SQL調優 - MaxCompute

本文為您介紹常見的SQL問題以及最佳化樣本。

並行度最佳化

並行度是衡量並行計算程度的一個指標，從執行計畫上來看，例如ID為M1的任務，使用1000個Instance來執行，我們就說M1的並行度是1000。需要注意的是：調整並行度不一定是越多越好，Instance數量過多會從如下兩個方面影響執行速度：

Instance越多，等待資源的時間越長，排隊次數也更多。
每個Instance初始化需要時間，並行度越高，初始化佔用的總時間就越長，有效執行時間佔比就越低。

並行度最佳化情境如下。

強制一個Instance執行
某些操作強制一個Instance執行任務，例如：
- 做彙總的時候，沒有進行group by或者group by一個常量。
- 視窗函數的over語句裡指定partition by一個常量。
- SQL中指定distribute by、cluster by一個常量。
解決方案：針對此情形，建議您檢查這些操作是否必要，能否去掉，盡量取消類似操作，避免強制一個Instance執行任務。
Instance過多
以下一些情形會導致強制使用很多Instance：
- 需要讀取很多小分區的資料：例如一個資料查詢SQL語句讀取10000個分區，那麼系統會強制使用10000個Instance。
  解決方案：您需要設計SQL，減少分區的數量，可以從進行分區裁剪、篩除不需要讀的分區、將大作業拆分成小作業方面進行考慮。
- 資料壓縮比很高，解壓後256 MB變成了好幾百GB的資料，導致讀入256MB資料，處理解壓後會產生非常多的Instance。
  解決方案：使用如下命令調小單個並發處理的資料大小。
```
SET odps.stage.mapper.split.size=<256>;
SET odps.stage.reducer.num=<並發數>;
```
- 每次讀取256 MB資料太少，導致Instance的執行時間太短，而由於輸入資料很大，反而導致了並行度過大，使Instance大多數時間在排隊等資源，需要調大單個Instance讀取的資料量。
  解決方案：使用如下命令調大單個並發處理的資料大小。
```
SET odps.stage.mapper.split.size=<256>;
SET odps.stage.reducer.num=<並發數>;
```
Instance數量設定方法
- 讀表的Task
  - 方法1：通過設定參數調整並發度。
```
-- 設定一個map的最巨量資料輸入量，單位MB
-- 預設256，區間[1，Integer.MAX_VALUE]
SET odps.sql.mapper.split.size=<value>;
```
  - 方法2：MaxCompute提供split size hint方式，可以針對單個讀表操作來調整並發度。
```
--設定split size大小為1MB，此hint會在讀src表時，按照1MB的大小來切分task
SELECT a.key FROM src a /*+split_size(1)*/ JOIN src2 b ON a.key=b.key;
```
- 非讀表的Task
  主要有如下三種方式調整並發度：
  - 調整odps.sql.mapper.split.size值：
    非讀表Task的並發度會受到輸入Task的並行度影響，通過調整讀表Task的並發度間接調整非讀表Task的並發度。
  - 調整odps.stage.reducer.num值：
    使用如下命令強制設定Reducer並發度，會影響所有相關的Task。
    -- 設定Reduce Task的instance數量 -- 可調整區間為[1，99999] SET odps.stage.reducer.num=<value>;
  - 調整odps.stage.joiner.num值：
    使用如下命令強制設定Joiner並發度，會影響所有的相關Task。
    -- 設定Joiner Task的instance數量 -- 可調整區間為[1，99999] SET odps.stage.joiner.num=<value>;

視窗函數最佳化

如果SQL語句中使用了視窗函數，通常每個視窗函數會形成一個Reduce作業。如果視窗函數較多，會消耗過多的資源。您可以對符合下述條件的視窗函數進行最佳化：

視窗函數在OVER關鍵字後面要完全相同，要有相同的分組和排序條件。
多個視窗函數在同一層SQL中執行。

符合上述2個條件的視窗函數會合并為一個Reduce執行。SQL樣本如下所示。

SELECT
RANK() OVER (PARTITION BY A ORDER BY B desc) AS RANK,
ROW_NUMBER() OVER (PARTITION BY A ORDER BY B desc) AS row_num
FROM MyTable;

子查詢最佳化

子查詢如下所示。

SELECT * FROM table_a a WHERE a.col1 IN (SELECT col1 FROM table_b b WHERE xxx);

當此語句中的table_b子查詢返回的col1的個數超過9999個時，系統會報錯為records returned from subquery exceeded limit of 9999。此時您可以使用Join語句來代替，如下所示。

SELECT a.* FROM table_a a JOIN (SELECT DISTINCT col1 FROM table_b b WHERE xxx) c ON (a.col1 = c.col1);

說明

如果沒有使用DISTINCT關鍵字，而子查詢表c返回的結果中有相同的col1的值，可能會導致a表的結果數變多。
DISTINCT關鍵字會導致查詢在同一個Worker中執行。如果子查詢資料量較大，會導致查詢比較慢。
如果業務上已經確保子查詢中col1列值無重複，您可以刪除DISTINCT關鍵字，以提高效能。

Join語句最佳化

當兩個表進行Join操作時，建議在如下位置使用WHERE子句：

主表的分區限制條件可以寫在WHERE子句中（建議先用子查詢過濾）。
主表的WHERE子句建議寫在SQL語句最後。
從表分區限制條件不要寫在WHERE子句中，建議寫在ON條件或者子查詢中。

樣本如下。

SELECT * FROM A JOIN (SELECT * FROM B WHERE dt=20150301)B ON B.id=A.id WHERE A.dt=20150301;
SELECT * FROM A JOIN B ON B.id=A.id WHERE B.dt=20150301; --不建議使用。此語句會先執行Join操作後進行分區裁剪，導致資料量變大，效能下降。
SELECT * FROM (SELECT * FROM A WHERE dt=20150301)A JOIN (SELECT * FROM B WHERE dt=20150301)B ON B.id=A.id;

彙總函式最佳化

使用wm_concat函數替代collect_list函數，實現彙總函式的最佳化，使用樣本如下。

-- collect_list實現
SELECT concat_ws(',', sort_array(collect_list(key))) FROM src;
-- wm_concat實現更優
SELECT wm_concat(',', key) WITHIN GROUP (ORDER BY key) FROM src;


-- collect_list實現
SELECT array_join(collect_list(key), ',') FROM src;
-- wm_concat實現更優
SELECT wm_concat(',', key) FROM src;