大主子表关联的性能优化方法
主子表是数据库最常见的关联关系之一，最典型的包括合同和合同条款、订单和订单明细、保险保单和保单明细、银行账户和账户流水、电商用户和订单、电信账户和计费清单或流量详单。当主子表的数据量较大时，关联计算的性能将急剧降低，在增加服务器负载的同时严重影响用户体验。作为面向过程的结构化数据计算语言，集算器 SPL 可通过有序归并的方法，显著提升大主子表关联计算的性能。
成都创新互联主营临潭网站建设的网络公司,主营网站建设方案,App定制开发,临潭h5微信小程序定制开发搭建,临潭网站营销推广欢迎临潭等地区企业咨询
一、 原理解释
所谓主子表关联计算，就是针对主表的每条记录，按关联字段找到子表中对应的一批记录。以订单（主表）和订单明细（子表）为例，两者以订单ID为关联字段。下图显示了关联计算过程中对主表中一条记录的处理情况，红色箭头代表没找到对应记录（不可关联），绿色箭头代表找到了对应记录（可关联）：
假设订单（主表）有m条记录，订单明细（子表）有n条记录，在不考虑优化算法时，主表中每一条记录的关联都需要遍历子表，相应的时间复杂度为O(n)。而主表一共有m条记录，所以整个计算的复杂度就是O(m*n)，显然过高。虽然数据库一般会采用hash方案来优化，但在数据量较大或较多表关联时，仍然会面临时难以并行、使用外存缓存数据的问题，性能依旧会急剧下降。
而对于集算器来说，针对大主子表关联算法，可以通过两步来实现显著优化：数据有序化、归并关联。
l 数据有序化
对主表和子表，首先分别按照关联字段排序，形成有序数据。
l 归并关联
首先在主表和子表上分别用指针指向第一条记录，然后开始比对，对于主表的第一条记录，如果子表遇到匹配的记录，则表示可以关联，记录后子表指针前移；如果遇到不匹配的记录，表示主表第一条记录的关联计算完成，此时子表指针不动，主表指针下移一位，指向第二条记录。以此类推……
优化后，单条记录的关联计算可用下图示意：
可以看到，经过优化，主表中单条记录的关联只需比对部分数据，不再需要遍历子表。事实上，对主表所有记录的关联，才会遍历一次子表，也就是复杂度为O(n)。再加上主表本身会遍历一次，因此整个计算的复杂度就是O(m+n)。
这样，经过集算器优化后，算法的时间复杂度变为线性，而且不再需要生成落地的中间数据，性能自然得到大幅提升。
当然，需要注意的是，有序化本身也会耗费时间，因此这种优化方法不适合只做一次的关联算法。但在实际业务中，关联算法通常会反复执行，这时有序化的开销就是一次性的，完全可以忽略不计。
二、 具体实现
下面还是以订单和订单明细为例，说明集算器优化大主子表关联的方法。
首先进行数据有序化（注意，这是一次性动作）。集算器脚本“数据有序化.dfx”如下：
A | B | |
1 | =connect("orcl") | |
2 | =A1.cursor("select 订单ID,客户ID,订购日期 from 订单 order by 订单ID") | =A1.cursor("select 订单ID, 产品ID,单价,数量 from 订单明细 order by 订单ID,产品ID") |
3 | =file("订单.ctx").create(#订单ID,客户ID,订购日期) | =file("订单明细.ctx").create(#订单ID,#产品ID,单价,数量 ) |
4 | =A3.append(A2) | =B3.append(B2) |
5 | =A1.close() |
A1连接Oracle数据源，A5关闭数据源。集算器可连接大部分常用数据源，包括数据库、Excel、阿里云、SAP等等。
A2、B2：用SQL语句分别取订单和订单明细，并按关联字段排序。由于数据量较大，无法一次性读入内存，因此这里用到了游标函数cursor。
A3、B3：分别创建组表文件“订单.ctx”和“订单明细.ctx”，用于存储有序化之后的数据。这里需要指定字段名，其中带#号的字段是主键，。数据将按主键排序，且主键的值不可重复。
A4-B4：将游标追加写入组表文件。
其次，对于通常会反复执行的关联算法，可以用集算器脚本“归并关联.dfx”实现如下：
A | B | |
1 | =file("订单.ctx").create().cursor(订单ID) | =file("订单明细.ctx").create().cursor(订单ID,数量) |
2 | =joinx(A1:主表,订单ID; B1:子表,订单ID) | |
3 | =A2.groups(;sum(子表.数量)) |
A1、B1：读入组表文件“订单.ctx”和“订单明细.ctx”。注意组表默认为列式存储，因此只需读入后续计算需要的字段，从而大幅降低I/O。
A2：对有序游标A1、B1进行归并关联，其中“主表”、“子表”是别名，方便后续引用，如果省略别名，后续可以通过默认别名_1、_2引用。注意，函数joinx默认进行内关联，可用选项@1指定左关联，或者@f指定全关联。如果有多个游标都要与A1关联，可用分号依次隔开。
