count distinct时，尝试一些子查询来减负吧。