子查询调优

子查询背景介绍

应用程序通过SQL语句来操作数据库时会使用大量的子查询，这种写法比直接对两个表做连接操作在结构上和思路上更清晰，尤其是在一些比较复杂的查询语句中，子查询有更完整、更独立的语义，会使SQL对业务逻辑的表达更清晰更容易理解，因此得到了广泛的应用。

openGauss根据子查询在SQL语句中的位置把子查询分成了子查询、子链接两种形式。

  • 子查询SubQuery：对应于查询解析树中的范围表RangeTblEntry，更通俗一些指的是出现在FROM语句后面的独立的SELECT语句。

  • 子链接SubLink：对应于查询解析树中的表达式，更通俗一些指的是出现在where/on子句、targetlist里面的语句。

    综上，对于查询解析树而言，SubQuery的本质是范围表、而SubLink的本质是表达式。针对SubLink场景而言，由于SubLink可以出现在约束条件、表达式中，按照openGauss对sublink的实现，sublink可以分为以下几类：

    • exist_sublink：对应EXIST、NOT EXIST语句
    • any_sublink：对应op ALL(select…)语句，其中OP可以是IN,<,>,=操作符
    • all_sublink：对应op ALL(select…)语句，其中OP可以是IN,<,>,=操作符
    • rowcompare_sublink：对应record op (select …)语句
    • expr_sublink：对应(SELECT with single targetlist item …)语句
    • array_sublink：对应ARRAY(select…)语句
    • cte_sublink：对应with query(…)语句

    其中OLAP、HTAP场景中常用的sublink为exist_sublink、any_sublink，在openGauss的优化引擎中对其应用场景做了优化（子链接提升），由于SQL语句中子查询的使用的灵活性，会带来SQL子查询过于复杂造成性能问题。子查询从大类上来看，分为非相关子查询和相关子查询：

    • 非相关子查询None-Correlated SubQuery

      子查询的执行不依赖于外层父查询的任何属性值。这样子查询具有独立性，可独自求解，形成一个子查询计划先于外层的查询求解。

      例如：

      1. select t1.c1,t1.c2
      2. from t1
      3. where t1.c1 in (
      4.     select c2
      5.     from t2
      6.     where t2.c2 IN (2,3,4)
      7. );
      8.                               QUERY PLAN
      9. ----------------------------------------------------------------
      10.  Hash Join 
      11.    Hash Cond: (t1.c1 = t2.c2)
      12.    ->  Seq Scan on t1 
      13.          Filter: (c1 = ANY ('{2,3,4}'::integer[]))
      14.    ->  Hash 
      15.          ->  HashAggregate 
      16.                Group By Key: t2.c2
      17.                ->  Seq Scan on t2  
      18.                      Filter: (c2 = ANY ('{2,3,4}'::integer[]))
      19. (9 rows)

    • 相关子查询Correlated-SubQuery

      子查询的执行依赖于外层父查询的一些属性值（如下列示例t2.c1 = t1.c1条件中的t1.c1）作为内层查询的一个AND-ed条件。这样的子查询不具备独立性，需要和外层查询按分组进行求解。

      例如：

      1. select t1.c1,t1.c2
      2. from t1
      3. where t1.c1 in (
      4.     select c2
      5.     from t2
      6.     where t2.c1 = t1.c1 AND t2.c2 in (2,3,4)
      7. );
      8.                                QUERY PLAN
      9. ------------------------------------------------------------------------
      10.  Seq Scan on t1
      11.    Filter: (SubPlan 1)
      12.    SubPlan 1
      13.      ->  Seq Scan on t2
      14.            Filter: ((c1 = t1.c1) AND (c2 = ANY ('{2,3,4}'::integer[])))
      15. (5 rows)

openGauss对SubLink的优化

针对SubLink的优化策略主要是让内层的子查询提升(pullup)，能够和外表直接做关联查询，从而避免生成SubPlan+Broadcast內表的执行计划。判断子查询是否存在性能风险，可以通过explain查询语句查看Sublink的部分是否被转换成SubPlan的执行计划。

例如：

子查询调优 - 图1

箭头右侧执行计划应替换成下面的执行计划：

  1. QUERY PLAN
  2. --------------------------------
  3. Seq Scan on t1
  4. Filter: (SubPlan 1)
  5. SubPlan 1
  6. ->  Seq Scan on t2
  7. Filter: (c1 = t1.c1)
  8. (5 rows)

