很多大數(shù)據(jù)計算都是用 SQL 實現(xiàn)的，跑得慢時就要去優(yōu)化 SQL，但常常碰到讓人干瞪眼的情況。比如，存儲過程中有三條大概形如這樣的語句執(zhí)行得很慢：

select a,b,sum(x) from T group by a,b where …;
select c,d,max(y) from T group by c,d where …;
select a,c,avg(y),min(z) from T group by a,c where …;

這里的 T 是個有數(shù)億行的巨大表，要分別按三種方式分組，分組的結(jié)果集都不大。

分組運算要遍歷數(shù)據(jù)表，這三句 SQL 就要把這個大表遍歷三次，對數(shù)億行數(shù)據(jù)遍歷一次的時間就不短，何況三遍。這種分組運算中，相對于遍歷硬盤的時間，CPU 計算時間幾乎可以忽略。如果可以在一次遍歷中把多種分組匯總都計算出來，雖然 CPU 計算量并沒有變少，但能大幅減少硬盤讀取數(shù)據(jù)量，就能成倍提速了。如果 SQL 支持類似這樣的語法：

from T    -- 數(shù)據(jù)來自 T 表
       select a,b,sum(x) group by a,b where …            -- 遍歷中的第一種分組
       select c,d,max(y) group by c,d where …            -- 遍歷中的第二種分組
       select a,c,avg(y),min(z) group by a,c where …;  -- 遍歷中的第三種分組

能一次返回多個結(jié)果集，那就可以大幅提高性能了。

可惜， SQL 沒有這種語法，寫不出這樣的語句，只能用個變通的辦法，就是用 group a,b,c,d 的寫法先算出更細致的分組結(jié)果集，但要先存成一個臨時表，才能進一步用 SQL 計算出目標結(jié)果。SQL 大致如下：

create table T_temp as select a,b,c,d,
       sum(case when … then x else 0 end) sumx,
       max(case when … then y else null end) maxy,
       sum(case when … then y else 0 end) sumy,
       count(case when … then 1 else null end) county,
       min(case when … then z else null end) minz
group by a,b,c,d;
select a,b,sum(sumx) from T_temp group by a,b where …;
select c,d,max(maxy) from T_temp group by c,d where …;
select a,c,sum(sumy)/sum(county),min(minz) from T_temp group by a,c where …;

這樣只要遍歷一次了，但要把不同的 WHERE 條件轉(zhuǎn)到前面的 case when 里，代碼復(fù)雜很多，也會加大計算量。而且，計算臨時表時分組字段的個數(shù)變得很多，結(jié)果集就有可能很大，最后還對這個臨時表做多次遍歷，計算性能也快不了。大結(jié)果集分組計算還要硬盤緩存，本身性能也很差。

還可以用存儲過程的數(shù)據(jù)庫游標把數(shù)據(jù)一條一條 fetch 出來計算，但這要全自己實現(xiàn)一遍 WHERE 和 GROUP 的動作了，寫起來太繁瑣不說，數(shù)據(jù)庫游標遍歷數(shù)據(jù)的性能只會更差!只能干瞪眼!

TopN 運算同樣會遇到這種無奈。舉個例子，用 Oracle 的 SQL 寫 top5 大致是這樣的：

select * from (select x from T order by x desc) where rownum<=5

表 T 有 10 億條數(shù)據(jù)，從 SQL 語句來看，是將全部數(shù)據(jù)大排序后取出前 5 名，剩下的排序結(jié)果就沒用了！大排序成本很高，數(shù)據(jù)量很大內(nèi)存裝不下，會出現(xiàn)多次硬盤數(shù)據(jù)倒換，計算性能會非常差！

