vlambda博客
学习文章列表

探究Presto SQL引擎(2)-浅析Join

作者:
vivo互联网服务器团队-Shuai Guangying


在中,我们介绍了Antlr的基本用法以及如何使用Antlr4实现解析SQL查询CSV数据,更加深入理解Presto查询引擎支持的SQL语法以及实现思路。


本次带来的是系列文章的第2篇,本文梳理了Join的原理,以及Join算法在Presto中的实现思路。通过理论和实践的结合,可以在理解原理的基础上,更加深入理解Join算法在OLAP场景下的工程落地技巧,比如火山模型,列式存储,批量处理等思想的应用。


一、背景


在业务开发中使用数据库,通常会有规范不允许过多表的Join。例如阿里巴巴开发手册中,有如下的规定:

【强制】超过三个表禁止Join。需要Join的字段,数据类型必须绝对一致;多表关联查询时,保证被关联的字段需要有索引。说明:即使双表Join也要注意表索引、SQL性能。


在大数据数仓的建设中,尽管我们有星型结构和雪花结构,但是最终交付业务使用的大多是宽表。


可以看出业务使用数据库中的一个矛盾点:我们需要Join来提供灵活的关联操作,但是又要尽量避免多表和大表Join带来的性能问题。这是为什么呢?


二、Join的基本原理


在数据库中Join提供的语义是非常丰富的。简单总结如下:



通常理解Join的实现原理,从Cross Join是最好的切入点,也就是所谓的笛卡尔积。对于集合进行笛卡尔积运算,理解非常简单,就是穷举两个集合中元素所有的组合情况。在数据库中,集合就对应到数据表中的所有行(tuples),集合中的元素就对应到单行(tuple)。所以实现Cross Join的算法也就呼之欲出了。实现的代码样例如下:

List<Tuple> r = newArrayList( new Tuple(newArrayList(1,"a")), new Tuple(newArrayList(2,"b"))); List<Tuple> s = newArrayList( new Tuple(newArrayList(3,"c")), new Tuple(newArrayList(4,"d"))); int cnt =0;for(Tuple ri:r){ for(Tuple si:s){ Tuple c = new Tuple().merge(ri).merge(si); System.out.println(++cnt+": "+ c); }}/** * out: 1: [1, a, 3, c] 2: [1, a, 4, d] 3: [2, b, 3, c] 4: [2, b, 4, d] */


可以看出实现逻辑非常简单,就是两个For循环嵌套。


2.1 Nested Loop Join算法


在这个基础上,实现Inner Join的第一个算法就顺其自然了。非常直白的名称:Nested Loop,,实现关键点如下:


探究Presto SQL引擎(2)-浅析Join


(来源:Join Processing in Relational Databases)


其中,θ操作符可以是:=, !=, <, >, ≤, ≥。   


相比笛卡尔积的实现思路,也就是添加了一层if条件的判断用于过滤满足条件的组合。


对于Nested Loop算法,最关键的点在于它的执行效率。假如参与Join的两张表一张量级为1万,一张量级为10w,那么进行比较的次数为1w*10w=10亿次。在大数据时代,通常一张表数据量都是以亿为单位,如果使用Nested Loop Join算法,那么Join操作的比较次数直接就是天文数字了。所以Nested Loop Join基本上是作为万不得已的保底方案。Nested Loop这个框架下,常见的优化措施如下:


  • 小表驱动大表,即数据量较大的集作为于for循环的内部循环。

  • 一次处理一个数据块,而不是一条记录。也就是所谓的Block Nested Loop Join,通过分块降低IO次数,提升缓存命中率。


值得一提的是Nested Loop Join的思想虽然非常朴素,但是天然的具备分布式、并行的能力。这也是为什么各类NoSQL数据库中依然保留Nested Loop Join实现的重要一点。虽然单机串行执行慢,但是可以并行化的话,那就是加机器能解决的问题了。


2.2 Sort Merge Join算法


通过前面的分析可以知道,Nested Loop Join算法的关键问题在于比较次数过多,算法的复杂度为O(m*n),那么突破口也得朝着这个点。如果集合中的元素是有序的,比较的次数会大幅度降低,避免很多无意义的比较运算。对于有序的所以Join的第二种实现方式如下所描述:


探究Presto SQL引擎(2)-浅析Join


(来源:Join Processing in Relational Databases)