  • 目前openGauss支持的Sublink-Release场景

    • IN-Sublink无相关条件

      • 不能包含上一层查询的表中的列（可以包含更高层查询表中的列）。
      • 不能包含易变函数。

      子查询调优 - 图2

      箭头右侧执行计划应替换成下面的执行计划：

      1. QUERY PLAN
      2. --------------------------------------
      3. Hash Join
      4. Hash Cond: (t1.c1 = t2.c2)
      5. ->  Seq Scan on t1
      6. ->  Hash
      7. ->  HashAggregate
      8. Group By Key: t2.c2
      9. ->  Seq Scan on t2
      10. Filter: (c1 = 1)
      11. (8 rows)

    • Exist-Sublink包含相关条件

      Where子句中必须包含上一层查询的表中的列，子查询的其它部分不能含有上层查询的表中的列。其它限制如下。

      • 子查询必须有from子句。
      • 子查询不能含有with子句。
      • 子查询不能含有聚集函数。
      • 子查询里不能包含集合操作、排序、limit、windowagg、having操作。
      • 不能包含易变函数。

      子查询调优 - 图3

      箭头右侧执行计划应替换成下面的执行计划：

      QUERY PLAN

      Hash Join

      Hash Cond: (t1.c1 = t2.c1)

      -> Seq Scan on t1

      -> Hash

      -> HashAggregate

      Group By Key: t2.c1

      -> Seq Scan on t2

      (7 rows)

    • 包含聚集函数的等值相关子查询的提升

      子查询的where条件中必须含有来自上一层的列，而且此列必须和子查询本层涉及表中的列做相等判断，且这些条件必须用and连接。其它地方不能包含上层的列。其它限制条件如下。

      • 子查询中where条件包含的表达式(列名)必须是表中的列。

      • 子查询的Select关键字后，必须有且仅有一个输出列，此输出列必须是聚集函数(如max)，并且聚集函数的参数(t2.c2)不能是来自外层表(t1)中的列。聚集函数不能是count。

        例如，下列示例可以提升。

        1. select * from t1 where c1 >(
        2.        select max(t2.c1) from t2 where t2.c1=t1.c1
        3. );

        下列示例不能提升，因为子查询没有聚集函数。

        1. select * from t1 where c1 >(
        2.        select  t2.c1 from t2 where t2.c1=t1.c1
        3. );

        下列示例不能提升，因为子查询有两个输出列。

        1. select * from t1 where (c1,c2) >(
        2.        select  max(t2.c1),min(t2.c2) from t2 where t2.c1=t1.c1
        3. );

      • 子查询必须是from子句。

      • 子查询中不能有groupby、having、集合操作。

      • 子查询只能是inner join。

        例如：下列示例不能提升。

        1. select * from t1 where c1 >(
        2.        select max(t2.c1) from t2 full join t3 on (t2.c2=t3.c2) where t2.c1=t1.c1
        3. );

      • 子查询的targetlist中不能包含返回set的函数。

      • 子查询的where条件中必须含有来自上一层的列，而且此列必须和子查询层涉及表中的列做相等判断，且这些条件必须用and连接。其它地方不能包含上层的上层中的列。例如：下列示例中的最内层子链接可以提升。

        1. select * from t3 where t3.c1=(
        2.         select t1.c1
        3.         from t1 where c1 >(
        4.                 select max(t2.c1) from t2 where t2.c1=t1.c1 
        5. ));

        基于上面的示例，再加一个条件，则不能提升，因为最内侧子查询引用了上层中的列。示例如下：

        1. select * from t3 where t3.c1=(
        2.         select t1.c1
        3.         from t1 where c1 >(
        4.                select max(t2.c1) from t2 where t2.c1=t1.c1 and t3.c1>t2.c2
        6. ));

    • 提升OR子句中的SubLink

      当WHERE过滤条件中有OR连接的EXIST相关SubLink，

      例如：

      1. select a, c from t1
      2. where t1.a = (select avg(a) from t3 where t1.b = t3.b) or
      3. exists (select * from t4 where t1.c = t4.c);

      将OR-ed连接的EXIST相关子查询OR字句的提升过程：

      1. 提取where条件中，or子句中的opExpr。为：t1.a = (select avg(a) from t3 where t1.b = t3.b)

      2. 这个op操作中包含subquery，判断是否可以提升，如果可以提升，重写subquery为：select avg(a), t3.b from t3 group by t3.b，生成not null条件t3.b is not null，并将这个opexpr用这个not null条件替换。此时SQL变为：

        1. select a, c
        2. from t1 left join (select avg(a) avg, t3.b from t3 group by t3.b)  as t3 on (t1.a = avg and t1.b = t3.b)
        3. where t3.b is not null or exists (select * from t4 where t1.c = t4.c);

