大主子表关联的性能优化方法

【摘要】

主子表是数据库最常见的关联关系之一,最典型的包括合同和合同条款、订单和订单明细、保险保单和保单明细、银行账户和账户流水、电商用户和订单、电信账户和计费清单或流量详单。当主子表的数据量较大时,关联计算的性能将急剧降低,在增加服务器负载的同时严重影响用户体验。作为面向过程的结构化数据计算语言,集算器 SPL 可通过有序归并的方法,显著提升大主子表关联计算的性能。 下面就来乾学院一探究竟:大主子表关联的性能优化方法

一、        原理解释

所谓主子表关联计算,就是针对主表的每条记录,按关联字段找到子表中对应的一批记录。以订单(主表)和订单明细(子表)为例,两者以订单ID为关联字段。下图显示了关联计算过程中对主表中一条记录的处理情况,红色箭头代表没找到对应记录(不可关联),绿色箭头代表找到了对应记录(可关联):

                                              undefined

假设订单(主表)有m条记录,订单明细(子表)有n条记录,在不考虑优化算法时,主表中每一条记录的关联都需要遍历子表,相应的时间复杂度为O(n)。而主表一共有m条记录,所以整个计算的复杂度就是O(m*n),显然过高。虽然数据库一般会采用hash方案来优化,但在数据量较大或较多表关联时,仍然会面临时难以并行、使用外存缓存数据的问题,性能依旧会急剧下降。

而对于集算器来说,针对大主子表关联算法,可以通过两步来实现显著优化:数据有序化、归并关联。

l   数据有序化

对主表和子表,首先分别按照关联字段排序,形成有序数据。

l   归并关联

首先在主表和子表上分别用指针指向第一条记录,然后开始比对,对于主表的第一条记录,如果子表遇到匹配的记录,则表示可以关联,记录后子表指针前移;如果遇到不匹配的记录,表示主表第一条记录的关联计算完成,此时子表指针不动,主表指针下移一位,指向第二条记录。以此类推……

优化后,单条记录的关联计算可用下图示意:

undefined

可以看到,经过优化,主表中单条记录的关联只需比对部分数据,不再需要遍历子表。事实上,对主表所有记录的关联,才会遍历一次子表,也就是复杂度为O(n)。再加上主表本身会遍历一次,因此整个计算的复杂度就是O(m+n)

这样,经过集算器优化后,算法的时间复杂度变为线性,而且不再需要生成落地的中间数据,性能自然得到大幅提升。

当然,需要注意的是,有序化本身也会耗费时间,因此这种优化方法不适合只做一次的关联算法。但在实际业务中,关联算法通常会反复执行,这时有序化的开销就是一次性的,完全可以忽略不计。

二、        具体实现

下面还是以订单和订单明细为例,说明集算器优化大主子表关联的方法。

首先进行数据有序化(注意,这是一次性动作)。集算器脚本数据有序化.dfx”如下:


A

B

1

=connect("orcl")


2

=A1.cursor("select 订单ID,客户ID,订购日期 from 订单 order by 订单ID")

=A1.cursor("select 订单ID, 产品ID,单价,数量 from 订单明细 order by 订单ID,产品ID")

3

=file("订单.ctx").create(#订单ID,客户ID,订购日期)

=file("订单明细.ctx").create(#订单ID,#产品ID,单价,数量 )

4

=A3.append(A2)

=B3.append(B2)

5

=A1.close()


A1连接Oracle数据源,A5关闭数据源。集算器可连接大部分常用数据源,包括数据库、Excel、阿里云、SAP等等。

A2B2:用SQL语句分别取订单和订单明细,并按关联字段排序。由于数据量较大,无法一次性读入内存,因此这里用到了游标函数cursor

A3B3:分别创建组表文件“订单.ctx”和“订单明细.ctx”,用于存储有序化之后的数据。这里需要指定字段名,其中带#号的字段是主键,。数据将按主键排序,且主键的值不可重复。

A4-B4:将游标追加写入组表文件。

 

 

其次,对于通常会反复执行的关联算法,可以用集算器脚本“归并关联.dfx”实现如下:


A

B

1

=file("订单.ctx").create().cursor(订单ID)

