有效地为一个非常大的表中的每个组选择最新行？

Posted 2023-02-16

【中文标题】有效地为一个非常大的表中的每个组选择最新行？

【英文标题】：Effectively select latest row for each group in a very large table?

【发布时间】：2021-09-21 17:15:07

【问题描述】：

我有（例如）一张桌子Users (user_id, status, timestamp, ...)。 我还有另一张桌子SpecialUsers (user_id, ...)。

我需要显示每个特殊用户的最新状态。

问题在于Users 表非常非常大（超过 50 十亿 行）。例如this question 中的大多数解决方案只是挂起或出现“磁盘已满”错误。

SpecialUsers 表要小得多——“只有”60 万行。

SELECT DISTINCT ON() 不受支持。使用 Amazon RedShift。

编辑：根据请求查看失败的尝试 - 导致磁盘已满错误的其中之一是这样的：

with users_with_status (user_id, status, timestamp)
as (
        select su.user_id, u.instance_type, u.timestamp
        from specialusers su
        join users u on su.user_id = u.user_id
)
select l.instance_id, l.instance_type
from users_with_status l
left outer join users_with_status r
     on l.user_id = r.user_id and l.timestamp < r.timestamp
where r.timestamp is null;

我知道自己正在加入一个错误表，但希望第一次加入小表会减少处理的行数。

无论如何，窗口函数似乎是这里的解决方案。

【问题讨论】：

您能发布您的 SQL 吗？许多磁盘填满的情况是由于不合格的联接或不等式联接子句造成的。这些会导致中间结果中的行爆炸式增长，这就是磁盘填充的原因。

第二。我们猜测没有 DDL 和 SQL。

@BillWeiner 添加了

磁盘被填满的原因可能是 ON 子句“l.timestamp

【参考方案1】：

也许带有窗口功能的join 会起作用：

select su.*
from (select s.user_id, u.status, u.timestamp,
             max(u.timestamp) over (partition by s.user_id) as max_timestamp
      from specialusers s join
           users u
           on s.user_id = u.user_id
     ) su
where timestamp = max_timestamp;

这专门使用max() 而不是row_number()，推测它可能会使用更少的资源。

【讨论】：

谢谢，这基本上搞定了。但是我发现我在大表中有几行具有相同的时间戳，最长可达一微秒:) 所以要尝试 row_number()。我想我也可以使用group by。

，它奏效了。没有注意到执行时间的变化。谢谢！