一个 DISTINCT,让我在上线前多盯了三天,最后发现数据库自己就能处理

一个 DISTINCT,让我在上线前多盯了三天,最后发现数据库自己就能处理

有些 SQL,看起来真不复杂,但一到压测环境就开始"整活"。

去年做一个项目,上线前例行压测。那几天大家都挺紧张,接口、缓存、数据库、Nginx、JVM 参数,能看的基本都在看。结果有个接口的响应时间一直不稳定,偶尔几百毫秒,偶尔直接飙到几秒。

开发同事先自己查了一圈,最后拿着 SQL 过来问我:

"哥,你帮我看下这个 SQL,为啥一个去重能跑这么久?"

我当时还以为是什么大查询,结果打开一看,SQL 很朴素:

sql 复制代码
SELECT DISTINCT order_id, customer_id
FROM orders
WHERE order_date = '2025-01-15';

说实话,第一眼我也没觉得它有多离谱。

orders 表大概一千多万数据,当天的订单也就几万条。按常规理解,order_date = '2025-01-15' 先把范围缩小到当天,然后再对 order_id、customer_id 做一下去重。

几万条数据,怎么也不该慢到几秒。

但现场就是这样,SQL 一跑就卡,接口那边也跟着抖。

后来我让他把执行计划拿出来看,问题才慢慢露出来:数据库确实先根据日期过滤了一批数据出来,但是到了 DISTINCT 这里,它没有偷懒,而是老老实实把满足条件的数据全部拿出来,再做排序去重。

关键是,这批数据里面,order_id 和 customer_id 的组合大部分本来就是唯一的。

也就是说,它吭哧吭哧干了半天,最后发现没多少重复数据可以去。

这就有点像什么呢?

你明明知道屋里只有一个人,结果还要拿花名册从头到尾点一遍名,点完以后说:"确认了,确实只有一个人。"

没错,逻辑上没问题,但性能上就很难受。

当时我还吐槽了一句:

"这个优化器也太实在了,给它 DISTINCT,它是真去重啊。"

后来升级到新版本金仓之后,同样的 SQL,再看执行计划,发现它不再傻傻做完整去重了,而是在某些场景下直接把 DISTINCT 优化成了类似 LIMIT 1 的执行方式。

这个变化挺有意思。

因为它不是简单少扫了几行,而是优化器开始"会推理"了。


DISTINCT 慢在哪里?

先把 DISTINCT 说清楚。

DISTINCT 本身没什么神秘的,就是去掉重复行,只保留一份。

比如:

css 复制代码
SELECT DISTINCT a, b FROM t;

意思就是:
a、b 两列完全一样的记录,只返回一条。

数据库一般怎么做去重?

常见就是两种:

一种是排序去重。

数据库先把结果集按相关字段排好序,然后从头到尾扫一遍,相邻的重复数据跳过。

另一种是哈希去重。

数据库维护一个哈希结构,来一行就判断之前有没有出现过。没出现过就留下,出现过就丢掉。

听起来都挺合理。

但问题是,不管排序还是哈希,前提都是:数据库得先把满足条件的数据拿出来。

如果 WHERE 后面过滤出来的是 10 万行,那就得先处理这 10 万行。哪怕最后去重之后只剩 100 行,前面那 10 万行的读取、排序、哈希判断,大概率还是逃不掉。

这就是很多 DISTINCT 慢的根源。

它慢的不是"返回结果多",而是"为了判断有没有重复,必须先把候选数据都看一遍"。

有时候这就很亏。

比如这个 SQL:

css 复制代码
SELECT DISTINCT a, b
FROM s1
WHERE a = 1 AND b = 1;

你仔细看一下。

WHERE a = 1 AND b = 1 已经把 a 和 b 的值固定死了。

那 DISTINCT a, b 最终还能是什么?

只能是:

复制代码
1, 1

最多就是这一行。

如果表里没有符合条件的数据,那就返回空。

如果有一条、十条、一万条符合条件的数据,去重之后也都只会剩下 (1,1)。

这种情况下,还排序干什么?

还哈希干什么?

找到第一条符合条件的数据,直接返回不就完了吗?