=file("订单明细.ctx").create().cursor(订单ID,数量)

2

=joinx(A1:主表,订单ID; B1:子表,订单ID)


3

=A2.groups(;sum(子表.数量))


A1B1:读入组表文件“订单.ctx”和“订单明细.ctx”。注意组表默认为列式存储,因此只需读入后续计算需要的字段,从而大幅降低I/O

A2:对有序游标A1B1进行归并关联,其中“主表”、“子表”是别名,方便后续引用,如果省略别名,后续可以通过默认别名_1_2引用。注意,函数joinx默认进行内关联,可用选项@1指定左关联,或者@f指定全关联。如果有多个游标都要与A1关联,可用分号依次隔开。

A3:对关联结果进行后续计算,例如汇总产品数量。事实上后续计算可以支持任意算法,也不是本文的讨论范围了。

 

上面介绍了集算器SPL脚本的写法,而在实际执行时,还需要部署集算器的运行环境。有两种部署方式可供选择:内嵌部署和独立部署。

l   内嵌部署

内嵌部署时,集算器的用法类似内嵌数据库,应用系统使用集算器驱动(JDBC)执行同一个JVM下的集算器脚本。

下面是Java调用“归并关联.dfx”的代码

1.     com.esproc.jdbc.InternalConnection   con=null;

2.     try {

3.         Class.forName("com.esproc.jdbc.InternalDriver");

4.           con   =(com.esproc.jdbc.InternalConnection)DriverManager.getConnection("jdbc:esproc:local://");

5.           ResultSet rs =   con.executeQuery("call 归并关联()");

6.     } catch (SQLException e){

7.         out.println(e);

8.     }finally{

9.         if   (con!=null) con.close();

10.   }

在上述JAVA代码中,集算器脚本以文件的形式保存,调用语法类似存储过程。而如果脚本很简单,也可以不保存脚本文件,直接书写表达式,调用语法类似SQL,这时第5行可以写成:

ResultSet rs = con.executeQuery("=joinx(file(\"订单.ctx\").create().cursor(订单ID),订单ID; file(\"订单明细.ctx\").create().cursor(订单ID,数量),订单ID).groups(;sum(_2.数量))");

这篇文章详细介绍了JAVA调用集算器的过程:http://doc.raqsoft.com.cn/esproc/tutorial/bjavady.html

除了使用Java代码,也可以通过报表访问集算器,这时按照访问一般数据库的方法即可,具体可参考《Birt报表脚本数据源变得既简单又强大》。

 

对于脚本数据有序化.dfx”,可以用同样的方法执行。不过这个脚本通常只执行一次,所以也可以直接在命令行中执行,windows用法如下:

D:\raqsoft64\esProc\bin>esprocx 数据有序化.dfx

Linux下用法类似,可以参考http://doc.raqsoft.com.cn/esproc/tutorial/minglinghang.html

 

l   独立部署

独立部署时,集算器的用法类似远程数据库,应用系统可以使用集算器驱动(JDBCODBC驱动)访问集算服务器。这种情况下,应用系统和集算器服务器通常部署在不同的机器上。

例如集算服务器的IP地址为192.168.0.2,端口号为8281,那么JAVA应用系统可以通过如下代码访问:

st = con.createStatement();

st.executeQuery("=callx(\"归并关联.dfx\";[\"192.168.0.2:8281\"])");

关于集算服务器的部署和使用,详细内容可参考http://doc.raqsoft.com.cn/esproc/tutorial/fuwuqi.html

关于JDBCODBC驱动的部署方法,可分别参考

http://doc.raqsoft.com.cn/esproc/tutorial/jdbcbushu.html

http://doc.raqsoft.com.cn/esproc/tutorial/odbcbushu.html

三、        多线程优化

前面介绍了基本的优化思路和实现方法,也就是针对数据本身的优化。而现实中服务器都是多核心CPU,因此可以进一步对上述算法进行多线程优化。

多线程优化的原理,是将主表和子表各分为N段,使用N个线程同时进行关联计算。

原理虽简单,但真正实现的时候,就会发现很多难题:

l   分段效率

想把数据分为N段,就要先找到每一段的起始行号,如果用遍历的笨办法数行号,显然会白白消耗大量的I/O资源。

l   数据跨段

理论上,关联字段值相同的子表记录,应该分到同一段。如果对子表随意分段,很可能形成跨段的数据。

l   分段对齐

更进一步,理论上,子表的第i段数据,应该与主表的第i段数据对齐,也就是主子表关联字段值的范围应该一致。如果两者各自独立分段,则可能导致分段数据难以对齐。

l   二次计算

如果后续计算不涉及聚合,例如只是过滤,那么只需将N个线程的计算结果直接合并。但如果后续计算涉及聚合,比如sum或分组汇总,那就要单独再进行二次计算聚合。

 

好在集算器已经充分解决了上述难题,分段时不会耗费IO资源、关联字段值相同的记录会分在同一段、子表和主表会保持对齐、各种二次计算无需单独实现。

具体来说,首先,数据有序化脚本需要做如下修改(红色字体为修改部分):


A

B

1

=connect("orcl")


2

=A1.cursor("select 订单ID,客户ID,订购日期 from 订单 order by 订单ID")

=A1.cursor("select 订单ID, 产品ID,单价,数量 from 订单明细 order by 订单ID,产品ID")

3

=file("订单多线程.ctx").create(#订单ID,客户ID,订购日期)

=file("订单明细多线程.ctx").create(#订单ID,#产品ID,单价,数量   ;#订单ID )

4

=A3.append(A2)

=B3.append(B2)

5

=A1.close()


B3:生成“订单明细多线程.ctx”时,数据按“#订单ID”分段。这将保证订单ID相同的记录,将来会分到同一段。

归并关联的脚本需修改如下:


A

B

1

=file("订单多线程.ctx").create().cursor@m(订单ID)

=file("订单明细多线程.ctx").create().cursor@m(订单ID,数量;;A1)

2

=joinx(A1:主表,订单ID; B1:子表,订单ID)


3

=A2.groups(;sum(子表.数量))


A1@m表示对数据分段,形成多线程游标(也叫多路并行游标)。其中线程数量是默认值,由系统参数“最大并行数”决定,也可手工修改。例如希望生成4线程游标,A1应写成:

=file("订单多线程.ctx").create().cursor@m(订单ID ;;4)

B1:同样生成多线程游标,并与A1的多线程游标对齐。

A2-A3:归并关联,再执行后续算法。这两步写法上没变化,但底层会自动进行多线程合并和二次计算,从而降低了程序员的编程难度。

四、        结构优化

在前面算法的基础上,还可以进一步提升计算性能,那就是以层次结构存储数据,直接记录关联关系。

具体来说,先用“结构优化有序化.dfx”生成组表文件:


A

B

1

=connect("orcl")


2

=A1.cursor("select 订单ID,客户ID,订购日期 from 订单 order by 订单ID")

=A1.cursor("select 订单ID, 产品ID,单价,数量 from 订单明细 order by 订单ID,产品ID")

3

=file("多层订单.ctx").create(#订单ID,客户ID,订购日期)


4

=A3.append(A2)

=A3.attach(订单明细,#产品ID,单价,数量)

5


=B4.append(B2)

6

=A1.close()


B4:在主表的基础上附加子表,命名为订单明细。与主表不同的是,子表默认继承了主表的主键,因此可以省略订单ID,只需要写另一个主键产品ID。这样,2个表写在了一个组表文件中,从而才能形成层次结构。

B5:向子表写入数据。

此时,组表“多层订单.ctx”将按层次结构存储,逻辑示意图如下:

#订单 ID

#产品 ID

单价

数量

客户 ID

订单日期

10248




VINET

2012-07-04


17

14

12




42

9

10




72

34

5



10249




TOMSP

2012-07-05


14

18

9




51

42

40



10250




HANAR

2012-07-08


41

7

10




51

42

35




65

16

15









可以看到,每条主表记录与对应的子表记录,在逻辑上已经紧密相关,无需额外关联,这样便可大幅提高关联算法的性能。

进行关联计算时,使用以下脚本“结构优化归并关联.dfx”:


A

B

1

=file("多层订单.ctx").create()

=A1.attach(订单明细)

2

=A1.cursor@m(订单ID)