A3：对关联结果进行后续计算，例如汇总产品数量。事实上后续计算可以支持任意算法，也不是本文的讨论范围了。
上面介绍了集算器SPL脚本的写法，而在实际执行时，还需要部署集算器的运行环境。有两种部署方式可供选择：内嵌部署和独立部署。
l 内嵌部署
内嵌部署时，集算器的用法类似内嵌数据库，应用系统使用集算器驱动（JDBC）执行同一个JVM下的集算器脚本。
下面是Java调用“归并关联.dfx”的代码
1. com.esproc.jdbc.InternalConnection con=null; 2. try{ 3. Class.forName("com.esproc.jdbc.InternalDriver"); 4. con =(com.esproc.jdbc.InternalConnection)DriverManager.getConnection("jdbc:esproc:local://"); 5. ResultSet rs = con.executeQuery("call 归并关联()"); 6. } catch(SQLException e){ 7. out.println(e); 8. }finally{ 9. if (con!=null) con.close(); 10. } |
在上述JAVA代码中，集算器脚本以文件的形式保存，调用语法类似存储过程。而如果脚本很简单，也可以不保存脚本文件，直接书写表达式，调用语法类似SQL，这时第5行可以写成：
ResultSet rs = con.executeQuery("=joinx(file(\"订单.ctx\").create().cursor(订单ID),订单ID; file(\"订单明细.ctx\").create().cursor(订单ID,数量),订单ID).groups(;sum(_2.数量))"); |
这篇文章详细介绍了JAVA调用集算器的过程：http://doc.raqsoft.com.cn/esproc/tutorial/bjavady.html
除了使用Java代码，也可以通过报表访问集算器，这时按照访问一般数据库的方法即可，具体可参考《让Birt报表脚本数据源变得既简单又强大》。
对于脚本“数据有序化.dfx”，可以用同样的方法执行。不过这个脚本通常只执行一次，所以也可以直接在命令行中执行，windows用法如下：
D:\raqsoft64\esProc\bin>esprocx 数据有序化.dfx |
Linux下用法类似，可以参考http://doc.raqsoft.com.cn/esproc/tutorial/minglinghang.html
l 独立部署
独立部署时，集算器的用法类似远程数据库，应用系统可以使用集算器驱动（JDBC或ODBC驱动）访问集算服务器。这种情况下，应用系统和集算器服务器通常部署在不同的机器上。
例如集算服务器的IP地址为192.168.0.2，端口号为8281，那么JAVA应用系统可以通过如下代码访问：
st = con.createStatement(); st.executeQuery("=callx(\"归并关联.dfx\";[\"192.168.0.2:8281\"])"); |
关于集算服务器的部署和使用，详细内容可参考http://doc.raqsoft.com.cn/esproc/tutorial/fuwuqi.html
关于JDBC和ODBC驱动的部署方法，可分别参考
http://doc.raqsoft.com.cn/esproc/tutorial/jdbcbushu.html
http://doc.raqsoft.com.cn/esproc/tutorial/odbcbushu.html
三、 多线程优化
前面介绍了基本的优化思路和实现方法，也就是针对数据本身的优化。而现实中服务器都是多核心CPU，因此可以进一步对上述算法进行多线程优化。
多线程优化的原理，是将主表和子表各分为N段，使用N个线程同时进行关联计算。
原理虽简单，但真正实现的时候，就会发现很多难题：
l 分段效率
想把数据分为N段，就要先找到每一段的起始行号，如果用遍历的笨办法数行号，显然会白白消耗大量的I/O资源。
l 数据跨段
理论上，关联字段值相同的子表记录，应该分到同一段。如果对子表随意分段，很可能形成跨段的数据。
l 分段对齐
更进一步，理论上，子表的第i段数据，应该与主表的第i段数据对齐，也就是主子表关联字段值的范围应该一致。如果两者各自独立分段，则可能导致分段数据难以对齐。
l 二次计算
如果后续计算不涉及聚合，例如只是过滤，那么只需将N个线程的计算结果直接合并。但如果后续计算涉及聚合，比如sum或分组汇总，那就要单独再进行二次计算聚合。
好在集算器已经充分解决了上述难题，分段时不会耗费IO资源、关联字段值相同的记录会分在同一段、子表和主表会保持对齐、各种二次计算无需单独实现。