但很多数据库优化器不会这么想。它看到你写了 DISTINCT,就按照 DISTINCT 的执行方式来,该扫扫,该排排,该去重去重。

这就是 SQL 看起来简单,但跑起来很慢的原因。


金仓这个优化,关键不在"快",而在"会判断"

金仓这里做得比较有意思。

它不是单纯靠索引,也不是简单把参数调大,而是在优化器层面做了改写。

我理解下来,大概有两层。

第一层,是把一部分 DISTINCT 转成 GROUP BY。

比如:

css 复制代码
SELECT DISTINCT a, b FROM t;

在语义上,和下面这个 SQL 是等价的:

css 复制代码
SELECT a, b FROM t GROUP BY a, b;

这一步看起来没那么惊艳,但实际有用。

因为 GROUP BY 在优化器里能走的路更多。

有些情况下,它能利用索引;有些情况下,它可以配合并行执行。尤其数据量大的时候,能不能并行,差别还是挺明显的。

当然,这还不是最关键的。

真正让我觉得有意思的是第二层:

当优化器发现 DISTINCT 后面的字段已经被条件固定住了,就可以直接改写成 LIMIT 1。

还是这个例子:

css 复制代码
SELECT DISTINCT a, b
FROM s1
WHERE a = 1 AND b = 1;

优化器可以推出来:

a 一定等于 1。
b 一定等于 1。

所以 DISTINCT a,b 的结果最多只有一行。

既然最多一行,那就没必要完整去重。

于是可以变成类似这样:

css 复制代码
SELECT a, b
FROM s1
WHERE a = 1 AND b = 1
LIMIT 1;

这个改写的效果就很大了。

不改写的时候,数据库可能要这样干:

先扫描表。

找出所有 a = 1 AND b = 1 的数据。

然后对这些数据做去重。

最后返回一行。

改写之后就简单很多:

扫描表。

找到第一条符合条件的数据。

返回。

结束。

后面的数据不用看了。

这两个执行路径,差距不是一点半点。

尤其是满足条件的数据很多的时候,原来可能要处理几万行,优化后可能只要命中第一条就结束。

这就是为什么有些测试里能从几十毫秒降到零点几毫秒,甚至更低。

不是数据库突然"跑得快"了,而是它压根少干了很多活。


JOIN 场景也能推,这点比较实用

单表条件固定还比较好理解,多表 JOIN 里面也能用。

比如:

sql 复制代码
SELECT DISTINCT s1.a, s2.b
FROM s1
INNER JOIN s2 ON s1.a = s2.b
WHERE s1.a = 5;

这个 SQL 第一眼看,好像比刚才复杂一点。

但是慢慢推一下,其实也不难。

WHERE s1.a = 5,说明 s1.a 已经固定为 5。

又因为:

ini 复制代码
s1.a = s2.b

所以可以继续推出:

ini 复制代码
s2.b = 5

也就是说,最终 DISTINCT s1.a, s2.b 里面的两列,其实都已经被固定住了。

结果最多也就是:

复制代码
5, 5

那这种情况下,它也没必要把所有 JOIN 结果都算出来再去重。

可以走类似下面这种思路:

ini 复制代码
SELECT s1.a, s2.b
FROM s1
INNER JOIN s2 ON s1.a = s2.b
WHERE s1.a = 5
LIMIT 1;

这里面的核心就是"常量传递"。

5 这个值,通过 s1.a = s2.b 这个 JOIN 条件,被传到了 s2.b 上。

优化器如果能识别这个关系,就能知道目标列其实已经确定了。

这个能力对实际业务挺有用。

因为业务 SQL 里经常有这种写法:

主表筛一个固定值,再 JOIN 其他表,最后为了保险加一个 DISTINCT。

很多时候这个 DISTINCT 是开发习惯性写上去的,怕重复,怕查出来多行。

但数据库如果能判断"你这个结果本来就最多一行",那就可以直接省掉很多没必要的工作。


但这个优化不能乱来

这里也要说一句,DISTINCT 改成 LIMIT 1 不是随便改的。

不是看到 DISTINCT 就能改。

必须保证结果集最多只有一行。

这句话很重要。

比如:

css 复制代码
SELECT DISTINCT a, b
FROM t
WHERE a = 1;

这个就不能随便改。

因为这里只固定了 a,没有固定 b。

结果可能是:

复制代码
1, 1
1, 2
1, 3

这时候 DISTINCT a,b 可能有多行,不能用 LIMIT 1 代替。

再比如 LEFT JOIN,也要小心。

INNER JOIN 的等值条件比较好传递。

但 LEFT JOIN、RIGHT JOIN 就复杂了,因为外连接会补 NULL。

右表匹配不到的时候,结果里可能出现 NULL,这就不是简单的等值传递能解决的。

还有子查询、聚合、窗口函数这些东西,一旦掺进来,判断就更麻烦。

所以这个优化真正难的地方,不是把 SQL 文本从 DISTINCT 改成 LIMIT 1。

难的是优化器要非常确定:

这么改以后,结果不能变。

数据库内核里做这种优化,最怕的不是不优化,而是优化错。

慢一点还能接受,结果错了就完了。

所以它必须在规则上卡得很严。能确定就改,不能确定就保持原样。


和其他数据库对比,我觉得金仓这块确实有点东西

我后来也顺手对比过一些数据库。

有些产品面对类似 SQL,执行计划还是很传统:

