作者：京东物流 向往

一、背景

从事数据开发将近四年，过程中有大量任务交接或阅读同事代码的场景。在这些场景中发现有些SQL读起来赏心悦目，可以一目了然地了解业务逻辑，一些复杂的业务需求实现方法也可以做到简洁优雅，同时在性能上也有良好表现。而有些SQL读起来非常艰难，时常要跨越几百行寻找WHERE条件或者关联字段，甚至充斥着大量相同的子查询命名，除了作者可能少有人能快速看懂。

??

为此，基于个人经验、理解与实践，我总结了一些方法和技巧，能让SQL尽量变得优雅，即兼顾代码可读性和执行性能两方面的提升。

二、方法与技巧

1.子查询与谓词下推

很多同事在写关联逻辑时，习惯于直接将原表关联，随后在最下方用一大段WHERE语句进行条件过滤，如下示例：

// -------------------- Bad Codes ------------------------

SELECT
    f1.pin,
    c1.site_id,
    c2.site_name
FROM
    fdm.fdm1 AS f1
LEFT JOIN cdm.cdm1 AS c1
ON
    f1.erp = lower(c1.account_number)
LEFT JOIN cdm.cdm2 AS c2
ON
    c1.site_id = c2.site_code
WHERE
    f1.start_date <= '""" + start_date + """'
    AND f1.end_date > '""" + start_date + """'
    AND f1.status = 1
    AND c1.dt = '""" + start_date + """'
    AND c2.yn = 1
GROUP BY
    f1.pin,
    c1.site_id,
    c2.site_name

这段SQL主要有两个问题：

1.cdm1和cdm2的条件写在LEFT JOIN之后，因为cdm1和cdm2是NULL补充表（NULL 补充表: 右表被称为 NULL 补充表，意味着它的存在是为了补充左表中可能缺失的值。即使在右表中没有与左表匹配的行，左表中的行仍然会被返回，右表的相关列会填充为 NULL），那么19和20行无法进行谓词下推，这会导致关联时fdm1和cdm1,cdm2先进行全表关联，再按照WHERE条件过滤分区。如果cdm1是每天全量的表，先关联全表所扫描的数据量可想而知是相当大的。

2.全表关联时没有对关联键进行NULL值处理，如果相关表的对应字段存在大量NULL值，会引起数据倾斜。

第一个问题涉及SQL的谓词下推，即写条件时，应该在不影响结果的情况下，尽量将过滤条件下推到join之前进行（“下推”指将条件推到靠近数据源的位置而不是SQL语句的方位）。谓词下推后，过滤条件在map端执行，减少了map端的输出，降低了数据在集群上传输的量，节约了集群的资源，也可以提升任务的性能。

对于常用的INNER JOIN和LEFT OUTER JOIN，谓词下推规则如下：

如果使用上述示例的写法，主要关注的是LEFT OUTER JOIN时WHERE语句里的条件是否会引起谓词不下推。如果不想记这些看起来很复杂的规则怎么办？可以如下所示直接使用子查询：

// -------------------- Good Codes ------------------------

SELECT
	f1.pin,
	c1.site_id,
	c2.site_name
FROM
	(
		SELECT erp, pin FROM fdm.fdm1 WHERE dp = 'ACTIVE' AND status = 1
	)
	f1
LEFT JOIN
	(
		SELECT
			site_id,
			lower(account_number) AS account_number
		FROM
			cdm.cdm1
		WHERE
			dt = '""" + start_date + """'
	)
	c1
ON
	f1.erp = c1.account_number 
LEFT JOIN
	(
		SELECT site_code, site_name FROM cdm.cdm2 WHERE yn = 1
	)
	c2
ON
	c1.site_id = c2.site_code
GROUP BY
	f1.pin,
	c1.site_id,
	c2.site_name

将原来WHERE语句里的各个条件下推到每个表的子查询中，可以先过滤掉不必要的行，提升关联效率。同时可读性大大提高，能清晰地看出每个来源表都取了哪些数据。还有一些其它细节，比如BDP平台的fdm拉链表，大部分业务场景下，都可以用dp='ACTIVE'代替start_date <= '""" + start_date + """' AND end_date > '""" + start_date + """'。同时注意列裁剪问题，尽量少用SELECT * FROM，只选取必要的列以减少内存开销。

