TopN是常见的运算,用SQL写出来是这样(以Oracle为例):
select * from (select * from T order by x desc) where rownum<=N
这个SQL的运算逻辑从其语句上看,要先做排序(Order by),然后再取出前N条。
我们知道,排序是个非常慢的动作,复杂度很高(n*logn),如果涉及数据量大到内存放不下,那还需要进行内外存数据交换,性能还会急剧下降。
而事实上,要计算TopN,我们能设计出不需要全排序的算法,只要保持一个大小为N的小集合,对数据集遍历一次,将遍历过的数据的前N名保存在这个小集合中,遍历到新一条数据,如果比当前的第N名还大,则插入进去并丢掉现在的第N名,如果比当前的第N名要小,则不做动作。
这样计算的复杂度要低很多(n*logN,n是总数据条数),而且一般N都不大,可以在内存中放下,无论数据量有多大,都不会涉及内外存交换问题。
但是,SQL无法描述上面这个计算过程,这时,我们只能寄希望于数据库引擎是不是能自己优化。使用SPL就容易描述上面这个计算过程,从而实现高性能计算。
我们来测试一下看Oracle是不是会做这个优化,即用Oracle实现TopN后和SPL做同样运算相比。因为SPL能使用优化算法,如果Oracle的计算时间和SPL差不多,则说明它做了优化,如果差得很远,则可能是做了全排序。
一、 数据准备和环境
用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。
我们刻意将数据量设计得比内存大,这样如果进行排序则会有内外存交换动作,性能下降会非常大,容易被观测到。
二、 常规TopN
取出topn表中amount最大的前100条。
1. Oracle测试
查询用的SQL语句是:
select * from (
select /*+ parallel(4) */
* from topn order by amount desc
) where rownum<=100;
说明:/*+ parallel(4) */ 是Oracle的并行查询语法,其中4是并行数。
2. SPL测试
编写SPL脚本执行测试:
A
1 =now() /记录时间
2 =4 /并行数
3 =file("/home/topn/topn.ctx").create() /产生组表对象
4 =A3.cursor@m(id,amount;;A2).groups(;top(100;-amount))
5 =interval@s(A1,now()) /算出执行时间
与SQL不同,SPL把TopN看成是一种聚合运算,和sum/count这类运算一样,不同的只是TopN将返回一个集合,而sum/count返回的是单值。但它们的计算逻辑是一样的,都只需要对原数据集遍历一次,并且不涉及全排序。
A4格中的groups(;top(100;-amount)就是对全集做TopN聚合运算,计算出前100名。
3. 结论与分析
常规TopN测试时间见下表:
测试结果(时间单位:秒)
并行数 1 2 4 8 12
Oracle 1922 952 526 308 256
SPL组表 2641 1565 729 371 321
测试表明,Oracle比SPL还要更快一点,而SPL没有做全排序,这说明Oracle在这种情况会自动优化。
Oracle比SPL快也可以理解,因为Oracle是用C++开发的,而目前版本的SPL是用java开发的。C++比java计算更快是正常的,而且这次测试读取了全部的两列数据,且数据随机无序,很难压缩,所以组表的列式存储也没有优势。
三、 增加复杂度
对于最基本的TopN,Oracle很聪明,即使写成了子查询也会优化。我们下面增加问题的难度,改成分组后在每一组中做TopN。
具体运算设计为:按照id字段最后一位数字值进行分组,然后查询出每组中amount最大的前100条记录。id是个整数,这样也就只有10个分组,分组本身的计算量并不大,不过要对分组数据做TopN,整体计算复杂度略高了一些。如果没有全排序,总体运算时间应当比刚才的情况多,但还在同一数量级范围内。
1. Oracle测试
查询用的SQL语句是:
select * from (
select /*+ parallel(2) */
mod(id,10) as gid,amount,
row_number()over (partition by mod(id,10) order by amount desc) rn
from topn
) where rn <= 100;
SQL无法直接写出分组后取TopN的运算,只能借助窗口函数计算序号,语法中还是有排序(order by)的字样。
2. SPL组表测试
编写SPL脚本执行测试:
A
1 =now() /记录时间
2 =4 /并行数
3 =file("/home/topn/topn.ctx").create() /产生组表对象
4
=A3.cursor@m(id,amount;;A2).groups@u(id%10:gid;top(100;-amount))5 =interval@s(
A1,now()) /算出执行时间
因为SPL把TopN看成是聚合计算,所以可以很容易放在分组汇总中,和全量聚合的写法几乎是一样的。
3. 结论与分析
测试结果(时间单位:秒)
并行数 1 2 4 8 12
Oracle 41649 19602 9359 4627 3211
SPL组表 4380 2127 1007 465 349
增加难度后,Oracle比之前的简单情况慢了10倍还多,而且比SPL做同样运算也慢了近10倍。这说明Oracle在这种情况下很可能做了排序动作,情况复杂化之后,Oracle的优化引擎不起作用了。
而SPL在这两种情况下的运算时间差别不到2倍,基本上在同一数量级,符合我们之前的分析,算法的优势得到了充分的体现。
本站仅提供存储服务,所有内容均由用户发布,如发现有害或侵权内容,请
点击举报。