面试加分秘籍:校招数据倾斜场景下的SQL优化方案

校招面试经常会问大家有没有过调优的经验,相信大家的回答基本都是往数据倾斜和小文件问题这两方面回答,对于数据倾斜相信大部分同学对热key打散或null值引发的倾斜已经非常熟悉,但这些内容面试官也是听腻了,希望大家在面试时候讲一些高大尚的案例,在描述的时候一定要有背景,有解决方案,最后结果,毕竟数据倾斜不会无故产生,一定是有业务背景的,这里给大家分享一种数据倾斜优化案例。

1.Uid和oaid之间的转化

在用增的拉新拉回业务中,经常会用到oaid来识别具体的设备是不是公司用户,所以我们需要将uid→oaid,需求目的:找到当日拉新的uid对应的oaid映射关系

代码如下:

  • 1.从id mapping表中找出uid→oaid的映射关系;

  • 2.根据最后一次活跃时间对uid→oaid映射关系去重;

  • 3.将算法提供的uid人群圈选出对应的oaid。

原来的sql

复制代码
select
  t1.user_id,
  oaid_md5
from
  (
    select
      L.uid user_id,
      md5(L.oaid) oaid_md5
    from
      (
        select
          distinct uid,
          oaid
        from
          (
            select
              uid,
              oaid,
              row_number() over (
                partition by oaid
                order by
                  cast(last_active_timestamp as bigint) desc
              ) as rn
            from
              idmapping as G
            where
              G.p_date = '20250324'
              and G.left_type = 'USER_ID'
              and G.right_type = 'OAID'
          ) tt
        where
          tt.rn = 1
      ) as L
      left join (
        select
          id
        from
          zuobishebei -- 作弊设备
        where
          p_date = '{{ds_nodash}}'
          and supplier = 'cheat'
      ) as P on (md5(L.oaid) = P.id)
    where
      P.id is null
  ) t2
  join (
    SELECT
      user_id
    FROM
      list_ground_truth
    WHERE
      p_date = '20250324'
  ) t1 on t1.user_id = t2.user_id

粗略一看,符合正常计算流程和顺序,但这段sql出现了明显的数据倾斜。

经过排查代码中有两块可能引起倾斜,一个是join,一个row number,先查询一下uid→oaid映射情况,发现部分的uid映射过10亿多的oaid,导致在去重的时候发生了数据倾斜。

解决方案

  • 1.使用过滤条件和分组操作减少数据量;

  • 2.通过调整连接顺序和提前应用过滤条件,减少了中间数据量;

  • 3.如果倾斜仍然存在,考虑对倾斜字段进行分区或使用 broadcast join 来进一步优化。

优化后:

复制代码
SELECT
  user_id,
  md5(paid) AS oaid
FROM
  (
    SELECT
      user_id,
      paid,
      ROW_NUMBER() OVER (
        PARTITION BY user_id
        ORDER BY
          CAST(last_active_timestamp AS BIGINT) DESC
      ) AS rn
    FROM
      (
        SELECT
          t1.user_id,
          t2.paid,
          t2.last_active_timestamp
        FROM
          (
            SELECT
              user_id
            FROM
              list_ground_truth
            WHERE
              p_date = '20250324'
          ) t1
          JOIN (
            SELECT
              uid,
              oaid,
              G.last_active_timestamp
            FROM
              idmappingG
            WHERE
              G.p_date = '20250324'
              AND G.left_type = 'USER_ID'
              AND G.right_type = ' OAID '
            GROUP BY
              G.left_value,
              G.right_value,
              G.last_active_timestamp
          ) t2 ON t1.user_id = t2.uid
      ) t3
  ) t1
WHERE
  rn = 1

原始脚本和优化后的脚本在逻辑上保持一致,但重点在于先jion较小的表(idmapping和 list_ground_truth),在进行row number,这样可以在join时先走map join同时减少row number执行的数据量。

相关推荐
Lao A(zhou liang)的菜园1 小时前
Oracle数据仓库在医院的应用场景
数据库·数据仓库·oracle
ac.char3 小时前
github.com/lib/pq 数据库链接完整示例方式
数据库·postgresql·golang
菠萝017 小时前
分布式CAP理论
数据库·c++·分布式·后端
国际云7 小时前
腾讯云国际站性能调优
运维·服务器·数据库·云计算·腾讯云
ruanjiananquan998 小时前
MySQL 数据库调优指南:提升性能的全面策略
数据库·mysql·oracle
深栈11 小时前
MySQL进阶篇(存储引擎、索引、视图、SQL性能优化、存储过程、触发器、锁)
sql·mysql·性能优化
睡觉z12 小时前
MySQL数据库初体验
数据库·mysql·oracle
CC同学呀13 小时前
从0到1:多医院陪诊小程序开发笔记(上)
数据库·笔记
十年砍柴---小火苗13 小时前
gin使用Mysql连接池用法
数据库·mysql·gin
天河归来13 小时前
通过阿里云服务发送邮件
数据库·阿里云·云计算