2.去重难题

为了保证数据粒度的准确，几乎所有的SQL脚本编写时，都要考虑去重问题。常见的方法有：

?GROUP BY

?DISTINCT

?ROW_NUMBER开窗

?COLLECT_SET

1）GROUP BY 真的更好吗？

我们经常能在各种大数据技术分享中看到去重时推荐使用GROUP BY代替DISTINCT的观点。不可否认，数据量达到一定程度，去重字段枚举值也很复杂时，GROUP BY确实在性能上更优秀，同时可以避免数据倾斜。但具体情况具体分析，比如下面两段SQL涉及的业务场景：

// --------- Good Codes --------
select 
    count(distinct ulp_base_age) 
from 
    app.app1 
where 
    dt = sysdate(-1)

// --------- Bad Codes --------
select 
    count(ulp_base_age) 
from 
    (
    select 
        ulp_base_age 
    from 
        app.app1 
    where 
        dt = sysdate(-1) 
    group by 
        ulp_base_age
    ) t

底表app1为零售用户画像表，数据量20亿。如果要统计用户年龄分段的枚举值数量，哪一段的执行效率更高呢？先说结论：看到20亿的数据量，可能大家会认为第二段使用GROUP BY的SQL执行更快，但经过HIVE查询多次测试，第一段的平均执行时长约3分钟，第二段的平均执行时长约5分钟。

为了解释这个现象，我们需要了解GROUP BY和DISTINCT的原理。首先，ulp_base_age的枚举值只有7个，从MapReduce角度来看，在Map阶段，每个Map会对ulp_base_age去重。由于ulp_base_age枚举值有限，因而每个Map得到的ulp_base_age也有限，最终得到reduce的数据量也就是map数量*ulp_base_age枚举值的个数，这实质上造成了资源的浪费。而DISTINCT命令会在内存中构建一个hashtable，查找去重的时间复杂度是O(1)；GROUP BY在不同版本间变动比较大，有的版本会用构建hashtable的形式去重，有的版本会通过排序的方式， 排序的最优时间复杂度无法到O(1)。另外，第一种方式(GROUP BY)不仅需要进行 shuffle，还需要在每个分区中进行聚合操作，会消耗更多的磁盘网络I/O资源。

这告诉我们，不要过度优化代码，要考虑到数据集的具体情况！！

2）最大化利用分桶

在面对更复杂的数据集时，去重也需要更巧妙的方法。假设有一个数据量极大的页面埋点数据集，其部分数据如下所示：

如果要统计天维度的UV，如果使用：

// -------------------- Bad Codes --------------------
select 
    click_dt,
    count(distinct pin)as uv 
from 
    log_table 
group by 
    click_dt;

那么假设有五个分桶，其使用情况会如下所示：

??

可以看到所有数据都被分配到了同一个桶里，其它桶都闲置，明显造成效率低下。优化代码如下：

// -------------------- Good Codes  --------------------
SELECT
	click_dt,
        size(collect_set(pin)) AS uv
FROM
	(
		SELECT click_dt, pin FROM log_table GROUP BY click_dt, pin
	)
	tmp
GROUP BY
	click_dt;

此时桶的使用情况如下：

??

此时充分利用了五个桶，实现了并行操作，单个桶的负担大大下降。但如果此时第二步的结果集太大，还是容易造成OOM的问题。面对海量数据集，代码还可以继续优化：

// ------------------- Even Better Codes  -------------------
SELECT
	click_dt,
	SUM(uv_tmp) AS uv
FROM
	(
		SELECT
			len_pin,
			click_dt,
			size(collect_set(pin)) AS uv_tmp
		FROM
			(
				SELECT click_dt, pin, LENGTH(pin) AS len_pin FROM log_table
			)
			log_table_tmp
		GROUP BY
			len_pin,
			click_dt
	)
	tmp
GROUP BY
	click_dt

在聚合维度中加上pin的长度作为新维度，此时桶的使用如下：

??

此处使用pin的长度来预聚合pin，用一种分桶分步预聚合的方法，较为巧妙地把一个集合去重问题最终转化为相加问题，避开了单个jvm去重承受过大压力，面对海量数据集较为实用。具体开发场景中，也可以使用首末字母等有共性的属性来预聚合。

3.充分使用平台工具

由于曾经长期手动修改时间参数来回刷数据，操作繁琐的同时还容易出错。回刷涉及上下游表时，工作量更是巨大。直到我发现了平台的任务补录功能，并且可以通过Python和SQL的交互来实现灵活控制脚本里的时间参数来达到补录时的时间控制，才解决这个痛点。