具体来说，首先，数据有序化脚本需要做如下修改（红色字体为修改部分）：
A | B | |
1 | =connect("orcl") | |
2 | =A1.cursor("select 订单ID,客户ID,订购日期 from 订单 order by 订单ID") | =A1.cursor("select 订单ID, 产品ID,单价,数量 from 订单明细 order by 订单ID,产品ID") |
3 | =file("订单多线程.ctx").create(#订单ID,客户ID,订购日期) | =file("订单明细多线程.ctx").create(#订单ID,#产品ID,单价,数量 ;#订单ID ) |
4 | =A3.append(A2) | =B3.append(B2) |
5 | =A1.close() |
B3：生成“订单明细多线程.ctx”时，数据按“#订单ID”分段。这将保证订单ID相同的记录，将来会分到同一段。
归并关联的脚本需修改如下：
A | B | |
1 | =file("订单多线程.ctx").create().cursor@m(订单ID) | =file("订单明细多线程.ctx").create().cursor@m(订单ID,数量;;A1) |
2 | =joinx(A1:主表,订单ID; B1:子表,订单ID) | |
3 | =A2.groups(;sum(子表.数量)) |
A1：@m表示对数据分段，形成多线程游标（也叫多路并行游标）。其中线程数量是默认值，由系统参数“最大并行数”决定，也可手工修改。例如希望生成4线程游标，A1应写成：
=file("订单多线程.ctx").create().cursor@m(订单ID ;;4) |
B1：同样生成多线程游标，并与A1的多线程游标对齐。
A2-A3：归并关联，再执行后续算法。这两步写法上没变化，但底层会自动进行多线程合并和二次计算，从而降低了程序员的编程难度。
四、 结构优化
在前面算法的基础上，还可以进一步提升计算性能，那就是以层次结构存储数据，直接记录关联关系。
具体来说，先用“结构优化有序化.dfx”生成组表文件：
A | B | |
1 | =connect("orcl") | |
2 | =A1.cursor("select 订单ID,客户ID,订购日期 from 订单 order by 订单ID") | =A1.cursor("select 订单ID, 产品ID,单价,数量 from 订单明细 order by 订单ID,产品ID") |
3 | =file("多层订单.ctx").create(#订单ID,客户ID,订购日期) | |
4 | =A3.append(A2) | =A3.attach(订单明细,#产品ID,单价,数量) |
5 | =B4.append(B2) | |
6 | =A1.close() |
B4：在主表的基础上附加子表，命名为订单明细。与主表不同的是，子表默认继承了主表的主键，因此可以省略订单ID，只需要写另一个主键产品ID。这样，2个表写在了一个组表文件中，从而才能形成层次结构。
B5：向子表写入数据。
此时，组表“多层订单.ctx”将按层次结构存储，逻辑示意图如下：
#订单 ID | #产品 ID | 单价 | 数量 | 客户 ID | 订单日期 |
10248 | VINET | 2012-07-04 | |||
17 | 14 | 12 | |||
42 | 9 | 10 | |||
72 | 34 | 5 | |||
10249 | TOMSP | 2012-07-05 | |||
14 | 18 | 9 | |||
51 | 42 | 40 | |||
10250 | HANAR | 2012-07-08 | |||
41 | 7 | 10 | |||
51 | 42 | 35 | |||
65 | 16 | 15 | |||
… | … | … | |||
… | … | … |
可以看到，每条主表记录与对应的子表记录，在逻辑上已经紧密相关，无需额外关联，这样便可大幅提高关联算法的性能。
进行关联计算时，使用以下脚本“结构优化归并关联.dfx”：
A | B | |
1 | =file("多层订单.ctx").create() | =A1.attach(订单明细) |
2 | =A1.cursor@m(订单ID) | =B1.cursor@m(订单ID,产品ID) |
3 | =joinx(A2:主表,订单ID; B2:子表,订单ID) | |
4 | =A3.groups(;sum(子表.数量)) |
A1、B1：打开主表，以及附加在主表上的子表。
A2、B2：以多线程方式分别读取主表和子表。需要注意的是，多层组表里的实表之间天然具备相关性，因此无需特意指定子表和主表的分段关系，代码比之前更清晰简单。
A3，A4：归并关联并执行后续算法，这两步没变化。
五、 数据更新