通过将JOIN操作拆分成Sort和Merge两个阶段实现Join操作的加速。对于Sort阶段,是可以提前准备好可以复用的。这样的思想对于MySQL这类关系型数据库是非常友好的,这也能解释阿里巴巴开发手册中要求关联的字段必须建立索引,因为索引保证了数据有序。该算法时间复杂度为排序开销O(m*log(m)+n*log(n))+合并开销O(m+n)。但是通常由于索引保证了数据有序,索引其时间复杂度为O(m+n)。


2.3 Hash Join算法


Sort Merge Join的思想在落地中有一定的限制。所谓成也萧何败萧何,对于基于Hadoop的数仓而言,保证数据存储的有序性这个点对于性能影响过大。在海量数据的背景下,维护索引成本是比较大的。而且索引还依赖于使用场景,不可能每个字段都建一个索引。在数据表关联的场景是大表关联小表时,比如:用户表(大表)--当日订单表(小表);事实表(大表)–维度表(小表),可以通过空间换时间。回想一下,在基础的数据结构中,tree结构和Hash结构可谓数据处理的两大法宝:一个保证数据有序方便实现区间搜索,一个通过hash函数实现精准命中点对点查询效率高。


在这样的背景下,通过将小表Hash化,实现Join的想法也就不足为奇了。


探究Presto SQL引擎(2)-浅析Join


(来源:Join Processing in Relational Databases)


而且即使一张表在单机环境生成Hash内存消耗过大,还可以利用Hash将数据进行切分,实现分布式能力。所以,在Presto中Join算法通常会选择Hash Join,该算法的时间复杂度为O(m+n)。


通过相关资料的学习,可以发现Join算法的实现原理还是相当简单的,排序和Hash是数据结构最为基础的内容。了解了Join的基本思想,如何落地实践出来呢?毕竟talk is cheap。在项目中实现Join之前,需要一些铺垫知识。通常来说核心算法是皇冠上的明珠,但是仅有明珠是不够的还需要皇冠作为底座。


三、Join工程化前置条件


3.1 SQL处理架构-火山模型


在将Join算法落地前,需要先了解一下数据库处理数据的基本架构。在理解架构的基础上,才能将Join算法放置到合适的位置。在前面系列文章中探讨了基于antlr实现SQL语句的解析。可以发现SQL语法支持的操作类型非常丰富:查询表(TableScan),过滤数据(Filter),排序(Order),限制(Limit),字段进行运算(Project), 聚合(Group),关联(Join)等。为了实现上述的能力,需要一个具备并行化能力且可扩展的架构。


1994年Goetz Graefe在论文《Volcano-An Extensible and Parallel Query Evaluation System》提出了一个架构设计思想,这就是大名鼎鼎的火山模型,也称为迭代模型。火山模型其实包含了文件系统和查询处理两个部分,这里我们重点关注查询处理的设计思想。架构图如下:


探究Presto SQL引擎(2)-浅析Join


(来源:《Balancing vectorized execution with bandwidth-optimized storage》)


简单解读一下:


职责分离:将不同操作独立成一个的Operator,Operator采用open-next-close的迭代器模式。例如对于SQL 。

SELECT Id, Name, Age, (Age - 30) * 50 AS BonusFROM PeopleWHERE Age > 30


对应到Scan, Select, Project三个Operator,数据交互通过next()函数实现。上述的理论在Presto中可以对应起来,例如Presto中几个常用的Operator, 基本上是见名知意:


探究Presto SQL引擎(2)-浅析Join


动态组装:Operator基于SQL语句的解析实现动态组装,多个Operator形成一个管道(pipeline)。例如:print和predicate两个operator形成一个管道:


探究Presto SQL引擎(2)-浅析Join


(来源: 《Volcano-An Extensible and Parallel Query Evaluation System》)


 在火山模型的基础上,Presto吸收了数据库领域的其他思想,对基础的火山模型进行了优化改造,主要体现在如下几点:


  • Operator数据处理优化成一次一个Page,而不是一次行(也称为tuple)。

  • Page的存储采用列式结构。即相同的列封装到一个Block中。


批量处理结合列式存储奠定了向量化计算的基础。这也是数据库领域的优化方向。 


3.2 批量处理和列式存储


在研读Presto源码时,几乎到处都可以看到Page/Block的身影。所以理解Page/Block背后的思想是理解Presto实现机制的基础。有相关书籍和文档讲解Page/Block的概念,但是由于这些概念是跟其他概念混在一起呈现,导致一时间不容易理解。