避免大排序并不難，在內(nèi)存中保持一個 5 條記錄的小集合，遍歷數(shù)據(jù)時，將已經(jīng)計算過的數(shù)據(jù)前 5 名保存在這個小集合中，取到的新數(shù)據(jù)如果比當前的第 5 名大，則插入進去并丟掉現(xiàn)在的第 5 名，如果比當前的第 5 名要小，則不做動作。這樣做，只要對 10 億條數(shù)據(jù)遍歷一次即可，而且內(nèi)存占用很小，運算性能會大幅提升。這種算法本質(zhì)上是把 TopN 也看作與求和、計數(shù)一樣的聚合運算了，只不過返回的是集合而不是單值。SQL 要是能寫成這樣：select top(x,5) from T 就能避免大排序了。然而非常遺憾，SQL 沒有顯式的集合數(shù)據(jù)類型，聚合函數(shù)只能返回單值，寫不出這種語句！

不過好在全集的 TopN 比較簡單，雖然 SQL 寫成那樣，數(shù)據(jù)庫卻通常會在工程上做優(yōu)化，采用上述方法而避免大排序。所以 Oracle 算那條 SQL 并不慢。但是，如果 TopN 的情況復(fù)雜了，用到子查詢中或者和 JOIN 混到一起的時候，優(yōu)化引擎通常就不管用了。比如要在分組后計算每組的 TopN，用 SQL 寫出來都有點困難。Oracle 的 SQL 寫出來是這樣：

select * from
       (select y,x,row_number() over (partition by y order by x desc) rn from T)
where rn<=5

這時候，數(shù)據(jù)庫的優(yōu)化引擎就暈了，不會再采用上面說的把 TopN 理解成聚合運算的辦法。只能去做排序了，結(jié)果運算速度陡降！

假如 SQL 的分組 TopN 能這樣寫：

select y,top(x,5) from T group by y

把 top 看成和 sum 一樣的聚合函數(shù)，這不僅更易讀，而且也很容易高速運算?？上?，不行。還是干瞪眼！

關(guān)聯(lián)計算也是很常見的情況。以訂單和多個表關(guān)聯(lián)后做過濾計算為例，SQL 大體是這個樣子：

select o.oid,o.orderdate,o.amount
       from orders o
              left join city ci on o.cityid = ci.cityid
              left join shipper sh on o.shid=sh.shid
              left join employee e on o.eid=e.eid
              left join supplier su on o.suid=su.suid
       where ci.state='New York'
              and e.title = 'manager'
              and ...

訂單表有幾千萬數(shù)據(jù)，城市、運貨商、雇員、供應(yīng)商等表數(shù)據(jù)量都不大。過濾條件字段可能會來自于這些表，而且是前端傳參數(shù)到后臺的，會動態(tài)變化。

SQL 一般采用 HASH JOIN 算法實現(xiàn)這些關(guān)聯(lián)，要計算 HASH 值并做比較。每次只能解析一個 JOIN，有 N 個 JOIN 要執(zhí)行 N 遍動作，每次關(guān)聯(lián)后都需要保持中間結(jié)果供下一輪使用，計算過程復(fù)雜，數(shù)據(jù)也會被遍歷多次，計算性能不好。

通常，這些關(guān)聯(lián)的代碼表都很小，可以先讀入內(nèi)存。如果將訂單表中的各個關(guān)聯(lián)字段預(yù)先做序號化處理，比如將雇員編號字段值轉(zhuǎn)換為對應(yīng)雇員表記錄的序號。那么計算時，就可以用雇員編號字段值(也就是雇員表序號)，直接取內(nèi)存中雇員表對應(yīng)位置的記錄，性能比 HASH JOIN 快很多，而且只需將訂單表遍歷一次即可，速度提升會非常明顯!也就是能把 SQL 寫成下面的樣子：

select o.oid,o.orderdate,o.amount
       from orders o
              left join city c on o.cid = c.#       -- 訂單表的城市編號通過序號 #關(guān)聯(lián)城市表
              left join shipper sh on o.shid=sh.#     -- 訂單表運貨商號通過序號 #關(guān)聯(lián)運貨商表
              left join employee e on o.eid=e.#      -- 訂單表的雇員編號通過序號 #關(guān)聯(lián)雇員表
              left join supplier su on o.suid=su.#     -- 訂單表供應(yīng)商號通過序號 #關(guān)聯(lián)供應(yīng)商表
       where ci.state='New York'
              and e.title = 'manager'
              and ...