前面的优化方式都基于库表全量导出为组表文件的情况，但实际业务中数据库表总会发生变化，因此需要考虑数据更新的问题，也就是要将变化的数据定时更新到组表文件中。
显然，更新数据应选择在无人查询组表文件时进行，一般都是半夜或凌晨。而更新的频率，则需要按照数据实时性要求来设定，例如每天一次或每周一次。至于更新的方式，需要按照数据的变化规律来考虑，最常见的是数据追加，有时也会遇到增删改。
下面先看数据追加：
订单和订单明细每天都会产生新记录，假设需要在每天凌晨2点将昨天新增的记录追加到组表文件中。下图显示了2018/11/23新增记录的情况，注意，有些订单（订单ID：20001）并没有对应的订单明细：
订单表 | 订单明细表 |
| 订单 ID 客户 ID 订单日期 19999APK2018/11/2220000APK2018/11/2320001APJ2018/11/2320002APL2018/11/2320003APP2018/11/24 | 订单 ID 产品 ID 单价数量 199991757.1151999916204.516200001364.282000014640.22200021615.242000319245.25 |
把主子表追加到组表文件中的脚本 “追加组文件.dfx”如下：
A | B | |
2 | =begin=datetime(elapse(date(now()),-1)) | =end=elapse(begin,1) |
3 | =connect("orcl") | |
4 | =A3.query@x("select 订单.订单ID 主订单ID,订单明细.订单ID 子订单ID,产品ID,单价,数量,客户ID,订购日期 from 订单 left join 订单明细 on 订单.订单ID=订单明细.订单ID where 订购日期>? and 订购日期<=? order by 订单ID,产品ID",begin,end) | |
5 | =A4.groups(主订单ID:订单ID,客户ID,订购日期) | =A4.select(子订单ID).new(子订单ID:订单ID,产品ID,单价,数量) |
6 | =file("多层订单.ctx").create() | |
7 | =A6.append(A5.cursor()) | =A6.attach(订单明细) |
8 | =B7.append(B5.cursor()) |
A2、B2：计算昨天的起止时间，以便查询新增数据。函数now获取当前时间点，理论上应该是2018-11-24 02:00:00。A2是昨天的起始时间点，即2018-11-22 00:00:00。B2是终止时间点，即2018-11-23 00:00:00。之所以在集算器中计算起止时间，主要是为了增加可读性和移植性。实际上也可以在SQL中计算。
A4：取出新增的主表和子表记录。这里用一句SQL取两张表的数据，主要是为了提高效率。由于有些订单并没有对应的订单明细，因此用订单左关联订单明细，且将对应不上的订单明细置空。计算结果如下：
主订单 ID | 子订单 ID | 产品 ID | 单价 | 数量 | 客户 ID | 订购日期 |
20000 | 20000 | 13 | 64.2 | 8 | APK | 2018/11/23 |
20000 | 20000 | 14 | 640.2 | 2 | APK | 2018/11/23 |
20001 | APJ | 2018/11/23 | ||||
20002 | 20002 | 16 | 15.2 | 4 | APL | 2018/11/23 |
A5、B5：拆出新增的主子表记录，结果示例如下：
| 订单 ID 客户 ID 订单日期 20000APK2018/11/2320001APJ2018/11/2320002APL2018/11/23 | 订单 ID 产品 ID 单价数量 200001364.282000014640.22200021615.24 |
A6-B8：将主表和子表追加到组表文件中。
脚本写完之后，还需要在每天的02:00:00定时执行，这可以使用操作系统内置的任务调度。
在Windows下，建立如下的bat批处理文件，：
"D:\raqsoft64\esProc\bin\esprocx.exe" 追加组文件.dfx |
再使用windows内置的"计划任务"，定时执行批处理文件即可。
在linux下，建立如下的sh批处理文件，：
/raqsoft/esProc/bin/esprocx.sh synclastday.dfx |
再使用crontab命令，定时执行批处理文件即可。
当然也可使用图形化工具定时执行脚本，比如Quartz。
需要注意的是，大多数情况下，能够选择无人使用组表文件的时候进行追加，但有些业务中组表文件全天都要使用，而有些项目对容错要求更高，要求追加失败时再次追加，这类项目就需要更加细致的追加方法，详情可参考《基于文件系统实现可追加的数据集市》。
