肤浅的聊聊关联子查询，数据集连接，TiDB代码，等等

2024-02-14 17:23:22

本章涉及的内容是TiDB的计算层代码，就是我们编译完 TiDB 后在bin目录下生成的 tidb-server 的可执行文件，它是用 go 实现的，里面对 TiPD 和 TiKV实现了Mock,可以单独运行；

用explain语句可以看到一条sql在TiDB中生成的最终执行计划，例如：我们有一条关联子查询: select * from t1 where t1.a in (select t2.a from t2 where t2.b = t1.b);

tidb> explain select * from t1 where t1.a in (select t2.a from t2 where t2.b = t1.b);
+--------------------------+-------+------+--------------------------------------------------------------------------------------------+
| id                       | count | task | operator info                                                                              |
+--------------------------+-------+------+--------------------------------------------------------------------------------------------+
| HashLeftJoin_9           | 4.79  | root | semi join, inner:TableReader_15, equal:[eq(test.t1.b, test.t2.b) eq(test.t1.a, test.t2.a)] |
| ├─TableReader_12         | 5.99  | root | data:Selection_11                                                                          |
| │ └─Selection_11         | 5.99  | cop  | not(isnull(test.t1.a)), not(isnull(test.t1.b))                                             |
| │   └─TableScan_10       | 6.00  | cop  | table:t1, range:[-inf,+inf], keep order:false, stats:pseudo                                |
| └─TableReader_15         | 5.99  | root | data:Selection_14                                                                          |
|   └─Selection_14         | 5.99  | cop  | not(isnull(test.t2.a)), not(isnull(test.t2.b))                                             |
|     └─TableScan_13       | 6.00  | cop  | table:t2, range:[-inf,+inf], keep order:false, stats:pseudo                                |
+--------------------------+-------+------+--------------------------------------------------------------------------------------------+

最终的sql算子差不多是这个样子的：

上面是一个物理查询计划树，顶层算子是Join算子，t1表和t2表的数据关联操作用的是Hash Join，因为只返回左表(Outer Plan)的数据，所以用了左外连接（Left Join）; Join条件是 t1.b = t2.b，t1.a = t2.a，其中内表数据取自 TableReader_15---就是t2表的数据，t2表作为 Inner Plan的数据；

下层左右两边的算子类似，都是TableReader接了Selection算子，Selection算子负责过滤掉空数据；底层算子是2个最基本的扫表算子(TableScan)，分别扫 t1 和 t2 的数据，返回给上层算子；

TiDB代码中，explain语句和select语句类似，都是这样的处理逻辑：

    clientConn.handleQuery---处理mysql客户端来的请求
        TiDBContext.Execute
                session.execute
                    session.ParseSQL---解析SQL
                    Compiler.Compile---遍历SQL语法树,生成逻辑计划树和物理计划树
                    session.executeStatement
        clientConn.writeResultset
            clientConn.writeChunks
                ResultSet.Next---Next函数驱动数据行的获取
                clientConn.writePacket---将数据写回客户端

explain语句结果生成的代码在这里：

    ExplainExec.Next
        ExplainExec.generateExplainInfo
            Explain.RenderResult
                Explain.explainPlanInRowFormat---遍历物理执行计划树,格式化输出

Explain.explainPlanInRowFormat 会从根节点开始递归的访问PhysicalPlan和子树，遍历物理执行计划树，生成explain的结果集；

explain显示的信息是最终优化生成的执行计划；

我们看看中间生成的执行计划是怎样的：

sql的解析和生成逻辑计划树的代码在这里：

func Optimize(ctx sessionctx.Context, node ast.Node, is infoschema.InfoSchema) (plannercore.Plan, error) {
    //根据sql语法树(ast.Node)生成逻辑执行计划(LogicalPlan)
    func (b *PlanBuilder) Build(node ast.Node) (Plan, error) {
        func (b *PlanBuilder) buildExplainPlan(targetPlan Plan, format string, analyze bool, execStmt ast.StmtNode) (Plan, error) {
            func (b *PlanBuilder) buildSelect(sel *ast.SelectStmt) (p LogicalPlan, err error) {
    // DoOptimize optimizes a logical plan to a physical plan.
    //将逻辑执行计划树(LogicalPlan)转为物理执行计划树(PhysicalPlan)
    func DoOptimize(flag uint64, logic LogicalPlan) (PhysicalPlan, error) {