可惜的是，SQL 使用了無序集合概念，即使這些編號已經(jīng)序號化了，數(shù)據(jù)庫也無法利用這個特點，不能在對應(yīng)的關(guān)聯(lián)表這些無序集合上使用序號快速定位的機制，只能使用索引查找，而且數(shù)據(jù)庫并不知道編號被序號化了，仍然會去計算 HASH 值和比對，性能還是很差！

有好辦法也實施不了，只能再次干瞪眼！

還有高并發(fā)帳戶查詢，這個運算倒是很簡單：

select id,amt,tdate,… from T
              where id='10100'
              and tdate>= to_date('2021-01-10', 'yyyy-MM-dd')
              and tdate<to_date('2021-01-25', 'yyyy-MM-dd')
              and …

在 T 表的幾億條歷史數(shù)據(jù)中，快速找到某個帳戶的幾條到幾千條明細，SQL 寫出來并不復(fù)雜，難點是大并發(fā)時響應(yīng)速度要達到秒級甚至更快。為了提高查詢響應(yīng)速度，一般都會對 T 表的 id 字段建索引：

create index index_T_1 on T(id)

在數(shù)據(jù)庫中，用索引查找單個帳戶的速度很快，但并發(fā)很多時就會明顯變慢。原因還是上面提到的 SQL 無序理論基礎(chǔ)，總數(shù)據(jù)量很大，無法全讀入內(nèi)存，而數(shù)據(jù)庫不能保證同一帳戶的數(shù)據(jù)在物理上是連續(xù)存放的。硬盤有最小讀取單位，在讀不連續(xù)數(shù)據(jù)時，會取出很多無關(guān)內(nèi)容，查詢就會變慢。高并發(fā)訪問的每個查詢都慢一點，總體性能就會很差了。在非常重視體驗的當下，誰敢讓用戶等待十秒以上？！

容易想到的辦法是，把幾億數(shù)據(jù)預(yù)先按照帳戶排序，保證同一帳戶的數(shù)據(jù)連續(xù)存儲，查詢時從硬盤上讀出的數(shù)據(jù)塊幾乎都是目標值，性能就會得到大幅提升。但是，采用 SQL 體系的關(guān)系數(shù)據(jù)庫并沒有這個意識，不會強制保證數(shù)據(jù)存儲的物理次序!這個問題不是 SQL 語法造成的，但也和 SQL 的理論基礎(chǔ)相關(guān)，在關(guān)系數(shù)據(jù)庫中還是沒法實現(xiàn)這些算法。

那咋辦？只能干瞪眼嗎？不能再用 SQL 和關(guān)系數(shù)據(jù)庫了，要使用別的計算引擎。開源的集算器 SPL 基于創(chuàng)新的理論基礎(chǔ)，支持更多的數(shù)據(jù)類型和運算，能夠描述上述場景中的新算法。用簡單便捷的 SPL 寫代碼，在短時間內(nèi)能大幅提高計算性能！

上面這些問題用 SPL 寫出來的代碼樣例如下：

一次遍歷計算多種分組

用聚合的方式計算 Top5

全集 Top5(多線程并行計算)：

分組 Top5(多線程并行計算)：

用序號做關(guān)聯(lián)的 SPL 代碼

系統(tǒng)初始化：

查詢：

高并發(fā)帳戶查詢的 SPL 代碼

數(shù)據(jù)預(yù)處理，有序存儲：

帳戶查詢：

除了這些簡單例子，SPL 還能實現(xiàn)更多高性能算法，比如有序歸并實現(xiàn)訂單和明細之間的關(guān)聯(lián)、預(yù)關(guān)聯(lián)技術(shù)實現(xiàn)多維分析中的多層維表關(guān)聯(lián)、位存儲技術(shù)實現(xiàn)上千個標簽統(tǒng)計、布爾集合技術(shù)實現(xiàn)多個枚舉值過濾條件的查詢提速、時序分組技術(shù)實現(xiàn)復(fù)雜的漏斗分析等等。