PostgreSQL Semi-Join（半连接）通俗讲解

Semi-Join（半连接）通俗讲解

本文用通俗的方式解释数据库里的 Semi-Join（半连接） ，并说明为什么 IN (子查询) 里通常 不需要手动加 DISTINCT 。

文中所有表名、字段名均为脱敏示例，与实际项目无关。

---

1. 一句话理解

Semi-Join（半连接） ：判断「左表的每一行，在右表里是否至少存在一条匹配」。

• 存在 → 保留这一行
• 不存在 → 丢弃这一行

关键点：只关心「有没有」，不关心「有几条」。左表每行最多输出一次，右表匹配到几条都不会让左表这行变多。

WHERE ... IN (子查询) 和 WHERE EXISTS (子查询) 都会被数据库优化成 Semi-Join。

---

2. 用生活例子理解

假设有两张表（脱敏示例）：

student（学生表）

student_id	name
1	小明
2	小红
3	小刚

exam_record（考试记录表）

record_id	student_id	subject
101	1	数学
102	1	英语
103	1	物理
104	2	数学

现在问题是：「哪些学生参加过考试？」

SELECT *
FROM student
WHERE student_id IN (SELECT student_id FROM exam_record);

结果：

student_id	name
1	小明
2	小红

• 小明（id=1）在考试记录里出现了 3 次 ，但结果里只出现 1 次。
• 小刚（id=3）没有任何考试记录，被丢弃。

这就是 Semi-Join：只判断「有没有」，重复不会放大结果。

---

3. 对比：普通 JOIN 会放大

如果用普通 JOIN，结果会不一样：

SELECT s.*
FROM student s
JOIN exam_record e ON s.student_id = e.student_id;

结果：

student_id	name
1	小明
1	小明
1	小明
2	小红

小明出现了 3 次！因为普通 JOIN 是「一对多」全部展开。

对比项	Semi-Join（IN/EXISTS）	普通 JOIN
关心匹配数量	否，只看有没有	是，全部展开
左表行会被放大吗	不会	会
右表重复的影响	无影响	会导致重复行

---

4. 回到核心问题：IN 子查询要不要加 DISTINCT？

看这条更新语句（脱敏示例，把「有子记录的父订单」打个标记）：

UPDATE orders
SET parent_flag = 'Y'
WHERE parent_flag IS DISTINCT FROM 'Y'
AND order_id IN (
    SELECT parent_order_id          -- 这里会有大量重复值
    FROM orders
    WHERE version = 'v1'
    AND child_flag = 'Y'
    AND parent_order_id IS NOT NULL
);

子查询里的 parent_order_id 确实会大量重复（很多子订单指向同一个父订单）。

那要不要写成 SELECT DISTINCT parent_order_id？答案：不需要。

为什么不需要？

1. 语义上不会出错

   IN 是 Semi-Join，order_id 只要在子查询里「存在」就更新，存在 1 次和存在 100 次效果完全一样。外层 order_id 是唯一的，最多被更新一次。重复值不会造成重复更新。

2. 加 DISTINCT 反而更慢

   • 加了 DISTINCT，数据库要额外做一步去重（排序或哈希聚合），必须先把子查询结果全部算出来再去重。
   • 不加 DISTINCT，Semi-Join 可以「边扫描边匹配、找到一条就停」，通常更快。

一句话总结

IN / EXISTS 子查询里的重复值，数据库会自动帮你「当作存在性判断」处理，手动 DISTINCT 是多余的，还可能拖慢速度。

---

5. 什么时候才真的需要去重？

只有当你用的是 普通 JOIN，而且是「一对多」关系时，才需要担心重复放大。例如：

-- 这种 JOIN 会因为一对多而放大行数
SELECT a.record_id, b.material
FROM child_table a
JOIN parent_table b ON b.record_id = a.parent_id;

如果一个父记录对应多个子记录，这里就会产生重复行，可能需要 DISTINCT 或改写。

但 IN (子查询) 不属于这种情况，不用担心。

---

6. 快速记忆卡

场景	要不要 DISTINCT	原因
WHERE x IN (SELECT y ...)	❌ 不要	Semi-Join 自动处理存在性，重复无影响
WHERE EXISTS (...)	❌ 不要	同上，找到一条就短路
JOIN（一对多）	✅ 可能要	普通 JOIN 会放大行数

---

7. 小结

• Semi-Join = 存在性判断：左表每行只看「右表有没有匹配」，不看有几条。
• IN 和 EXISTS 都是 Semi-Join，天然去重，重复子查询值不会放大结果、不会重复更新。
• 手动加 DISTINCT 在 IN 子查询里通常是负优化。
• 只有普通 JOIN 的一对多场景才需要考虑去重。