Flink SQL ANALYZE TABLE手动采集表统计信息，让优化器“更懂数据”

1. ANALYZE 是什么，适合用在什么场景

ANALYZE 语句用于为已存在的表采集统计信息（Statistics）并写回 Catalog 。目前 Flink 只支持 ANALYZE TABLE，而且需要你手动触发 ，不会自动采集。 (Apache Nightlies)

常见用途（工程视角）：

1. 批处理场景里，为 join / filter / agg 等提供更可靠的行数与列分布信息（让执行计划更"像样"）
2. 分区表按分区采集统计，避免全表扫描式的统计计算
3. 数据变更后（重跑/回灌/重分区）重新采集，减少计划误判

注意：当前 ANALYZE TABLE 只支持 Batch 模式 ；并且只支持已存在的物理表 ，如果是 view 或表不存在会抛异常。 (Apache Nightlies)

2. 如何执行 ANALYZE（Java / SQL CLI 都行）

在 Java 里，和 DDL/DML 一样，直接 TableEnvironment.executeSql()：

TableEnvironment tableEnv = TableEnvironment.create(...);

// 非分区表：只采集表级统计（row count）
tableEnv.executeSql("ANALYZE TABLE Store COMPUTE STATISTICS");

// 非分区表：采集表级 + 全列统计
tableEnv.executeSql("ANALYZE TABLE Store COMPUTE STATISTICS FOR ALL COLUMNS");

// 非分区表：只采集指定列统计
tableEnv.executeSql("ANALYZE TABLE Store COMPUTE STATISTICS FOR COLUMNS location");

分区表可以按分区范围采集（下面第 4 节详细讲）。 (Apache Nightlies)

3. 语法总览（背这一条就够了）

ANALYZE TABLE [catalog_name.][db_name.]table_name
  PARTITION(partcol1[=val1] [, partcol2[=val2], ...])
  COMPUTE STATISTICS
  [FOR COLUMNS col1 [, col2, ...] | FOR ALL COLUMNS]

关键规则：

1. 分区表必须带 PARTITION(...) （否则无法识别为分区采集逻辑）。 (Apache Nightlies)
2. 不写 FOR COLUMNS ... / FOR ALL COLUMNS 时：只采集表级统计 。 (Apache Nightlies)
3. 指定了列时：会采集列级统计 ；列必须存在且必须是物理列 ，否则抛异常。 (Apache Nightlies)
4. 非分区表如果写了 PARTITION(...)：会抛异常。 (Apache Nightlies)
5. 指定了分区但分区不存在：会抛异常。 (Apache Nightlies)

4. 分区表怎么采集：采一个分区 / 多个分区 / 全部分区

假设分区表 Orders 的分区列是 (sold_year, sold_month, sold_day)，并且存在这些分区： (Apache Nightlies)

• (2022, 1, 10)
• (2022, 1, 11)
• (2022, 2, 10)
• (2022, 2, 11)

4.1 只采集某一个具体分区

ANALYZE TABLE Orders
PARTITION(sold_year='2022', sold_month='1', sold_day='10')
COMPUTE STATISTICS;

(Apache Nightlies)

4.2 采集"一个范围内的多个分区"（部分分区列给定值，剩余不写值）

下面这种写法表示：sold_year=2022 且 sold_month=1，sold_day 不限定，因此会覆盖 (2022,1,10) 和 (2022,1,11)：

ANALYZE TABLE Orders
PARTITION(sold_year='2022', sold_month='1', sold_day)
COMPUTE STATISTICS;

(Apache Nightlies)

4.3 采集所有分区

ANALYZE TABLE Orders
PARTITION(sold_year, sold_month, sold_day)
COMPUTE STATISTICS;

(Apache Nightlies)

4.4 分区表采集列级统计（全列 or 指定列）

-- 某分区：全列统计
ANALYZE TABLE Orders
PARTITION(sold_year='2022', sold_month='1', sold_day='10')
COMPUTE STATISTICS FOR ALL COLUMNS;

-- 多分区范围：只采 amount、product 两列
ANALYZE TABLE Orders
PARTITION(sold_year='2022', sold_month='1', sold_day)
COMPUTE STATISTICS FOR COLUMNS amount, product;

(Apache Nightlies)

5. 到底采集了哪些列统计（Column Statistics）

当你指定 FOR COLUMNS ... 或 FOR ALL COLUMNS 时，会采集列级统计项（不同类型支持度不同）： (Apache Nightlies)

1. ndv：distinct 值数量（number of distinct values）
2. nullCount：NULL 数量
3. avgLen：平均长度（字符串类常见）
4. maxLen：最大长度（字符串类常见）
5. minValue / maxValue：最小/最大值（数值/时间类常见）
6. valueCount：仅 boolean 类型的 value count

6. 类型支持矩阵（哪些类型能采哪些指标）

Flink 文档给出了"类型 vs 指标"的支持情况（Y 支持 / N 不支持）。这里按"你最常用的类型"总结： (Apache Nightlies)

1. BOOLEAN ：支持 nullCount、valueCount；不支持 ndv/min/max/len
2. 数值类（TINYINT/SMALLINT/INT/BIGINT/FLOAT/DOUBLE/DECIMAL） ：支持 ndv/nullCount/min/max
3. 时间类（DATE/TIME/TIMESTAMP_LTZ/TIMESTAMP） ：支持 ndv/nullCount/min/max
4. 字符串类（CHAR/VARCHAR） ：支持 ndv/nullCount/avgLen/maxLen（不支持 min/max 值）
5. 其它复杂类型 ：多数只支持 nullCount，其它通常不支持

另外，定长类型（如 INTEGER/DOUBLE 等）不需要从原始记录采集 avgLen/maxLen。 (Apache Nightlies)

7. 一页结论

1. ANALYZE TABLE 用于采集并存储统计信息到 Catalog ，目前需要手动触发 。 (Apache Nightlies)
2. 当前只支持 Batch 模式 ；只支持已存在的物理表 ，view/不存在会报错。 (Apache Nightlies)
3. 分区表必须写 PARTITION(...)，可精确分区、范围分区或全部分区采集。 (Apache Nightlies)
4. 不指定列时只采表级统计；指定列后才会采列级统计（ndv/nullCount/len/min/max/valueCount 等）。 (Apache Nightlies)