笔者认为Type-Block-Page三者放在一起,更容易理解。我们使用数据库,通常需要定义表,字段名称,字段类型。在传统的DBMS中,通常是按行存储数据,通常结构如下:


探究Presto SQL引擎(2)-浅析Join


(来源:《数据库系统实现》)


但是通常OLAP场景不需要读取所有的字段,基于这样的场景,就衍生出来了列式存储。就是我们看到的如下结构:


探究Presto SQL引擎(2)-浅析Join


(来源:《Presto技术内幕》)


即每个字段对应一个Block, 多个Block的切面才是一条记录,也就是所谓的行,在一些论文中称为tuple。通过对比可以清楚看出Presto中,Page就是典型了列式存储的实现。所以在Presto中,每个Type必然会关联到一种Block。例如:bigint类型就对应着LongArrayBlockBuilder,varchar类型对应着VariableWidthBlock。


理解了原理,操作Page/Block就变得非常简单了,简单的demo代码如下:

import com.facebook.presto.common.Page;import com.facebook.presto.common.PageBuilder;import com.facebook.presto.common.block.Block;import com.facebook.presto.common.block.BlockBuilder;import com.facebook.presto.common.type.BigintType;import com.facebook.presto.common.type.Type;import com.facebook.presto.common.type.VarcharType;import com.google.common.collect.Lists;import io.airlift.slice.Slice; import java.util.List; import static io.airlift.slice.Slices.utf8Slice; /** * PageBlockDemo * * @version 1.0 * @since 2021/6/22 19:26 */public class PageBlockDemo {  private static Page buildPage(List<Type> types,List<Object[]> dataSet){ PageBuilder pageBuilder = new PageBuilder(types); // 封装成Page for(Object[] row:dataSet){ // 完成一行 pageBuilder.declarePosition(); for (int column = 0; column < types.size(); column++) { BlockBuilder out = pageBuilder.getBlockBuilder(column);  Object colVal = row[column]; if(colVal == null){ out.appendNull(); }else{ Type type = types.get(column); Class<?> javaType = type.getJavaType(); if(javaType == long.class){ type.writeLong(out,(long)colVal); }else if(javaType == Slice.class){ type.writeSlice(out, utf8Slice((String)colVal)); }else{ throw new UnsupportedOperationException("not implemented"); } } } } // 生成Page Page page = pageBuilder.build(); pageBuilder.reset(); return page; }  private static void readColumn(List<Type> types,Page page){ // 从Page中读取列 for(int column=0;column<types.size();column++){ Block block = page.getBlock(column); Type type = types.get(column); Class<?> javaType = type.getJavaType();  System.out.print("column["+type.getDisplayName()+"]>>"); List<Object> colList = Lists.newArrayList(); for(int pos=0;pos<block.getPositionCount();pos++){ if(javaType == long.class){ colList.add(block.getLong(pos)); }else if(javaType == Slice.class){ colList.add(block.getSlice(pos,0,block.getSliceLength(pos)).toStringUtf8()); }else{ throw new UnsupportedOperationException("not implemented"); } } System.out.println(colList); } }  public static void main(String[] args) { /** * 假设有两个字段,一个字段类型为int, 一个字段类型为varchar */ List<Type> types = Lists.newArrayList(BigintType.BIGINT, VarcharType.VARCHAR);  // 按行存储 List<Object[]> dataSet = Lists.newArrayList( new Object[]{1L,"aa"}, new Object[]{2L,"ba"}, new Object[]{3L,"cc"}, new Object[]{4L,"dd"});  Page page = buildPage(types, dataSet);  readColumn(types,page);  }}// 运行结果://column[bigint]>>[1, 2, 3, 4]//column[varchar]>>[aa, ba, cc, dd]


将数据封装成Page在各个Operator中流转,一方面避免了对象的序列化和反序列化成本,另一方面相比tuple的方式降低了函数调用的开销。这跟集装箱运货降低运输成本的思想是类似的。


四、Join算法的工程实践


理解了Join的核心算法和基础架构,结合前文中对antlr实现SQL表达式的解析以及实现where条件过滤,我们已经具备了实现Join的基础条件。接下来简单讲述一下Join算法的落地流程。首先在语法层面需要支持Join的语法,由于本文目的在于研究算法实现流程,而不在于实现完整的Join功能,因此我们暂且先考虑支持两张表单字段的等值Join语法。