buildExplain 调用 buildSelect 来生成 select 语句的逻辑执行计划树 (LogicalPlan)，接着调用DoOptimize来进行优化；比如类似这样的优化：对关联子查询进行改写，应用关系代数的一些规则，将 in子句转为 semi join，因为 semi join 可以有多种方式进行高效的数据集连接操作；

然后，我们看看优化之前的执行计划：

这个执行计划大体是这样的，执行计划的根节点是一个投影算子(Projection)，取表 t1 的两个列 t1.a 和 t1.b；根节点下面是一个 Apply 算子，Apply 算子是为了满足关联子查询的需要，子查询语句中用到了外面的结果集，就像我们示例的 sql，子查询里面的选择算子是 t2.b = t1.b，t1.b 就是关联到外部执行计划的列；

Apply关联了两个算子，一个是上图中左边的DataSource，这个DataSource算子是对t1的扫表操作；另一个算子是上图中的下面那个 LogicalProjection 算子，这个算子下面接了选择算子(LogicalSelection)，相当于执行 t1.b = t2.b 的操作，然后是扫表算子，对 t2 进行扫表；

相对于我们这条语句，Apply算子大概是这样的执行步骤：

从扫表算子(TableScan)中获取一条 t1 的数据；

从投影算子(Projection)获取一条 t2 的数据；

投影算子调用选择算子(Selection);

选择算子拿的外部关联的数据 t1.a；

选择算子对 t2 扫表，条件是 t2.b = t1.b，获取 t2.a；其中，t1.b 相对于Apply 算子是外部计划的列；

执行一个标量算子，判断 t1.a = t2.a；不管 t2.a 的记录有多少，只要有一条满足，即成功；

可以看到，对关联子查询，需要执行嵌套循环(NestedLoop)，对 t1 的每条记录循环，传给 Apply算子， Apply算子再用这条记录去 t2 表对每条记录执行循环；

而我们看到 explain 语句显示的最终执行计划，是用 semi join 来改写的，t1 和 t2 用 semi join 来连接，连接条件是 t1.a = t2.a and t1.b = t2.b，连接方式是左半连接；

说的直白一点就是：t1 和 t2 做 Left Outer Join，然后对结果集去重；

semi join有很多种策略，mysql支持差不多5种 Semi Join；

TiDB执行计划优化代码在这里：

// DoOptimize optimizes a logical plan to a physical plan.
func DoOptimize(flag uint64, logic LogicalPlan) (PhysicalPlan, error) {
    ......
	logic, err := logicalOptimize(flag, logic)
    ......
	physical, err := physicalOptimize(logic)
    ......
	finalPlan := postOptimize(physical)
	return finalPlan, nil
}

调用 PlanBuilder.buildSelect 生成的逻辑计划(LogicalPlan)，会传到 DoOptimize 进行优化，DoOptimize主要做了两件事：

一件事做基于规则的优化(RBO)，应用关系代数规则，对关系代数进行等价改写，生成更优的执行计划，例如：一些简单的关系代数转换---谓词下推，常量折叠，子查询展开，投影合并等等；或者一些更高级的关系代数转换，子查询转 semi join，子查询转各种连接，等等；基本上涉及到数据集连接或者有子集嵌套的sql优化起来难度要大很多；要应用到的关系代数规则也更多；

另一件事是做基于代价的优化(CBO)，这个我也不懂

码农公寓

相关文章