共计 1706 个字符,预计需要花费 5 分钟才能阅读完成。
始终能在网上看到很多小视频和小文章,上来就讲 sql 优化,要用 group by,不要用 distinct,然而事实果然是 group by 优于 distinct 吗?对所有数据库和查问引擎来说都是这样吗?显然不是,这篇文章就梳理一下在 hive 和 mysql 中二者的区别!
hive 中 group by 和 distinct 孰优孰劣?
首先申明一下,hive 是什么:
hive 不是数据库,hive 只是一个数据仓库工具,能够用来查问、转化和加载数据,是能够调用 mapreduce 工作、用类 mysql 语法查问 HDFS 数据的一个工具。
再来说 mapreduce 是什么,mapreduce 是分而治之的一种编程模型,实用于大规模数据集的并行计算,当解决一个查问工作时,先调用 map 工作并行处理,最初用 reduce 工作归约后果。
那么对于一张 200w+ 的表,咱们来看一下 group by 和 distinct 的执行过程:
set mapreduce.map.java.opts="-Dfile.encoding=UTF-8"; set mapreduce.reduce.java.opts="-Dfile.encoding=UTF-8";
select province,city from dulux_dataset_67 group by province,city
set mapreduce.map.java.opts="-Dfile.encoding=UTF-8"; set mapreduce.reduce.java.opts="-Dfile.encoding=UTF-8";
select distinct province,city from dulux_dataset_67
这里你可能就要问了,不是通常说 group by 的效率高于 distinct 吗?为什么 distinct 和 group by 都调用了 18 个 reduce 工作,distinct 的工夫还破费的少一些,其实在数据量不大的状况下,distinct 和 group by 的差异不是很大,然而对于 count(distinct *) 来说会产生数据歪斜,因为 hive 默认在解决 COUNT 这种“全聚合 (full aggregates)”计算时,它会疏忽用户指定的 Reduce Task 数,而强制应用 1,会产生数据歪斜
select count(0) from dulux_dataset_67
然而依然要看数据量的大小,在数据量小的状况上来重计数,尽管 count(distinct *) 会产生数据歪斜,然而只有执行一次 mapreduce 工作,而 select count(0) from(select field from table group by field) 这种要执行两遍 mapreduce 工作,总的工夫破费可能不比前者少,如下例子:
select count(0) from (select sales_order_no from dulux_dataset_67 group by sales_order_no) a
select count(distinct sales_order_no) from dulux_dataset_67
然而针对上亿的数据量,数据歪斜就会节约很多工夫,甚至因为机器资源缓和导致运行失败,这种状况就倡议应用 group by 了,不仅能够分组,还能配合聚合函数一起应用
那么对于 mysql 数据库来说,哪个性能更好呢?
在 Mysql8.0 之前 group by 会进行隐式排序,导致触发 filesort,sql 执行效率低下,distinct 效率高于 group by。但从 Mysql8.0 开始,Mysql 就删除了隐式排序,所以在语义雷同,无索引的状况下,group by 和 distinct 的执行效率也是近乎等价的。
那为什么,大家都更推崇应用 group by?
- group by 语义更为清晰
- group by 可对数据进行更为简单的一些解决,相比于 distinct 来说,group by 的语义明确。且因为 distinct 关键字会对所有字段失效,在进行复合业务解决时,group by 的应用灵活性更高,group by 能依据分组状况,对数据进行更为简单的解决,例如通过 having 对数据进行过滤,或通过聚合函数对数据进行运算