      3. 再次提取or子句中的exists sublink，exists (select * from t4 where t1.c = t4.c)，判断是否可以提升，如果可以提升，转换subquery为：select t4.c from t4 group by t4.c生成NotNull条件t4.c is not null提升查询，SQL变为：

        1. select a, c
        2. from t1 left join (select avg(a) avg, t3.b from t3 group by t3.b)  as t3 on (t1.a = avg and t1.b = t3.b)
        3. left join (select t4.c from t4 group by t4.c) where t3.b is not null or t4.c is not null;

  • 目前openGauss不支持的Sublink-Release场景

    除了以上场景之外都不支持Sublink提升，因此关联子查询会被计划成SubPlan+Broadcast的执行计划，当inner表的数据量较大时则会产生性能风险。

    如果相关子查询中跟外层的两张表做join，那么无法提升该子查询，需要通过将父SQL创建成with子句，然后再跟子查询中的表做相关子查询查询。

    例如：

    1. select distinct t1.a, t2.a
    2. from t1 left join t2 on t1.a=t2.a and not exists (select a,b from test1 where test1.a=t1.a and test1.b=t2.a);

    改写为

    1. with temp as
    2. (
    3.         select * from (select t1.a as a, t2.a as b from t1 left join t2 on t1.a=t2.a)
    5. )
    6. select distinct a,b
    7. from temp
    8. where not exists (select a,b from test1 where temp.a=test1.a and temp.b=test1.b);

    • 出现在targetlist里的相关子查询无法提升(不含count)

      例如：

      1. explain (costs off)
      2. select (select c2 from t2 where t1.c1 = t2.c1) ssq, t1.c2
      3. from t1
      4. where t1.c2 > 10;

      执行计划为：

      1. explain (costs off)
      2. select (select c2 from t2 where t1.c1 = t2.c1) ssq, t1.c2
      3. from t1
      4. where t1.c2 > 10;
      5.            QUERY PLAN
      6. --------------------------------
      7.  Seq Scan on t1
      8.    Filter: (c2 > 10)
      9.    SubPlan 1
      10.      ->  Seq Scan on t2
      11.            Filter: (t1.c1 = c1)
      12. (5 rows)

      由于相关子查询出现在targetlist(查询返回列表)里，对于t1.c1=t2.c1不匹配的场景仍然需要输出值，因此使用left-outerjoin关联T1&T2确保t1.c1=t2.c1在不匹配时，子SSQ能够返回不匹配的补空值。

      子查询调优 - 图4 说明：
      SSQ和CSSQ的解释如下：
      - SSQ：ScalarSubQuery一般指返回1行1列scalar值的sublink，简称SSQ。
      - CSSQ：Correlated-ScalarSubQuery和SSQ相同不过是指包含相关条件的SSQ。

      上述SQL语句可以改写为：

      1. with ssq as
      2. (
      3.     select t2.c2 from t2
      4. )
      5. select ssq.c2, t1.c2
      6. from t1 left join ssq on t1.c1 = ssq.c2
      7. where t1.c2 > 10;

      改写后的执行计划为：

      1.            QUERY PLAN
      2. ---------------------------------
      3.  Hash Right Join
      4.    Hash Cond: (ssq.c2 = t1.c1)
      5.    CTE ssq
      6.      ->  Seq Scan on t2
      7.    ->  CTE Scan on ssq
      8.    ->  Hash
      9.          ->  Seq Scan on t1
      10.                Filter: (c2 > 10)
      11. (8 rows)

      可以看到出现在SSQ返回列表里的相关子查询SSQ，已经被提升成Right Join，从而避免当內表T2较大时出现SubPlan计划导致性能变差。

    • 出现在targetlist里的相关子查询无法提升(带count)

      例如：

      1. select (select count(*) from t2 where t2.c1=t1.c1) cnt, t1.c1, t3.c1
      2. from t1,t3
      3. where t1.c1=t3.c1 order by cnt, t1.c1;

      执行计划为

      1.                  QUERY PLAN
      2. --------------------------------------------
      3.  Sort
      4.    Sort Key: ((SubPlan 1)), t1.c1
      5.    ->  Hash Join
      6.          Hash Cond: (t1.c1 = t3.c1)
      7.          ->  Seq Scan on t1
      8.          ->  Hash
      9.                ->  Seq Scan on t3
      10.          SubPlan 1
      11.            ->  Aggregate
      12.                  ->  Seq Scan on t2
      13.                        Filter: (c1 = t1.c1)
      14. (11 rows)

