分类： 敏捷开发
2020-04-14 17:41:50
我们知道，大数据运算性能的瓶颈常常是在外存（也就是硬盘）IO上，因为外存访问性能要比内存低一两个数量级。因此，做性能优化时，减少硬盘的访问量有时要比减少CPU计算量更为重要。同一个任务，如果能使用硬盘访问量更少的算法，即使CPU计算量不变甚至略多一点，也会获得更好的性能。
分组汇总需要对数据集进行遍历。同一个数据集可能会按不同维度进行分组，这样原则上就要遍历多次，大数据时就会涉及多遍硬盘访问。但是，如果我们能在一次遍历过程中计算出多个维度的分组结果，那就会减少很多硬盘访问量。
可惜，SQL无法写出这样的运算（在遍历中返回多个分组结果），只能遍历多次，或者寄希望于数据库引擎是否能优化。而SPL则支持这种遍历复用的语法，可以一次遍历计算出多个分组结果，从而提高性能。
下面我们做一下测试，以Oracle为例看数据库是否会对多次遍历的计算进行优化，以及在SPL中采用遍历复用算法对性能的影响。
SPL脚本生成数据文件，数据共两列，第一列id是小于20亿的随机整数，第二列amount是不大于1千万的随机实数。数据记录为80亿行，生成的原始文本文件大小为169G。利用数据库提供的数据导入工具将此文件数据导入到Oracle的数据表topn中，同时也用此文件数据生成SPL组表文件topn.ctx。
在一台Intel服务器上完成测试，2个Intel3014 CPU，主频1.7G，共12核，内存64G。数据库表数据及SPL组表文件均存储在同一块SSD硬盘上。
这里刻意把数据量造得比内存大，以保证操作系统不可能把这些数据都缓存进内存，实际运算时一定会读取硬盘。
测试分成三种情况：单分组单倍计算量、单分组双倍计算量、双分组双倍计算量。
select /*+ parallel(12) */ mod(id,100) Aid,max(amount) Amax from topn group by mod(id,100)
select /*+ parallel(12) */ mod(id,100)+floor(id/20000000) Aid, max(amount) Amax, min(amount) Amin from topn group by mod(id,100)+floor(id/20000000);
计算式多了一倍，相当于计算量大了一倍。
select /*+ parallel(12) */ * from (select mod(id,100) Aid,max(amount) Amax from topn group by mod(id,100) ) A
join
( select floor(id/20000000) Bid,min(amount) Bmin from topn group by floor(id/20000000) ) B
on A.Aid=B.Bid;
这里的计算量大体与2相同，但有两个分组，我们将观察数据库是否会进行两次遍历。最后的JOIN运算只涉及100行数据，时间可以忽略不计。
我们把Oracle做的测试用SPL再做一遍。
编写SPL脚本执行测试：
|
|
A |
| 1 | =now() |
| 2 | =12 |
| 3 | =file("/home/topn/topn.ctx").create().cursor@m(id,amount;;A2) |
| 4 | =A3.groups@u(id%100:Aid;max(amount):Amax) |
| 5 | =interval@s(A1,now()) |
编写SPL脚本执行测试：
|
|
A |
| 1 | =now() |
| 2 | =12 |
| 3 | =file("/home/topn/topn.ctx").create().cursor@m(id,amount;;A2) |
| 4 | =A3.groups@u(id%100+id\20000000:Aid;max(amount):Amax,min(amount):Amin) |
| 5 | =interval@s(A1,now()) |
编写SPL脚本执行测试：
|
|
A | B |
| 1 | =now() |
|
| 2 | =12 |
|
| 3 | =file("/home/topn/topn.ctx").create().cursor@m(id,amount;;A2) | |
| 4 | cursor A3 | =A4.groups@u(id%100:Aid;max(amount):Amax) |
| 5 | cursor | =A5.groups@u(id\20000000:Bid;max(amount):Bmax) |
| 6 | =A4.join@i(Aid,A5:Bid,Bid,Bmax) | |
| 7 | =interval@s(A1,now()) |
|
这里采用了SPL特有的遍历复用语法，在A3定义了游标，A4/B4和A5/B5中定义了两套针对这个游标的计算，表示会在一次游标遍历过程同时计算这两个结果。
三种情况的测试用时如下表：
测试结果（时间单位：秒）
|
|
单分组单倍计算量 | 单分组双倍计算量 | 双分组双倍计算量 |
| Oracle | 458 | 692 | 878 |
| SPL | 336 | 350 | 376 |
从Oracle的测试结果上看，双分组双倍计算量比单分组双倍计算量慢了近200秒，这不是一个可以忽略的时间了，因为两者的计算量几乎相同，这多出来的时间估计就是多做一次遍历的时间了。这说明数据库不会自动做遍历复用的优化，在双分组时会将数据表遍历两次，结果多做一次分组几乎会多出一倍的时间。
而SPL采用了遍历复用的机制，三个测试的计算时间相差很小，多做一次分组并不会多一次遍历，只是多了一些复用控制的逻辑，不会变慢多少。
说明一下，准备数据时把Oracle的amount字段类型设置成decimal了，所以计算速度比较慢；而SPL组表中用的是double类型，所以要快得多。但这个测试不是对比Oracle和SPL的计算性能，这些不同并不影响上面的结论。