比如在任务调度的py脚本里，可以利用sys.argv来控制时间参数。sys.argv的第一个元素是默认的，内容为脚本名称。而通过判断sys.argv的长度，可以在SQL内容之前使用如下Python代码来设置参数：

if len(sys.argv) == 1:
    # BDP不传参数的情况下使用，仅适用于BDP线上调度
    curday = ht.oneday(0)
    today = datetime.datetime.strptime(curday, '%Y-%m-%d')
    start_date = str((today + datetime.timedelta(days=-1)).strftime("%Y-%m-%d"))[0:10]
    end_date = str(today)[0:10]
    last31Day = start_date
elif len(sys.argv) == 2:
    # BDP线上调度使用 配合BDP参数 ${fmt(add(NTIME(),-1,'day'),'yyyy-MM-dd')}
    end_date = str(datetime.datetime.strptime(sys.argv[1], "%Y-%m-%d"))[0:10]
    start_date = str(
        (datetime.datetime.strptime(end_date, "%Y-%m-%d")).replace(day=1))[0:10]
    last31Day = (datetime.datetime.strptime(end_date, "%Y-%m-%d") +
                 datetime.timedelta(days=-30)).strftime("%Y-%m-%d")
elif len(sys.argv) == 3:
    # 回刷使用，直接调用python脚本，并且需要传递两个日期参数，开始日期，结束日期
    start_date = str(datetime.datetime.strptime(sys.argv[1], "%Y-%m-%d"))[0:10]
    end_date = str(datetime.datetime.strptime(sys.argv[2], "%Y-%m-%d"))[0:10]
else:
    print('parameter error')
    sys.exit(1)

同时需要在SQL内容后使用如下Python代码：

if (len(sys.argv) == 1) | (len(sys.argv) == 2):
    ht.exec_sql(
        schema_name='app',
        # 补数调度
        # sql=showsql.format(htYDay_B=start_date, htYDay=end_date),
        # 批量调度
        sql=showsql.format(htYDay_B=start_date, htYDay=end_date),
        table_name='app1',
        exec_engine='spark',
        spark_resource_level='high',
        retry_with_hive=False,
        spark_args=[
            '--conf spark.sql.hive.mergeFiles=true',
            '--conf spark.sql.adaptive.enabled=true',
            '--conf spark.sql.adaptive.repartition.enabled=true',
            '--conf spark.sql.adaptive.join.enabled=true',
            '--conf spark.sql.adaptive.skewedJoin.enabled=true',
            '--conf spark.hadoop.hive.exec.orc.split.strategy=ETL',
            '--conf spark.sql.shuffle.partitions=1200',
            '--conf spark.driver.maxResultSize=8g',
            '--conf spark.executor.memory=32g'
        ])
elif len(sys.argv) == 3:
    ht.exec_sql(
        schema_name='app',
        # 补数调度
        sql=showsql.format(htYDay_B=start_date, htYDay=end_date),
        # 批量调度
        # sql=showsql.format(htYDay_B=last31Day, htYDay=end_date),
        table_name='app1',
        exec_engine='spark',
        spark_resource_level='high',
        retry_with_hive=False,
        spark_args=[
            '--conf spark.sql.hive.mergeFiles=true',
            '--conf spark.sql.adaptive.enabled=true',
            '--conf spark.sql.adaptive.repartition.enabled=true',
            '--conf spark.sql.adaptive.join.enabled=true',
            '--conf spark.sql.adaptive.skewedJoin.enabled=true',
            '--conf spark.hadoop.hive.exec.orc.split.strategy=ETL',
            '--conf spark.sql.shuffle.partitions=1200',
            '--conf spark.driver.maxResultSize=8g',
            '--conf spark.executor.memory=32g'
        ])
else:
    print('parameter error')
    sys.exit(1)

IF的第一个分支的作用是线上调度任务不配置参数时，可以将昨天的日期和今天的日期赋值给htYDay_B和htYDay；第二个分支则是线上脚本配置${fmt(add(NTIME(),-1,'day'),'yyyy-MM-dd')}等参数时，可以根据该参数计算并赋值htYDay_B和htYDay；第三个分支是任务补录时使用，通过上传时间范围的开始时间和结束时间，直接赋值htYDay_B和htYDay，来控制脚本中取数时间范围。

数据开发工程师往往会每天面对海量的业务需求，理解业务需求、数据探查会花费掉研发人员大量的时间，而日常开发有时会忽略写出的代码是否优雅和高效。如果对SQL优化的原理有一定认知，积累了足够的经验，或许能做到编写代码时下意识地写出更优雅的SQL代码。

参考文章： https://www.jhelp.net/p/foafP0Vuwt7Qaa12