扫描、过滤、去重,该干的一步不少。

比如同样的测试场景下,达梦 DM8 还是正常走 DISTINCT,没有看到改写成 LIMIT 1 这一类的优化。

这个对比下来,金仓在这个点上确实更激进一点,也更聪明一点。

当然,这里不是说一个优化就能决定数据库强弱。

数据库性能这东西,得看场景。

有些场景拼执行器,有些场景拼索引,有些场景拼并行,有些场景拼优化器规则。

但就这个 DISTINCT 场景来说,金仓这个优化确实挺实用。

尤其是国产数据库迁移项目里,很多业务 SQL 都是历史代码留下来的。开发当年为了"保险",经常会加一堆 DISTINCT。

你说这些 SQL 全部人工改一遍吧,成本很高,也容易改出问题。

如果数据库本身能识别一部分无效 DISTINCT,并自动优化掉,那对迁移和性能调优来说,是能省不少事的。


实际写 SQL 的时候,还是要注意几点

虽然数据库能优化,但我不建议大家以后看到重复就无脑加 DISTINCT。

DISTINCT 不是免费午餐。

写 SQL 的时候,最好先想清楚:

这条 SQL 为什么会重复?

重复是业务上允许的,还是 JOIN 条件写多了?

是不是本来应该用唯一索引保证?

是不是应该调整表关系,而不是最后靠 DISTINCT 兜底?

很多慢 SQL,表面看是 DISTINCT 慢,实际上是前面的 JOIN 已经把数据放大了。

比如一张订单表 JOIN 订单明细表,再 JOIN 活动表、优惠券表,一不小心就从一行订单变成几十行。最后开发一看重复了,顺手加个 DISTINCT。

接口是能跑了,但数据库压力也上来了。

所以我的建议是:

能从业务关系上避免重复,就不要靠 DISTINCT 硬压。

能用唯一索引表达唯一性,就尽量交给约束。

确实需要去重,再用 DISTINCT。

如果是"目标列已经被固定"的场景,那就交给新版本优化器处理。

这样比较稳。


回到最开始那个问题

那次压测的问题,最后确实没改多少业务代码。

我们重点看了执行计划,又验证了新版本金仓的优化效果。升级之后,同类 SQL 的表现明显好了不少。

开发同事后来问我:

"你到底改了啥?怎么一下快这么多?"

我说:

"没改业务逻辑,主要是数据库自己变聪明了。"

这话听着像开玩笑,但其实差不多就是这么回事。

以前的优化器,更像一个会算账的人。

它会算全表扫描贵不贵,索引扫描划不划算,排序要不要落盘。

但现在的优化器,不能只会算账,还得会推理。

比如:

css 复制代码
WHERE a = 1 AND b = 1

再配上:

css 复制代码
SELECT DISTINCT a, b

人一看就知道,结果最多只有一行。

以前数据库未必知道。

现在金仓能识别出来,并把它改成更轻的执行方式。

这个变化,对业务开发来说其实挺舒服。

因为很多时候,我们写 SQL 不可能每一条都手工抠到极致。尤其老项目、迁移项目、多人协作项目,SQL 风格很难统一。

数据库优化器能多兜一点底,开发和 DBA 就少熬一点夜。

所以这个 DISTINCT 的故事,表面上看是一个 SQL 优化点,往深了看,其实是数据库优化器从"执行规则"往"理解语义"迈了一步。

说白了就是:

以前你告诉数据库"我要去重",它就真的去重。

现在它会多想一步:"你这个结果本来就只有一条,我还去什么重?"

这一步,挺关键。

相关推荐
考虑考虑44 分钟前
zookeeper认证
后端·zookeeper
掘金者阿豪1 小时前
数据库选型到底应该看什么?从业务需求到技术架构的实践分析
前端·后端
苍何2 小时前
豆包终于想通了...
后端
AAA修煤气灶刘哥2 小时前
Agent 都能干活了,软件还需要那么多按钮吗?
人工智能·后端·架构
未秃头的程序猿2 小时前
给新模块加了个 @MapperScan,启动崩了,最后发现跟 MapperScan 没关系
java·后端·mybatis
苍何2 小时前
不用 Opus5.5 ,即梦也能出爆款 vibe 视频了
后端
SimonKing2 小时前
WorkBuddy又推出新的限免模型(Hy4 flash)了,羊毛可以薅起来了
java·后端·程序员
Rain的Java大神之路2 小时前
别再死背"三级缓存"了!拿 Spring 7.0.8 源码,把 IoC、AOP、事务、循环依赖四大深水区一次蹚平
java·后端·面试
wno7043 小时前
springboot整合FastDFS
java·spring boot·后端
程序猿DD9 小时前
OctaFuse 2.20.0:MCP 用业务账号直接登录授权,请求日志合并工具调用
后端