=B1.cursor@m(订单ID,产品ID)

3

=joinx(A2:主表,订单ID; B2:子表,订单ID)


4

=A3.groups(;sum(子表.数量))


A1B1:打开主表,以及附加在主表上的子表。

A2B2:以多线程方式分别读取主表和子表。需要注意的是,多层组表里的实表之间天然具备相关性,因此无需特意指定子表和主表的分段关系,代码比之前更清晰简单。

A3A4:归并关联并执行后续算法,这两步没变化。

五、        数据更新

前面的优化方式都基于库表全量导出为组表文件的情况,但实际业务中数据库表总会发生变化,因此需要考虑数据更新的问题,也就是要将变化的数据定时更新到组表文件中。

显然,更新数据应选择在无人查询组表文件时进行,一般都是半夜或凌晨。而更新的频率,则需要按照数据实时性要求来设定,例如每天一次或每周一次。至于更新的方式,需要按照数据的变化规律来考虑,最常见的是数据追加,有时也会遇到增删改。

下面先看数据追加:

订单和订单明细每天都会产生新记录,假设需要在每天凌晨2点将昨天新增的记录追加到组表文件中。下图显示了2018/11/23新增记录的情况,注意,有些订单(订单ID20001)并没有对应的订单明细:

订单表

订单明细表

订单 ID 客户 ID 订单日期 19999APK2018/11/2220000APK2018/11/2320001APJ2018/11/2320002APL2018/11/2320003APP2018/11/24


订单 ID 产品 ID 单价数量 199991757.1151999916204.516200001364.282000014640.22200021615.242000319245.25


把主子表追加到组表文件中的脚本 “追加组文件.dfx”如下:


A

B

2

=begin=datetime(elapse(date(now()),-1))

=end=elapse(begin,1)

3

=connect("orcl")


4

=A3.query@x("select 订单.订单ID 主订单ID,订单明细.订单ID 子订单ID,产品ID,单价,数量,客户ID,订购日期 from 订单 left  join 订单明细 on 订单.订单ID=订单明细.订单ID where 订购日期>? and 订购日期<=? order by 订单ID,产品ID",begin,end)


5

=A4.groups(主订单ID:订单ID,客户ID,订购日期)

=A4.select(子订单ID).new(子订单ID:订单ID,产品ID,单价,数量)

6

=file("多层订单.ctx").create()


7

=A6.append(A5.cursor())

=A6.attach(订单明细)

8


=B7.append(B5.cursor())

A2B2:计算昨天的起止时间,以便查询新增数据。函数now获取当前时间点,理论上应该是2018-11-24 02:00:00A2是昨天的起始时间点,即2018-11-22 00:00:00B2是终止时间点,即2018-11-23 00:00:00。之所以在集算器中计算起止时间,主要是为了增加可读性和移植性。实际上也可以在SQL中计算。

A4:取出新增的主表和子表记录。这里用一句SQL取两张表的数据,主要是为了提高效率。由于有些订单并没有对应的订单明细,因此用订单左关联订单明细,且将对应不上的订单明细置空。计算结果如下:

 主订单 ID

子订单 ID

产品 ID

单价

数量

客户 ID

订购日期

20000

20000

13

64.2

8

APK

2018/11/23

20000

20000

14

640.2

2

APK

2018/11/23

20001





APJ

2018/11/23

20002

20002

16

15.2

4

APL

2018/11/23

A5B5:拆出新增的主子表记录,结果示例如下:

订单 ID 客户 ID 订单日期 20000APK2018/11/2320001APJ2018/11/2320002APL2018/11/23


订单 ID 产品 ID 单价数量 200001364.282000014640.22200021615.24


A6-B8:将主表和子表追加到组表文件中。

脚本写完之后,还需要在每天的02:00:00定时执行,这可以使用操作系统内置的任务调度。

Windows下,建立如下的bat批处理文件,:

"D:\raqsoft64\esProc\bin\esprocx.exe" 追加组文件.dfx

再使用windows内置的"计划任务",定时执行批处理文件即可。

linux下,建立如下的sh批处理文件,:

