一个数据库SQL查询的数次轮回

本文译自：http://coding-geek.com/how-databases-work

我们使用数据库，直观感受上是客户端发送一个 SQL，数据库把这个SQL执行一下，查出来数据返回给客户端。但其实SQL在背后被转换，优化，历经许多「磨难」才把结果给取回来。

如上图， 我们看到是从查询处理器里经过解析器，优化器，才进入的执行引擎。

今天我们先来看查询管理器，后面再重点来看查询的优化器是怎样精打细算的。

查询管理器

这一部分是数据库功能体现。在这部分里，会将写得不好的查询转换成可以快速执行代码， 然后执行它，并将结果返回给客户端。这个过程会包含多个步骤：

• 首先解析查询是否是合法的
• 然后会将查询重写，去除没用的操作符，并做一些预优化
• 对查询优化以提升性能，将查询转换成执行和数据访问计划
• 编译查询计划
• 执行

这部分里，对最后两点我们不会说太多，相对来说他俩没那么关键。

查询解析器

每个SQL语句都会经过分析器去校验语法是否正确。如果你写错了，解析器会拒绝查询。比如你手误，把SELECT 写成了 SLECT，那直接会停止在这儿。

此外，还会检查关键词顺序是否正确。

然后，查询SQL中的表名和列名也会分析，解析器会通过数据库的 metadata 来检查以下内容：

• 表是否存在
• 表中对应的查询字段是否存在
• 对应的操作符是不是能作用在指定的列上(比如不能把一个数字和字符串比大小，也不能给一个integer用substring)

之后会检查查询中对应的表你是否有权限去读或写，毕竟这些访问权限是DBA分配的。

在解析的过程中， 查询SQL 会被转换成数据库的内部表示形式(一般是一棵树)。如果一切 OK，这个转换后的内容会发送给查询「重写器」

查询 Rewriter

在这一步，我们拿到了一个查询的内部表示形式，重写器的目标是要：

• 对查询做预优化
• 避免无用的操作
• 帮助优化器发现最佳方案

重写器会对查询执行一系列已知的规则。如果查询符合某个规则的模式，就会应用这个规则来重写查询。以下是(可选)的规则：

视图合并：如果在查询中使用了视图，那视图将会随着该视图的SQL代码进行转换。

子查询打平：有子查询的查询很难优化，因此重写器将尝试修改查询，甚至删除子查询。

例如

1. SELECT PERSON.* 
2. FROM PERSON 
3. WHERE PERSON.person_key IN 
4. (SELECT MAILS.person_key 
5. FROM MAILS 
6. WHERE MAILS.mail LIKE 'christophe%'); 

就会被这条SQL替换

1. SELECT PERSON.* 
2. FROM PERSON, MAILS 
3. WHERE PERSON.person_key = MAILS.person_key 
4. and MAILS.mail LIKE 'christophe%'; 

• 去除无用的操作符：如果你用了DISTINCT，但你已经有一个UNIQUE约束以保证数据唯一，那DISTINCT关键字就会被删除。
• 消除多余的连接：如果你有两次相同的连接条件，因为一个连接条件被隐藏在视图中，或者由于传递性而导致无用的连接，则将其删除。
• 持续的算术评估：如果查询是需要计算的内容，那么在重写过程中将对其进行一次计算。比如，把WHERE AGE> 10 + 2转换为WHERE AGE> 12，然后将TODATE(“ 日期”)转换为datetime格式的日期
• (高级)分区修正：如果你使用了分区表，重写器可以找到要使用的分区。
• (高级)实例化视图重写：如果已经有了和查询子集匹配的实例化视图，重写器会检查该视图是否是最新视图，并修改查询使用实例化视图而不是原始表。
• (高级)自定义规则：如果你创建了重写查询的自定义规则，那重写器会执行这些规则(高级)Olap转换：分析/窗口函数，星型连接，汇总…也都会进行转换(但是具体是由重写器还是优化器完成的取决于数据库，因为这两个过程邻近)。

这个重写后的查询会发送给查询优化器，有趣的来了。

统计

在进入数据库如何优化查询之前，我们需要先谈谈统计信息，因为没有统计信息，数据库就会很傻。如果你不告诉数据库分析自己的数据，它不会这样做，而且会做出错误的假设。

那数据库需要什么信息呢?

我们大概说一下论数据库和操作系统如何存储数据的。他们使用的最小单位称为页或块(默认为4或8 KB)。也就是说，如果你只需要1 KB，也会占一页。如果页面占用8 KB，那就会浪费7 KB。

回到统计来，当你要求数据库获取统计信息时，它会计算这些内容：

• 一个表中的行或页的数量
• 一个表里的每一列
  • 单独的数据内容
  • 数据的长度(最小，最大，平均)
  • 数据区间信息(最小、最大、平均)
• 表的索引信息

这些统计信息会帮助优化器更好的预估查询中磁盘I/O，CPU以及内存的使用。

每一列的统计信息都很重要。比如一个 PERSON 表，需要在 LAST_NAME, FIRST_NAME两列做连接，通过统计，数据库能知道FIRST_NAME这一列共多少个不同的值，LAST_NAME有多少个不同的值。所以数据库会使用LAST_NAME,FIRST_NAME来连接，而不是FIRST_NAME,LAST_NAME，因为LAST_NAME不太可能相同，会少产生数据。大多数情况下，数据库的前两三个字符比较 LAST_NAME就足够了。

当然这些是基本的统计信息，你也可以让数据库计算 histograms 这种更高阶的统计数据。最常使用的值，质量等等，通过这些附加信息，可以帮助数据库找到更高效的查询计划，特别是像等值查询，以及范围查询这种。因为数据库已经知道这种情况下有多少条记录。

这些统计信息记录在数据库的元数据中。因此也是需要花时间不断更新的。这也是为啥在大多数数据库里他都不自动更新。

后面的文章，会描述查询优化器的一些细节。

读完这部分之后，扩展阅读：

• The initial research paper (1979) on cost based optimization: Access Path Selection in a Relational Database Management System. This article is only 12 pages and understandable with an average level in computer science.
• A very good and in-depth presentation on how DB2 9.X optimizes queries here
• A very good presentation on how PostgreSQL optimizes queries here. It’s the most accessible document since it’s more a presentation on “let’s see what query plans PostgreSQL gives in these situations“ than a “let’s see the algorithms used by PostgreSQL”.
• The official SQLite documentation about optimization. It’s “easy” to read because SQLite uses simple rules. Moreover, it’s the only official documentation that really explains how it works.
• A good presentation on how SQL Server 2005 optimizes queries here
• A white paper about optimization in Oracle 12c here
• 2 theoretical courses on query optimization from the authors of the book “DATABASE SYSTEM CONCEPTS”here and there. A good read that focuses on disk I/O cost but a good level in CS is required.
• Another theoretical course that I find more accessible but that only focuses on join operators and disk I/O.