性能优化技巧：大事实表与大维表关联

一、 问题背景与适用场景

在《性能优化技巧：小事实表与大维表关联》中，我们尝试了小事实表与大维表关联时的性能优化方法，该方法利用了小事实表可以装入内存的特点，将关联键汇集排序后到大维表中查找，避免了遍历大维表的动作。如果事实表与维表都大到不能装载到内存时，这个办法就不再有效了，那么，还有什么办法提高性能呢？

SQL的方案是对两个表做HASH分堆，拆小到内存可以放下的地步，分别写入外存，然后再分别读入进行内存关联。如果运气不好，拆出来的某个堆还是太大，就需要做二次HASH。同时，两个表都需要做一遍HASH分堆动作，也就是需要把所有数据都缓存一遍。

如果维表是有序存放的，我们就可以将平均分段，由于有序存储，所以可以计算出每一段值的边界值，然后再用这个边界值将事实表再分堆。这样，维表本身由于有序存储，可以直接按段读取，而不需要再分堆；只有事实表被缓存出去，也就是只有一个表被分堆缓存，所以这种办法可以称为单边方案。而且，由于维表可以被相对平均分段，不可能象HASH方法那样出现运气不好导致某堆太大的情况，一次分堆一定能解决问题，性能将得到保障。

SPL提供了这种关联方法，下面我们实例测试一下，并且与使用HASH JOIN算法的Oracle对比。

二、 测试环境与任务

测试机有两个Intel2670 CPU，主频2.6G，共16核，内存64G，SSD固态硬盘。在此机上安装虚拟机来测试，设置虚拟机为16核、8G内存。

在虚拟机上创建维表account，共三个字段accountid、name、state，总记录共10亿行。创建事实表trade，总记录共16亿行，共四个字段tradedate、outid(转出帐户)、receiveid(接收帐户)、amount(转帐金额)。account表中的accountid是事实表中outid和receiveid的外键，都是一对多的关系。

在《性能优化技巧：小事实表与大维表关联》中我们测试的是outid、receiveid两个字段都要与account表中的accountid关联，称之为双维表。测试结果可见当事实表记录数为1500万行时，Oracle运行时间已经接近5小时，而这次测试的事实表最少记录数为10亿行，用Oracle运行的时间就会超过24小时了，所以测试只有outid关联的情况，称之为单维表。测试任务为查询某段时期内各州转出资金总额。

在SPL测试中，会用双维表与单维表作对比测试。

为缩短测试时间，全部采用4个并行。

三、 测试

1. Oracle测试

编写查询测试SQL如下：

select /*+ parallel(4) */

state,

sum(amount) as amount

from

account,

trade

where

outid = accountid

and tradedate >= date '2008-01-01' + interval '1500' day(4)

group by

state

order by

state;

其中/*+ parallel(4) */ 表示4个并行。

2. SPL测试

编写SPL脚本如下：

joinx时加选项@u就适用于大事实表与大维表关联，它的最后一个参数指明把游标拆分为多路时，每次从游标中读取的记录数，在内存能装下的情况下，此值越大性能越高。

3. 测试结果及分析

事实表不同数据量时的测试结果如下(单位：秒)：

经测算，10亿行数据正常情况会超过8G内存，优秀的Oracle可能采用了数据压缩技术，致使能装下15亿行数据。但是在16亿行数据时，内存就怎么也放不下了，开始发生大量占用swap区的现象，也造成运行速度奇慢，测试中等了11小时也没查询出来，只好终止了。而SPL这种单边技术，不受数据量大小的限制，本来就是面向外存设计，而且一次分堆就能解决，时间基本上呈线性增加。

四、 SPL双维表与单维表对比测试

1. 单维表

编写单维表测试SPL脚本如下：

2. 双维表

编写双维表测试SPL脚本如下：

3. 测试结果及分析

事实表不同数据量时的测试结果如下(单位：秒)：

双维表比单维表多了一倍的关联计算量，运算时间也仅仅略多于一倍，也是呈线性增加的，不会发生完全不可控的局面。