IN 操作符
IN
、NOT IN
、GLOBAL IN
和 GLOBAL NOT IN
操作符单独涵盖,因为它们的功能非常丰富。
操作符的左侧可以是单个列或一个元组。
示例:
如果左侧是一个在索引中的单个列,而右侧是一组常量,系统将使用索引来处理查询。
不要显式列出太多值(例如——亿级)。如果数据集很大,请将其放入临时表中(例如,参见 用于查询处理的外部数据),然后使用子查询。
操作符的右侧可以是一组常量表达式、一组带常量表达式的元组(如上例所示),或用括号括起来的数据库表名或 SELECT
子查询。
ClickHouse 允许 IN
子查询的左右部分的类型不同。在这种情况下,它会将右侧的值转换为左侧的类型,就好像对右侧应用了 accurateCastOrNull 函数一样。
这意味着数据类型变为 Nullable,如果无法进行转换,将返回 NULL。
示例
查询:
结果:
如果操作符的右侧是一个表名(例如,UserID IN users
),这等同于子查询 UserID IN (SELECT * FROM users)
。在处理与查询一起发送的外部数据时使用此方式。例如,可以将查询与加载到“users”临时表的用户 ID 集一起发送,以便进行过滤。
如果操作符的右侧是一个具有 Set 引擎的表名(这是一个始终在 RAM 中的准备好数据集),则数据集不会为每个查询重新创建。
子查询可以指定多个列来过滤元组。
示例:
IN
操作符左右的列应具有相同的类型。
IN
操作符和子查询可以出现在查询的任何部分,包括聚合函数和 lambda 函数。
示例:
在 3 月 17 日之后的每一天,统计访问 3 月 17 日网站的用户所产生的页面浏览量比例。
IN
子句中的子查询总是仅在单台服务器上运行一次。没有依赖性子查询。
NULL 处理
在请求处理期间,IN
操作符假设与 NULL 的运算结果始终等于 0
,无论 NULL
在操作符的左侧还是右侧。NULL
值不包含在任何数据集中,彼此不对应,如果 transform_null_in = 0,则无法进行比较。
这是一个 t_null
表的示例:
执行查询 SELECT x FROM t_null WHERE y IN (NULL,3)
产生以下结果:
可以看到 y = NULL
的行被从查询结果中排除。这是因为 ClickHouse 无法确定 NULL
是否包含在 (NULL,3)
集中,返回 0
作为运算结果,因此 SELECT
排除该行的最终输出。
分布式子查询
带有子查询的 IN
操作符有两种选项(类似于 JOIN
操作符):普通的 IN
/ JOIN
和 GLOBAL IN
/ GLOBAL JOIN
。它们在分布式查询处理中运行的方式不同。
使用常规的 IN
时,查询会发送到远程服务器,每个服务器会运行 IN
或 JOIN
子句中的子查询。
使用 GLOBAL IN
/ GLOBAL JOIN
时,首先运行所有 GLOBAL IN
/ GLOBAL JOIN
的子查询,并将结果收集到临时表中。然后将临时表发送到每个远程服务器,查询将使用这些临时数据运行。
对于非分布式查询,请使用常规的 IN
/ JOIN
。
在进行分布式查询处理时,小心使用 IN
/ JOIN
子句中的子查询。
让我们看看一些示例。假设集群中的每个服务器都有一个普通的 local_table。每个服务器还具有一个类型为 Distributed 的 distributed_table 表,用于查看集群中的所有服务器。
对于 distributed_table 的查询,查询将发送到所有远程服务器,并在它们上运行,使用 local_table。
例如,查询
将作为以下查询发送到所有远程服务器:
并在每个服务器上并行运行,直到达到可以组合中间结果的阶段。然后,中间结果将返回请求服务器并在其上合并,最终结果将发送到客户端。
现在让我们检查一个带有 IN
的查询:
- 计算两个网站受众的交集。
此查询将作为以下查询发送到所有远程服务器:
换句话说,IN
子句中的数据集将在每台服务器上独立收集,仅跨每台服务器上存储的数据。
如果您为此情况做好准备,并且已经将数据分布在集群服务器上,以便单个 UserID 的数据完全位于单个服务器上,则这将正确且高效地工作。在这种情况下,每台服务器上都将本地可用所有必要数据。否则,结果将不准确。我们将这种查询变体称为“本地 IN”。
要更正查询在数据随机分布在集群服务器上的工作方式,您可以在子查询中指定 distributed_table。查询将如下所示:
此查询将作为以下查询发送到所有远程服务器:
子查询将开始在每个远程服务器上运行。由于子查询使用分布式表,因此每个远程服务器上的子查询将重新发送到所有远程服务器,如下所示:
例如,如果您有一个由 100 台服务器组成的集群,执行整个查询将需要 10,000 个基本请求,这通常被认为是不可接受的。
在这种情况下,您应该始终使用 GLOBAL IN
而不是 IN
。让我们看看它在查询中的工作方式:
请求服务器将运行子查询:
结果将放入 RAM 中的临时表。然后请求将作为以下内容发送到每个远程服务器:
临时表 _data1
将与查询一起发送到每个远程服务器(临时表的名称由实现决定)。
这比使用普通的 IN
更有效。但请记住以下几点:
- 创建临时表时,数据不会唯一。为了减少网络上传输的数据量,请在子查询中指定 DISTINCT。(对于普通的
IN
不需要这样做。) - 临时表将发送到所有远程服务器。传输不考虑网络拓扑。例如,如果 10 台远程服务器位于与请求服务器关系非常遥远的数据中心,则数据将通过通道发送 10 次到远程数据中心。尝试在使用
GLOBAL IN
时避免大型数据集。 - 向远程服务器传输数据时,无法配置网络带宽的限制。您可能会过载网络。
- 尝试在服务器之间分配数据,以便不需要经常使用
GLOBAL IN
。 - 如果您需要频繁使用
GLOBAL IN
,请规划 ClickHouse 集群的位置,以便一组副本不超过一个数据中心,并且它们之间网络速度较快,以便查询可以完全在单个数据中心内处理。
在 GLOBAL IN
子句中指定本地表也是合理的,以防此本地表仅在请求服务器上可用,并且您希望从远程服务器使用该数据。
分布式子查询与 max_rows_in_set
您可以使用 max_rows_in_set
和 max_bytes_in_set
来控制在分布式查询期间传输的数据量。
这对于 GLOBAL IN
查询返回大量数据时尤其重要。考虑以下 SQL:
如果 some_predicate
的选择性不足,将返回大量数据并导致性能问题。在这种情况下,限制网络数据传输是明智的。此外,请注意 set_overflow_mode
默认为 throw
,这意味着当达到这些阈值时会引发异常。
分布式子查询与 max_parallel_replicas
当 max_parallel_replicas 大于 1 时,分布式查询进一步转化。
例如,下面的查询:
在每个服务器上转化为:
其中 M
在 1
和 3
之间,具体取决于本地查询在哪个副本上执行。
这些设置影响查询中的每个 MergeTree 家族表,并具有与在每个表上应用 SAMPLE 1/3 OFFSET (M-1)/3
相同的效果。
因此,添加 max_parallel_replicas 设置只有在两个表具有相同的复制方案并按 UserID 或其子键进行采样时才会产生正确的结果。特别是,如果 local_table_2
没有采样键,将会产生不正确的结果。这个规则同样适用于 JOIN
。
如果 local_table_2
不符合要求,那么可以使用 GLOBAL IN
或 GLOBAL JOIN
作为变通方法。
如果表没有采样键,可以使用更灵活的 parallel_replicas_custom_key 选项,这可以产生不同且更优的行为。