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。
Vastbase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Vastbase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Vastbase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。
子查询分类
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：
select t1.c1,t1.c2
from t1
where t1.c1 in (
select c2
from t2
where t2.c2 IN (2,3,4)
);
返回结果如下所示：
QUERY PLAN
----------------------------------------------------------------
Hash Join
Hash Cond: (t1.c1 = t2.c2)
-> Seq Scan on t1
Filter: (c1 = ANY ('{2,3,4}'::integer[]))
-> Hash
-> HashAggregate
Group By Key: t2.c2
-> Seq Scan on t2
Filter: (c2 = ANY ('{2,3,4}'::integer[]))
(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：
select t1.c1,t1.c2
from t1
where t1.c1 in (
select c2
from t2
where t2.c1 = t1.c1 AND t2.c2 in (2,3,4)
);
返回结果如下所示：
QUERY PLAN
------------------------------------------------------------------------
Seq Scan on t1
Filter: (SubPlan 1)
SubPlan 1
-> Seq Scan on t2
Filter: ((c1 = t1.c1) AND (c2 = ANY ('{2,3,4}'::integer[])))
(5 rows)
Vastbase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：
箭头右侧执行计划应替换成下面的执行计划：
QUERY PLAN
--------------------------------
Seq Scan on t1
Filter: (SubPlan 1)
SubPlan 1
-> Seq Scan on t2
Filter: (c1 = t1.c1)
(5 rows)
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。
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.c2) -> Seq Scan on t1 -> Hash -> HashAggregate Group By Key: t2.c2 -> Seq Scan on t2 Filter: (c1 = 1) (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。
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。
select * from t1 where c1 >( select max(t2.c1) from t2 where t2.c1=t1.c1 );下列示例不能提升，因为子查询没有聚集函数。
select * from t1 where c1 >( select t2.c1 from t2 where t2.c1=t1.c1 );下列示例不能提升，因为子查询有两个输出列。
select * from t1 where (c1,c2) >( select max(t2.c1),min(t2.c2) from t2 where t2.c1=t1.c1 );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。
select * from t3 where t3.c1=( select t1.c1 from t1 where c1 >( select max(t2.c1) from t2 where t2.c1=t1.c1 ));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：
select * from t3 where t3.c1=( select t1.c1 from t1 where c1 >( select max(t2.c1) from t2 where t2.c1=t1.c1 and t3.c1>t2.c2 ));
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： ```select a, c from t1 where t1.a = (select avg(a) from t3 where t1.b = t3.b) or 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： ``` select a, c 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)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： ```sql select a, c 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) left join (select t4.c from t4 group by t4.c) where t3.b is not null or t4.c is not null; ``` ## 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：
select distinct t1.a, t2.a 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
with temp as ( select * from (select t1.a as a, t2.a as b from t1 left join t2 on t1.a=t2.a)
) select distinct a,b from temp 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）**
```
explain (costs off)
select (select c2 from t2 where t1.c1 = t2.c1) ssq, t1.c2
from t1
where t1.c2 > 10;
```
执行计划为：
```
explain (costs off)
select (select c2 from t2 where t1.c1 = t2.c1) ssq, t1.c2
from t1
where t1.c2 > 10;
QUERY PLAN
--------------------------------
Seq Scan on t1
Filter: (c2 > 10)
SubPlan 1
-> Seq Scan on t2
Filter: (t1.c1 = c1)
(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。
> <div align="left"><img src="image/img1.png" style="zoom:75%")</div>
>
> 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：
```
with ssq as
(
select t2.c2 from t2
)
select ssq.c2, t1.c2
from t1 left join ssq on t1.c1 = ssq.c2
where t1.c2 > 10;
```
改写后的执行计划为：
```
QUERY PLAN
---------------------------------
Hash Right Join
Hash Cond: (ssq.c2 = t1.c1)
CTE ssq
-> Seq Scan on t2
-> CTE Scan on ssq
-> Hash
-> Seq Scan on t1
Filter: (c2 > 10)
(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）**
```
select (select count(*) from t2 where t2.c1=t1.c1) cnt, t1.c1, t3.c1
from t1,t3
where t1.c1=t3.c1 order by cnt, t1.c1;
```
执行计划为
```
QUERY PLAN
--------------------------------------------
Sort
Sort Key: ((SubPlan 1)), t1.c1
-> Hash Join
Hash Cond: (t1.c1 = t3.c1)
-> Seq Scan on t1
-> Hash
-> Seq Scan on t3
SubPlan 1
-> Aggregate
-> Seq Scan on t2
Filter: (c1 = t1.c1)
(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：
```
with ssq as
(
select count(*) cnt, c1 from t2 group by c1
)
select case when
ssq.cnt is null then 0
else ssq.cnt
end cnt, t1.c1, t3.c1
from t1 left join ssq on ssq.c1 = t1.c1,t3
where t1.c1 = t3.c1
order by ssq.cnt, t1.c1;
```
改写后的执行计划为
```
QUERY PLAN
-------------------------------------------
Sort
Sort Key: ssq.cnt, t1.c1
CTE ssq
-> HashAggregate
Group By Key: t2.c1
-> Seq Scan on t2
-> Hash Join
Hash Cond: (t1.c1 = t3.c1)
-> Hash Left Join
Hash Cond: (t1.c1 = ssq.c1)
-> Seq Scan on t1
-> Hash
-> CTE Scan on ssq
-> Hash
-> Seq Scan on t3
(15 rows)
```
- **相关条件为不等值场景**
```
select t1.c1, t1.c2
from t1
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
```
select t1.c1, t1.c2
from t1, (
select t1.rowid, agg() aggref
from t1,t2
where t1.c2 > t2.c2 group by t1.rowid
) dt /* derived table */
where t1.rowid = dt.rowid AND t1.c1 = dt.aggref;
```
- CTE改写方式
```
WITH dt as
(
select t1.rowid, agg() aggref
from t1,t2
where t1.c2 > t2.c2 group by t1.rowid
)
select t1.c1, t1.c2
from t1, derived_table
where t1.rowid = derived_table.rowid AND
t1.c1 = derived_table.aggref;
```
> <div align="left"><img src="image/img2.png" style="zoom:75%")</div>
>
> - 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。
> - CTE改写方式如果有sharescan支持性能上能够更优。
## 更多优化示例<a name="zh-cn_topic_0237121525_zh-cn_topic_0118337169_s3ec9cccc30fd42868396c57d931f3089"></a>
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。
explain (costs off) select * from t1 where t1.c1 in (select t2.c1 from t2 where t1.c1 = t2.c2);
返回结果为：
QUERY PLAN
Seq Scan on t1 Filter: (SubPlan 1) SubPlan 1 -> Seq Scan on t2 Filter: (t1.c1 = c2) (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：
explain (costs off) select * from t1 where exists (select t2.c1 from t2 where t1.c1 = t2.c2 and t1.c1 = t2.c1);
返回结果为：
QUERY PLAN
Hash Join Hash Cond: (t1.c1 = t2.c2) -> Seq Scan on t1 -> Hash -> HashAggregate Group By Key: t2.c2, t2.c1 -> Seq Scan on t2 Filter: (c2 = c1) (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。
