性能优化技巧：有序分组

raqsoft 2021-01-26

展开全文

一、问题背景与适用场景

通常分组计算都采用hash方案，即先计算分组字段的hash值，hash值相同的记录被分拣到一个小集合里，然后在这个小集合中遍历找分组字段值相同的聚合成一组。分组的复杂度(比较次数)，取决于hash函数的重码率。在hash空间比较小时，重码率就高，比较次数就会多，性能会受较大影响。为了提高性能，就需要分配较大的内存来存放 hash 表。另外，有些数据类型（长字串）的 hash 计算也比较慢，这也会影响性能。

如果分组字段是有序的，在分组的时候，每条记录只与上一条记录比较，发现有不同时则新建一个分组，相同则聚合到当前组中。这样的分组运算的复杂度为n(被分组集合的长度)，而且没有 hash 计算和重码率的问题，可以获得比 hash 分组更快的性能，而且并不需要太多内存用于存放 hash 表。

SPL提供了这种分组方法，我们实例测试一下，并且与使用hash分组算法的Oracle对比。

二、测试环境

测试机有两个Intel2670 CPU，主频2.6G，共16核，内存64G，SSD固态硬盘。在此机上安装虚拟机来测试，设置虚拟机为16核、8G内存。

三、小数据量小结果集测试

在虚拟机上创建数据表orderdetail_1，共三个字段：orderid(整数)、detailid(整数)、amount(实数)，前两个字段是主键，生成数据记录8千万行。将此表数据导入Oracle数据库，同时用它生成集算器SPL组表来进行测试。

orderid字段数据升序排列，按orderid进行分组，共有50组，统计每张订单的总金额和明细条数。

1. Oracle测试

编写查询测试SQL如下：

select /*+ parallel(n) */

orderid, sum(amount) as amount, count(detailid) as details

from orderdetail_1

group by orderid;

其中/*+ parallel(n) */ 用于并行测试，n为并行数。

2. SPL测试

编写SPL脚本如下：

	A
1	=now()
2	=file("/home/ctx/orderdetail_1.ctx").create().cursor@m(orderid,detailid,amount;;1)
3	=A2.groups@o(orderid;sum(amount):amount,count(detailid):details)
4	=interval@s(A1,now())

groups分组时加选项@o就适用分组字段有序时，只比较相邻行的值进行有序分组。

3. 测试结果

测试结果如下，单位(秒)：

并行数	1	2	4	8	16
Oracle	24	19	16	13	13
SPL	11	6	3	2	1

在8千万行数据的情况下，SPL有序分组的性能提高了一倍左右，并且并行的效果非常好，性能呈线性上升。而使用hash分组的Oracle并行提速效果并不明显。

性能提高程序与数据量有关，当数据量很小时，分组时间占整个查询时间的比例很小，对整体性能的提高也就不明显。但随着数据量的增加，提升效果就会越来越显著。

下面我们再来看看大数据量测试的情况。

四、大数据量大结果集测试

在虚拟机上创建数据表orderdetail_2，共三个字段：orderid(字符串)、detailid(整数)、amount(实数)，前两个字段是主键，生成数据记录24亿行。将此表数据导入Oracle数据库，同时用它生成集算器SPL组表来进行测试。

orderid字段数据升序排列，按orderid进行分组，共有8亿组，统计每张订单的总金额和明细条数。由于查询出的大结果集在Oracle输出需要很长的时间，所以对分组结果再进行一次过滤，只输出订单总金额小于35元的订单，结果只有12条，输出就几乎不占时间了。

1. Oracle测试

编写查询测试SQL如下：

select * from (

select /*+ parallel(n) */

orderid, sum(amount) sum_amount, count(detailid) as details

from orderdetail_2

group by orderid

)

where sum_amount<35;

其中/*+ parallel(n) */ 用于并行测试，n为并行数。

2. SPL测试

编写SPL脚本如下：

	A
1	=now()
2	=file("/home/ctx/orderdetail_2.ctx").create().cursor@m(orderid,detailid,amount;;1)
3	=A2.group(orderid;sum(amount):amount,count(detailid):details).select(amount<35).fetch()
4	=interval@s(A1,now())

由于分组结果集很大，无法全部装载到内存，所以使用group函数进行有序分组，返回分组结果集对应的游标，再对游标过滤后取得需要的查询结果。