分类: Mysql/postgreSQL
2014-08-14 16:52:48
两个SQL, 用NOT IN和NOT EXISTS两种不同写法,效率差别很大.
下面两种不同的写法,第一种跑了几个小时也没出结果,第二种几分钟就跑完了
select id from r where r.id not in (select id from tbl); select id from r where not exists (select id from tbl where id = r.id);
早就听说过NOT IN效率差,今天才第一次认识到这个问题的本质
(以下以PostgreSQL来说明)
NOT IN
postgres=# explain select id from r where r.id not in (select id from tbl); QUERY PLAN ------------------------------------------------------------------------- Seq Scan on r (cost=0.00..1905433091.42 rows=194644 width=7) Filter: (NOT (SubPlan 1)) SubPlan 1 -> Materialize (cost=0.00..8850.78 rows=375385 width=7) -> Seq Scan on tbl (cost=0.00..5506.85 rows=375385 width=7) (5 rows)
NOT EXISTS
postgres=# explain select id from r where not exists (select id from tbl where id = r.id); QUERY PLAN ----------------------------------------------------------------------- Hash Anti Join (cost=11666.16..40782.08 rows=13902 width=7) Hash Cond: ((r.id)::text = (tbl.id)::text) -> Seq Scan on r (cost=0.00..20668.87 rows=389287 width=7) -> Hash (cost=5506.85..5506.85 rows=375385 width=7) -> Seq Scan on tbl (cost=0.00..5506.85 rows=375385 width=7) (5 rows)
我们看到, NOT EXISTS会被重写成Hash Anti Join, 而NOT IN不会,由于子查询中的结果集比较大, 产生了Materialize
Hash join, 把二个表按照join key放入hash table, 然后遍历第一个表,在hash table中查找到第一个表的join key, 如果找到, 返回一条结果
Anti Join, 对于第一个表里的记录,当在第二张表没有发现与之匹配记录时,才会返回记录
与Anti Join类似但有相反意义的是Semi Join, 即在两表关联时,只返回第二个表第一次匹配的记录;Anti Join可以用于生成in select的计划
以上两个执行计划, 后面的要比前面的更高效. 尤其是当子查询中的结果集比较大时, 需要产生Materialize, NOT IN效率恶化得更明显.
为什么这两个SQL生成计划是不一样的呢? 为什么不为NOT IN生成更优的计划, 就像NOT EXISTS一样? 实际上, 问题在于, 这两个SQL实际上有不同的语义.
create table ta ( no int, str varchar(20)); create table tb (no int, str varchar(20)); insert into ta (no, str) values (1, 'a'), (2, 'b'), (3, 'c'), (4, 'd'); insert into tb(no, str) values (1, 'a'), (2, 'b'), (3, 'c'), (4, NULL);
下面的两个SQL是不等价的
select no, str from ta where str not in (select str from tb); select no, str from ta where not exists (select str from tb where str = ta.str);
not in查询结果:
postgres=# select no, str from ta where str not in (select str from tb); no | str ----+----- (0 rows)
not exists查询结果:
postgres=# select no, str from ta where not exists (select str from tb where str = ta.str); no | str ----+----- 4 | d (1 row)
或许和我们期望的结果不太一样
如果去掉子查询中的NULL, NOT IN和NOT EXISTS的结果就是相同的
postgres=# select no, str from ta where str not in (select str from tb where str is not null); no | str ----+----- 4 | d (1 row)
如果IN list中有一个值为空, 那么整个查询的结果集就是空的
SQL标准规定, NULL的任何运算(除了类似IS NULL这种)都返回NULL
对于下面的SQL, 返回的结果集是空
select no, str from ta where str not in ( 'a', NULL); -- empty resultset
'd' not in ('a', NULL)返回值是NULL(不是True, 也不是False)
select 'd' not in ('a', NULL); -- NULL
由上面可以看出, NOT EXISTS比NOT IN效率更高, 是因为生成了更高效的执行计划
因为SQL标准对NULL的定义, NOT IN无法像NOT EXISTS那样生成更为高效的Hash Anti Join的计划
所以,以后应该尽量避免用NOT IN这种写法, 虽然想不通NOT IN对NULL处理的这种语义在现实中有什么意义^^