首先在语法上需要支持Join, 基于antlr语法的定义关键点如下:

querySpecification : SELECT selectItem (',' selectItem)* (FROM relation (',' relation)*)? (WHERE where=booleanExpression)? ; selectItem : expression #selectSingle ; relation : left=relation ( joinType JOIN rightRelation=relation joinCriteria ) #joinRelation | sampledRelation #relationDefault ; joinType : INNER? ; joinCriteria : ON booleanExpression ;


上述的语法定义将Join的关键要素拆解得非常清晰:Join的左表, Join的类型,Join关键词, Join的右表, Join的关联条件。例如,通常我们最简单的Join语句用例如下(借用presto的tpch数据源):

select t2.custkey, t2.phone, t1.orderkey from orders t1 inner join customer t2 on t1.custkey=t2.custkey limit 10;


对应着语法和SQL语句用例,可以看到在将Join算法落地,还需要考虑如下细节点:


  • 检测SQL语句,确保SQL语句符合语法要求。

  • 梳理表的别名和字段的对应关系,确保查询的字段和表能够对应起来,Join条件的字段类型能够匹配。

  • Join算法的选取,是HashJoin还是NestedLoopJoin还是SortMergeJoin? 

  • 哪个表是build表,哪个表是probe表?

  • Join条件的判断如何实现?

  • 整个查询涉及到Operator如何组装,以实现最终结果的输出?


我们回顾一下SQL执行的关键流程:



 (来源: Query Execution Flow Architecture (SQL Server))


基于上面的流程,问题其实已经有了答案。


  • Parser:  借助antlr的能力即可实现SQL语法的检测。

  • Binding: 基于SQL语句生成AST,利用元数据检测字段和表的映射关系以及Join条件的字段类型。

  • Planner: 基于AST生成查询计划。 

  • Executor: 基于查询计划生成对应的Operator并执行。


以NestedLoop Join算法为例,了解一下Presto的实现思路。对于NestedLoopJoin Join算法的落地,在Presto中其实是拆解为两个阶段:组合阶段和过滤阶段。在实现JoinOperator时,只需负责两个表数据的笛卡尔积组合即可。核心代码如下:

// NestedLoopPageBuilder中实现两个Page计算笛卡尔积的处理逻辑,这里RunLengthEncodedBlock用于一个元素复制,典型地笛卡尔积计算中需要将一列元素从1行复制成多行。@Overridepublic Page next(){ if (!hasNext()) { throw new NoSuchElementException(); }  if (noColumnShortcutResult >= 0) { rowIndex = maxRowIndex; return new Page(noColumnShortcutResult); }  rowIndex++;  // Create an array of blocks for all columns in both pages. Block[] blocks = new Block[numberOfProbeColumns + numberOfBuildColumns];  // Make sure we always put the probe data on the left and build data on the right. int indexForRleBlocks = buildPageLarger ? 0 : numberOfProbeColumns; int indexForPageBlocks = buildPageLarger ? numberOfProbeColumns : 0;  // For the page with less rows, create RLE blocks and add them to the blocks array for (int i = 0; i < smallPage.getChannelCount(); i++) { Block block = smallPage.getBlock(i).getSingleValueBlock(rowIndex); blocks[indexForRleBlocks] = new RunLengthEncodedBlock(block, largePage.getPositionCount()); indexForRleBlocks++; }  // Put the page with more rows in the blocks array for (int i = 0; i < largePage.getChannelCount(); i++) { blocks[indexForPageBlocks + i] = largePage.getBlock(i); }  return new Page(largePage.getPositionCount(), blocks);}


五、小结


本文简单梳理了Join的基本算法以及在Presto中实现的基本框架,并以NestedLoop Join算法为例,演示了在Presto中的实现核心点。可以看出相比原始的算法描述,Presto的工程落地是截然不同:  不仅支持了所有的Join语义,而且实现了分布式能力。这其中有架构层面的思考,也有性能层面的思考,非常值得探索跟研究。就Join算法,可以探索的点还有很多,比如多表Join的顺序选取,大表跟小表Join的算法优化,Semi Join的算法优化,Join算法数据倾斜的问题等等,可谓路漫漫其修远兮,将在后续系列文章中继续分析探索。


六、参考资料


1. Presto源码

2. Join Processing in Relational Databases

3. Volcano-An Extensible and Parallel Query Evaluation System


END

猜你喜欢