      由于相关子查询出现在targetlist(查询返回列表)里，对于t1.c1=t2.c1不匹配的场景仍然需要输出值，因此使用left-outerjoin关联T1&T2确保t1.c1=t2.c1在不匹配时子SSQ能够返回不匹配的补空值，但是这里带了count语句及时在t1.c1=t2.t1不匹配时需要输出0，因此可以使用一个case-when NULL then 0 else count(*)来代替。

      上述SQL语句可以改写为：

      1. with ssq as
      2. (
      3.     select count(*) cnt, c1 from t2 group by c1
      4. )
      5. select case when
      6.             ssq.cnt is null then 0
      7.             else ssq.cnt
      8.        end cnt, t1.c1, t3.c1
      9. from t1 left join ssq on ssq.c1 = t1.c1,t3
      10. where t1.c1 = t3.c1
      11. order by ssq.cnt, t1.c1;

      改写后的执行计划为

      1.                 QUERY PLAN
      2. -------------------------------------------
      3.  Sort
      4.    Sort Key: ssq.cnt, t1.c1
      5.    CTE ssq
      6.      ->  HashAggregate
      7.            Group By Key: t2.c1
      8.            ->  Seq Scan on t2
      9.    ->  Hash Join
      10.          Hash Cond: (t1.c1 = t3.c1)
      11.          ->  Hash Left Join
      12.                Hash Cond: (t1.c1 = ssq.c1)
      13.                ->  Seq Scan on t1
      14.                ->  Hash
      15.                      ->  CTE Scan on ssq
      16.          ->  Hash
      17.                ->  Seq Scan on t3
      18. (15 rows)

    • 相关条件为不等值场景

      例如：

      1. select t1.c1, t1.c2
      2. from t1
      3. where t1.c1 = (select agg() from t2.c2 > t1.c2);

      对于非等值相关条件的SubLink目前无法提升，从语义上可以通过做2次join（一次CorrelationKey，一次rownum自关联）达到提升改写的目的。

      改写方案有两种。

      • 子查询改写方式

        1. select t1.c1, t1.c2
        2. from t1, (
        3.     select t1.rowid, agg() aggref
        4.     from t1,t2
        5.     where t1.c2 > t2.c2 group by t1.rowid
        6. ) dt /* derived table */
        7. where t1.rowid = dt.rowid AND t1.c1 = dt.aggref;

      • CTE改写方式

        1. WITH dt as
        2. (
        3.     select t1.rowid, agg() aggref
        4.     from t1,t2
        5.     where t1.c2 > t2.c2 group by t1.rowid
        6. )
        7. select t1.c1, t1.c2
        8. from t1, derived_table
        9. where t1.rowid = derived_table.rowid AND
        10. t1.c1 = derived_table.aggref;
  1. > ![](/projects/opengauss-1.0-zh/5c195ddef31d7c223cbf2cd3cdbdd096.gif) **须知：**  
  2. > \- 对于AGG类型为count(\*)时需要进行CASE-WHEN对没有match的场景补0处理，非COUNT(\*)场景NULL处理。  
  3. > \- CTE改写方式如果有sharescan支持性能上能够更优。

更多优化示例

示例：修改select语句，将子查询修改为和主表的join，或者修改为可以提升的subquery，但是在修改前后需要保证语义的正确性。

  1. explain (costs off) select * from t1 where t1.c1 in (select t2.c1 from t2 where t1.c1 = t2.c2);
  2.            QUERY PLAN
  3. --------------------------------
  4.  Seq Scan on t1
  5.    Filter: (SubPlan 1)
  6.    SubPlan 1
  7.      ->  Seq Scan on t2
  8.            Filter: (t1.c1 = c2)
  9. (5 rows)

上面事例计划中存在一个subPlan，为了消除这个subPlan可以修改语句为：

  1. explain (costs off) select * from t1 where exists (select t2.c1 from t2 where t1.c1 = t2.c2 and t1.c1 = t2.c1);
  2.                 QUERY PLAN
  3. ------------------------------------------
  4.  Hash Join
  5.    Hash Cond: (t1.c1 = t2.c2)
  6.    ->  Seq Scan on t1
  7.    ->  Hash
  8.          ->  HashAggregate
  9.                Group By Key: t2.c2, t2.c1
  10.                ->  Seq Scan on t2
  11.                      Filter: (c2 = c1)
  12. (8 rows)

从计划可以看出，subPlan消除了，计划变成了两个表的hash join，这样会大大提高执行效率。