/raqsoft/esProc/bin/esprocx.sh synclastday.dfx

再使用crontab命令,定时执行批处理文件即可。

当然也可使用图形化工具定时执行脚本,比如Quartz

需要注意的是,大多数情况下,能够选择无人使用组表文件的时候进行追加,但有些业务中组表文件全天都要使用,而有些项目对容错要求更高,要求追加失败时再次追加,这类项目就需要更加细致的追加方法,详情可参考《基于文件系统实现可追加的数据集市》。

 

除了追加这种主要的更新方式,业务中也会遇到增删改都存在的情况。

在这种情况下,就需要知道哪些是删除的记录,哪些是修改或新增的记录。如果条件允许,可以在原表中新加标记字段,并将维护状态记录在该字段中。如果不方便修改原表,则应当创建对应的“维护日志表”。例如下面两张表,分别是订单和订单明细的维护日志。

订单维护表

订单明细维护表

订单 ID 客户 ID 订购日期标记 11108OKBJ12012/11/23 删除 11107VINET2018/11/26 修改 30000TOMSP2018/11/26 新增


订单 ID 产品 ID 单价数量标记 1110817100.110 删除 1110819100.110 删除 1110717200.120 修改 1110718300.130 新增 3000020400.140 新增 3000021500.150 新增


根据维护日志更新组表文件,可使用下面的脚本:

 


A

B

1

=connect("orcl")


2

=订单删除=A1.query("select * from 订单维护where 标记= '删除' ")

=明细删除= A1.query("select * from 订单明细维护where标记= '删除' ")

3

=订单修改新增= A1.query("select * from 订单维护where 标记= '修改' or标记= '新增' ")

=明细新增修改= A1.query("select * from 订单明细维护where标记= '修改' or标记= '新增' ")

4

=file("多层订单.ctx").create()

=A4.attach(订单明细)

5

=A4.delete(订单删除)

=B4.delete(订单删除)

6

=A4.update(订单修改新增)

=B4.update(订单修改新增)

7

=A1.execute("delete * from 订单维护")

=A1.execute("delete * from 订单明细维护")

8

=A1.close() 


A2B2:从数据库查出应删除的记录

A3B3:从数据查出应修改和新增的记录

A5B5:对组表进行删除操作。

A6B6:从组表进行修改新增操作。

A7B7:清空维护日志表,以便下次继续更新数据。

 

六、        T+0实时计算

通过定时追加,能保证组表文件与昨天的数据同步,从而实现T+1计算,但有时需要进行实时大主表关联,即T+0计算。

对于T+0计算,需要将两种不同的数据源进行混合计算,由于SQLSP的数据模型较为封闭,因此难以实现混合计算,而使用集算器就非常简单。

比如对组表文件定时追加后,数据库当天又产生了如下新数据:

订单

订单明细

订单 ID 客户 ID 订购日期………20002APL2018/11/2340000VINET2018/11/2640001TOMSP2018/11/2640002HANAR2018/11/26


订单 ID 产品 ID 单价数量…………200021615.2440000115005400001260064000213700.274000214800.28


可使用如下脚本实现T+0实时计算:


A

B

1

=begin=datetime(date(now()))


2

=connect("orcl")


3

=A2.query@x("select sum(数量) as 总数 from 订单,订单明细  where 订单.订单ID=订单明细.订单ID and 订购日期>=?",begin)


4

=file("多层订单.ctx").create()

=A4.attach(订单明细)

5

=A4.cursor@m(订单ID)

=B4.cursor@m(订单ID,数量)

6

=joinx(A5:主表,订单ID; B5:子表,订单ID)


7

=A6.groups(;sum(子表.数量):总数)


8

=(A3|A7).groups(;sum(总数):总数)


A1:算出当天的起始时间点,即2018-11-26 00:00:00

A3:针对数据库当天产生的新数据,进行关联计算。由于当天数据量较小,因此性能可以接受。

A4-A7:针对组表文件历史数据,进行高性能关联计算。

A8:合并当天和历史,并进行二次计算,以获得最终计算结果。其中符号|表示纵向合并,这是实现混合计算的关键。事实上,这种写法也表明集算器支持任意数据源之间的混合计算,比如ExcelelasticSearch之间。

关于T+0计算更多的细节,可参考相关文章《实时报表 T+0 的实现方案》