除了追加这种主要的更新方式，业务中也会遇到增删改都存在的情况。
在这种情况下，就需要知道哪些是删除的记录，哪些是修改或新增的记录。如果条件允许，可以在原表中新加“标记”字段，并将维护状态记录在该字段中。如果不方便修改原表，则应当创建对应的“维护日志表”。例如下面两张表，分别是订单和订单明细的维护日志。
订单维护表 | 订单明细维护表 |
| 订单 ID 客户 ID 订购日期标记 11108OKBJ12012/11/23 删除 11107VINET2018/11/26 修改 30000TOMSP2018/11/26 新增 | 订单 ID 产品 ID 单价数量标记 1110817100.110 删除 1110819100.110 删除 1110717200.120 修改 1110718300.130 新增 3000020400.140 新增 3000021500.150 新增 |
根据维护日志更新组表文件，可使用下面的脚本：
A | B | |
1 | =connect("orcl") | |
2 | =订单删除=A1.query("select * from 订单维护where 标记= '删除' ") | =明细删除= A1.query("select * from 订单明细维护where标记= '删除' ") |
3 | =订单修改新增= A1.query("select * from 订单维护where 标记= '修改' or标记= '新增' ") | =明细新增修改= A1.query("select * from 订单明细维护where标记= '修改' or标记= '新增' ") |
4 | =file("多层订单.ctx").create() | =A4.attach(订单明细) |
5 | =A4.delete(订单删除) | =B4.delete(订单删除) |
6 | =A4.update(订单修改新增) | =B4.update(订单修改新增) |
7 | =A1.execute("delete * from 订单维护") | =A1.execute("delete * from 订单明细维护") |
8 | =A1.close() |
A2、B2:从数据库查出应删除的记录
A3、B3:从数据查出应修改和新增的记录
A5、B5:对组表进行删除操作。
A6、B6:从组表进行修改新增操作。
A7、B7:清空维护日志表，以便下次继续更新数据。
六、 T+0实时计算
通过定时追加，能保证组表文件与昨天的数据同步，从而实现T+1计算，但有时需要进行实时大主表关联，即T+0计算。
对于T+0计算，需要将两种不同的数据源进行混合计算，由于SQL或SP的数据模型较为封闭，因此难以实现混合计算，而使用集算器就非常简单。
比如对组表文件定时追加后，数据库当天又产生了如下新数据：
订单 | 订单明细 |
| 订单 ID 客户 ID 订购日期………20002APL2018/11/2340000VINET2018/11/2640001TOMSP2018/11/2640002HANAR2018/11/26 | 订单 ID 产品 ID 单价数量…………200021615.2440000115005400001260064000213700.274000214800.28 |
可使用如下脚本实现T+0实时计算：
A | B | |
1 | =begin=datetime(date(now())) | |
2 | =connect("orcl") | |
3 | =A2.query@x("select sum(数量) as 总数 from 订单,订单明细 where 订单.订单ID=订单明细.订单ID and 订购日期>=?",begin) | |
4 | =file("多层订单.ctx").create() | =A4.attach(订单明细) |
5 | =A4.cursor@m(订单ID) | =B4.cursor@m(订单ID,数量) |
6 | =joinx(A5:主表,订单ID; B5:子表,订单ID) | |
7 | =A6.groups(;sum(子表.数量):总数) | |
8 | =(A3|A7).groups(;sum(总数):总数) |
A1:算出当天的起始时间点，即2018-11-26 00:00:00。
A3:针对数据库当天产生的新数据，进行关联计算。由于当天数据量较小，因此性能可以接受。
A4-A7:针对组表文件历史数据，进行高性能关联计算。
A8:合并当天和历史，并进行二次计算，以获得最终计算结果。其中符号|表示纵向合并，这是实现混合计算的关键。事实上，这种写法也表明集算器支持任意数据源之间的混合计算，比如Excel与elasticSearch之间。
关于T+0计算更多的细节，可参考相关文章《实时报表 T+0 的实现方案》
当前文章：大主子表关联的性能优化方法
文章源于：http://scyanting.com/article/ghspgg.html
