这篇文章主要介绍了Mysql join操作的相关资料,需要的朋友可以参考下 join的类型1． 内联结：将两个表中存在联结关系的字段符合联结关系的那些记录形成记录集的联结。2． 外联结：分为...
注：这些技术是通用的，只不过我们选择使用Postgres的语法。使用独特的pgAdminIII生成解释图形。
很有用，但太慢
Count distinct是SQL分析时的祸根，因此它是我第一篇博客的不二选择。
首先：如果你有一个大的且能够容忍不精确的数据集，那像HyperLogLog这样的概率计数器应该是你最好的选择。(我们会在以后的博客中谈到HyperLogLog。)但对于需要快速、精准答案的查询，一些简单的子查询可以节省你很多时间。
让我们以我们一直使用的一个简单查询开始：哪个图表的用户访问量最大？
select
dashboards.name,
count(distinct time_on_site_logs.user_id)
from time_on_site_logs
join dashboards on time_on_site_logs.dashboard_id = dashboards.id
group by name
order by count desc
首先，我们假设user_id和dashboard_id上已经设置了索引，且有比图表和用户数多得多的日志条目。
一千万行数据时，查询需要48秒。要知道原因让我们看一下SQL解析：
它慢是因为数据库遍历了所有日志以及所有的图表，然后join它们，再将它们排序，这些都在真正的group和分组和聚合工作之前。
先聚合，然后Join
group-聚合后的任何工作代价都要低，因为数据量会更小。group-聚合时我们不需使用dashboards.name，我们也可以先在数据库上做聚集，在join之前：
select
dashboards.name,
log_counts.ct
from dashboards
join (
select
dashboard_id,
count(distinct user_id) as ct
from time_on_site_logs
group by dashboard_id
) as log_counts
on log_counts.dashboard_id = dashboards.id
order by log_counts.ct desc
现在查询运行了20秒，提升了2.4倍。再次通过解析来看一下原因：
正如设计的，group-聚合在join之前。而且，额外的我们可以利用time_on_site_logs表里的索引。
首先，缩小数据集
我们可以做的更好。通过在整个日志表上group-聚合，我们处理了数据库中很多不必要的数据。Count distinct为每个group生成一个哈希——在本次环境中为每个dashboard_id——来跟踪哪些bucket中的哪些值已经检查过。
我们可以预先计算差异，而不是处理全部数据，这样只需要一个哈希集合。然后我们在此基础上做一个简单的聚集即可。
select
dashboards.name,
log_counts.ct
from dashboards
join (
select distinct_logs.dashboard_id,
count(1) as ct
from (
select distinct dashboard_id, user_id
from time_on_site_logs
) as distinct_logs
group by distinct_logs.dashboard_id
) as log_counts
on log_counts.dashboard_id = dashboards.id
order by log_counts.ct desc
我们采取内部的count-distinct-group，然后将数据拆成两部分分成两块。第一块计算distinct (dashboard_id, user_id) 。第二块在它们基础上运行一个简单group-count。跟上面一样，最后再join。
呵呵，大发现：这样只需要0.7秒！这比上面的查询快28倍，比原来的快了68倍。
通常，数据大小和类型很重要。上面的例子受益于基数中没多少换算。distinct (user_id, dashboard_id)相对于数据总量来说数量也很少。不同的对数越多，用来group和计数的唯一数据就越多——代价便会越来越大。
下一遇到长时间运行的count distinct时，尝试一些子查询来减负吧。
扫一扫
341
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
