SQL 魔法 - 查询不应该花费 15 个小时，但确实如此

Question

好的，所以我有一个非常可怕的 MySQL 表(90 万条记录，总共 180 MB)，我想从具有更高 date_updated 的子组记录中提取并计算每个组的加权平均值。计算运行了大约 15 个小时，我有一种强烈的感觉，我做错了。

首先，巨大的 table 布局:

• 类别
• element_id
• date_updated
• 值
• 重量
• source_prefix
• source_name

这里唯一的关键是 element_id(BTREE，~8k 唯一元素)。

及计算过程:

为每个组和子组制作哈希。

CREATE TEMPORARY TABLE `temp1` (INDEX ( `ds_hash` ))
                SELECT `category`, 
                `element_id`, 
                `source_prefix`, 
                `source_name`, 
                `date_updated`, 
                `value`, 
                `weight`, 
                MD5(CONCAT(`category`, `element_id`, `source_prefix`, `source_name`)) AS `subcat_hash`, 
                MD5(CONCAT(`category`, `element_id`, `date_updated`)) AS `cat_hash` 
                FROM `bigbigtable` WHERE `date_updated` <= '2009-04-28'

我真的不明白这种对哈希的大惊小怪，但这种方式工作得更快。我猜是黑魔法。

查找每个子组的最大日期

CREATE TEMPORARY TABLE `temp2` (INDEX ( `subcat_hash` ))

                SELECT MAX(`date_updated`) AS `maxdate` , `subcat_hash`
                FROM `temp1`
                GROUP BY `subcat_hash`;

将 temp1 与 temp2 连接起来以找到类别的加权平均值

CREATE TEMPORARY TABLE `valuebycats` (INDEX ( `category` ))
            SELECT `temp1`.`element_id`, 
                   `temp1`.`category`, 
                   `temp1`.`source_prefix`, 
                   `temp1`.`source_name`, 
                   `temp1`.`date_updated`, 
                   AVG(`temp1`.`value`) AS `avg_value`,
            SUM(`temp1`.`value` * `temp1`.`weight`) / SUM(`weight`) AS `rating`

            FROM `temp1` LEFT JOIN `temp2` ON `temp1`.`subcat_hash` = `temp2`.`subcat_hash`
            WHERE `temp2`.`subcat_hash` = `temp1`.`subcat_hash`
            AND `temp1`.`date_updated` = `temp2`.`maxdate`

            GROUP BY `temp1`.`cat_hash`;

(现在我浏览并写下了所有内容，在我看来，我应该在最后一个查询中使用 INNER JOIN(以避免 900k*900k 临时表)。

不过，有没有正常的方法可以做到这一点？

UPD:一些图片供引用:

删除了无效的 ImageShack 链接

UPD:解释建议的解决方案:

+----+-------------+-------+------+---------------+------------+---------+--------------------------------------------------------------------------------------+--------+----------+----------------------------------------------+
| id | select_type | table | type | possible_keys | key        | key_len | ref                                                                                  | rows   | filtered | Extra                                        |
+----+-------------+-------+------+---------------+------------+---------+--------------------------------------------------------------------------------------+--------+----------+----------------------------------------------+
|  1 | SIMPLE      | cur   | ALL  | NULL          | NULL       | NULL    | NULL                                                                                 | 893085 |   100.00 | Using where; Using temporary; Using filesort |
|  1 | SIMPLE      | next  | ref  | prefix        | prefix     | 1074    | bigbigtable.cur.source_prefix,bigbigtable.cur.source_name,bigbigtable.cur.element_id |      1 |   100.00 | Using where                                  |
+----+-------------+-------+------+---------------+------------+---------+--------------------------------------------------------------------------------------+--------+----------+----------------------------------------------+    

Answer 1

使用散列是数据库引擎执行连接的方式之一。您必须自己编写基于散列的连接的情况应该很少见；这看起来肯定不像其中之一，它有一个包含一些聚合的 90 万行表。

根据您的评论，此查询可能会满足您的要求:

SELECT cur.source_prefix, 
       cur.source_name, 
       cur.category, 
       cur.element_id,
       MAX(cur.date_updated) AS DateUpdated, 
       AVG(cur.value) AS AvgValue,
       SUM(cur.value * cur.weight) / SUM(cur.weight) AS Rating
FROM eev0 cur
LEFT JOIN eev0 next
    ON next.date_updated < '2009-05-01'
    AND next.source_prefix = cur.source_prefix 
    AND next.source_name = cur.source_name
    AND next.element_id = cur.element_id
    AND next.date_updated > cur.date_updated
WHERE cur.date_updated < '2009-05-01'
AND next.category IS NULL
GROUP BY cur.source_prefix, cur.source_name, 
    cur.category, cur.element_id

GROUP BY 按来源+类别+元素执行计算。

JOIN 用于过滤掉旧条目。它查找后面的条目，然后 WHERE 语句过滤掉存在后面条目的行。像这样的连接受益于 (source_prefix, source_name, element_id, date_updated) 上的索引。

有很多方法可以过滤掉旧条目，但这个方法往往表现得相当好。