SQL优化案例分享 | PawSQL 近日推出 Lateral Join 重写优化算法

PawSQL，企业级SQL优化平台

于 2025-04-21 11:25:12 发布

阅读量1k

点赞数 13

CC 4.0 BY-SA版权

分类专栏：高级SQL优化 PawSQL 文章标签： java 数据库服务器 SQL优化 pawsql

本文链接：https://blog.youkuaiyun.com/PawSQL/article/details/147382568

PawSQL 同时被 2 个专栏收录

31 篇文章

订阅专栏

高级SQL优化

15 篇文章

订阅专栏

一、Lateral 查询语法介绍

Lateral 查询是SQL中的一种连接方式，它允许FROM子句中的子查询引用同一FROM子句中前面的表的列。虽然这种特性提供了强大的表达能力，但在某些场景下可能导致性能问题。PawSQL优化器近日实现了一种针对特定类型Lateral Join的重写优化方案，以提升查询性能。

二、PawSQL Lateral Join 优化的原理

PawSQL优化器中的LateralQueryRewrite类负责这一优化过程，其核心原理是：

解关联转换：将Lateral子查询转换为非相关子查询，避免针对外部表的每一行重复执行内部查询。
聚合下推：保留内部查询的聚合操作，但添加关联列到GROUP BY子句中，使其能独立执行。
关联条件重定位：将原本在LATERAL子查询内部的关联条件移至外层查询的WHERE或JOIN条件中。

Lateral 查询重写优化必须满足以下条件：

Lateral子查询必须包含聚合函数（如SUM、AVG、COUNT等）(注1)
Lateral子查询不能包含LIMIT子句
Lateral子查询返回的行数应少于外部查询
子查询和外部查询之间的关联必须是通过等值谓词（=）建立的
关联谓词不能包含否定条件
外部表引用必须来自单个表引用

注1：聚合并不是解关联的必要条件，非聚合Lateral查询的解关联在查询折叠中被优化。

二、案例分析

让我们分析一个实际案例，看看PawSQL优化器如何应用Lateral Join 重写优化的。

2.1 原始SQL

select * from customer, lateral (    select SUM(o_totalprice)    from orders    where o_custkey= c_custkey      and o_orderdate='1998-03-03')as total

在这个查询中：

外部查询从customer表获取所有行
内部LATERAL查询计算每个客户在日期1998-03-03 的订单总金额
关联条件是o_custkey = c_custkey（等值谓词）

2.2 重写后的SQL

select/*QB_1*/*from customer,(    select/*QB_2*/SUM(o_totalprice), o_custkey    from orders    where o_orderdate='1998-03-03'    group by o_custkey    )as total where total.o_custkey= c_custkey

2.3 重写优化分析

解关联操作：
- 内部查询不再引用外部customer表的列，变成了独立子查询
- 移除了LATERAL关键字
列添加与GROUP BY：
- 在内部查询的SELECT列表中添加了o_custkey
- 在内部查询中添加了GROUP BY o_custkey子句
关联条件重定位：
- 原本在LATERAL子查询内的关联条件o_custkey = c_custkey被移到了外层的WHERE子句
保留非关联条件：
- 非关联的过滤条件o_orderdate = '1998-03-03'保留在内部查询中

三、性能提升机制

根据执行计划比较，这一重写带来了显著的性能提升（约2172.57%）。

优化前


Nested Loop  (cost=8.44..127635.00 rows=15000 width=223) (actual time=0.054..36.043 rows=15000 loops=1)
  ->  Seq Scan on customer  (cost=0.00..510.00 rows=15000 width=191) (actual time=0.012..1.640 rows=15000 loops=1)
    ->  Aggregate  (cost=8.44..8.45 rows=1 width=32) (actual time=0.002..0.002 rows=1 loops=15000)
      ->  Index Scan using ord_idx3 on orders  (cost=0.42..8.44 rows=1 width=8) (actual time=0.002..0.002 rows=0 loops=15000)
            Index Cond: ((o_custkey = customer.c_custkey) AND (o_orderdate = '1998-03-03'::date))
Planning Time: 2.984 ms
Execution Time: 36.597 ms

对customer表进行全表扫描（Seq Scan）
对每个customer行执行一次聚合操作（共15000次循环）
每次聚合操作都使用索引扫描orders表（共15000次）

优化后


Nested Loop  (cost=8.44..127635.00 rows=15000 width=223) (actual time=0.054..36.043 rows=15000 loops=1)
  ->  Seq Scan on customer  (cost=0.00..510.00 rows=15000 width=191) (actual time=0.012..1.640 rows=15000 loops=1)
   ->  Aggregate  (cost=8.44..8.45 rows=1 width=32) (actual time=0.002..0.002 rows=1 loops=15000)
      ->  Index Scan using ord_idx3 on orders  (cost=0.42..8.44 rows=1 width=8) (actual time=0.002..0.002 rows=0 loops=15000)
            Index Cond: ((o_custkey = customer.c_custkey) AND (o_orderdate = '1998-03-03'::date))
Planning Time: 2.984 ms
Execution Time: 36.597 ms