一文读懂简单查询代价估算

摘要：查询引擎会在所有可行的查询访问路径中选择执行代价最低的一条。

本文分享自华为云社区《一文读懂简单查询代价估算【这次高斯不是数学家】》，作者： leapdb。

查询代价估算——如何选择一条最优的执行路径

SQL生命周期：词法分析(Lex) -> 语法分析(YACC) -> 分析重写 -> 查询优化（逻辑优化和物理优化） -> 查询计划生成 -> 查询执行。

1. 词法分析：描述词法分析器的*.l文件经Lex工具编译生成lex.yy.c, 再由C编译器生成可执行的词法分析器。基本功能就是将一堆字符串根据设定的保留关键字和非保留关键字，转化成相应的标识符(Tokens)。
2. 语法分析：语法规则描述文件*.y经YACC工具编译生成gram.c，再由C编译器生成可执行的语法分析器。基本功能就是将一堆标识符(Tokens)根据设定的语法规则，转化成原始语法树。
3. 分析重写：查询分析将原始语法树转换为查询语法树（各种transform）；查询重写根据pg_rewrite中的规则改写表和视图，最终得到查询语法树。
4. 查询优化：经过逻辑优化和物理优化（生成最优路径）。
5. 查询计划生成：将最优的查询路径转化为查询计划。
6. 查询执行：通过执行器去执行查询计划生成查询的结果集。

在物理优化阶段，同样的一条SQL语句可以产生很多种查询路径，例如：多表JOIN操作，不同的JOIN顺序产生不同的执行路径，也导致中间结果元组规模的不同。查询引擎会在所有可行的查询访问路径中选择执行代价最低的一条。

通常我们依据 COST = COST(CPU) + COST(IO) 这一公式来选择最优执行计划。这里最主要的问题是如何确定满足某个条件的元组数量，基本方法就是依据统计信息和一定的统计模型。某条件的查询代价 = tuple_num * per_tuple_cost。

统计信息主要是pg_class中的relpages和reltuples，以及pg_statistics中的distinct, nullfrac, mcv, histgram等。

为何需要这些统计信息，有了这些够不够？

统计信息的收集来自analyze命令通过random方式随机采集的部分样本数据。我们将其转化为一个数学问题就是：给定一个常量数组可以分析出来哪些数据特征？找规律哈。

用最朴素的数学知识能想到的是：

1. 是不是空数组
2. 是不是常量数组
3. 是不是unique无重复
4. 是不是有序
5. 是不是单调的，等差，等比
6. 出现次数最多的数字有哪些
7. 数据的分布规律（打点方式描绘数据增长趋势）

还有吗？这是一个值得不断思考的问题。

如何依据统计信息估算查询代价

统计信息是不准确的，不可靠的，两个原因：

1. 统计信息只来自部分采样数据，不能精准描述全局特征。
2. 统计信息是历史数据，实际数据随时可能在变化。

如何设计一个数学模型，利用不可靠的统计信息，尽可能准确的估算查询代价，是一个很有意思的事情。接下来我们通过一个个的具体例子来介绍。

主要内容来自以下链接，我们主要对其进行详细的解读。
PostgreSQL: Documentation: 14: Chapter 72. How the Planner Uses Statistics
PostgreSQL: Documentation: 14: 14.1. Using EXPLAIN

最简单的表的行数估算(使用relpages和reltuples)

SELECT relpages, reltuples FROM pg_class WHERE relname = 'tenk1'; ---采样估算有358个页面，10000条元组
 relpages | reltuples
----------+-----------
      358 |     10000

EXPLAIN SELECT * FROM tenk1; ---查询估算该表有10000条元组
                         QUERY PLAN
-------------------------------------------------------------
 Seq Scan on tenk1  (cost=0.00..458.00 rows=10000 width=244)

【思考】查询计划中估算的rows=10000就直接是pg_class->reltuples吗？

统计信息是历史数据，表的元组数在随时变化。例如：analyze数据采样时有10个页面，存在50条元组；实际执行时有20个页面，可能存在多少条元组？用你最朴素的情感想一想是不是，很可能是100条元组对不对？

表大小的估算方法在函数 estimate_rel_size -> table_relation_estimate_size -> heapam_estimate_rel_size 中。

1. 先通过表物理文件的大小计算实际页面数actual_pages = file_size / BLOCKSIZE
2. 计算页面的元组密度
   a. 如果relpages大于0，density = reltuples / (double) relpages
   b. 如果relpages为空，density = (BLCKSZ - SizeOfPageHeaderData) / tuple_width, 页面大小 / 元组宽度。
3. 估算表元组个数 = 页面元组密度 * 实际页面数 = density * actual_pages

所以，估算rows的10000 = (10000 / 358) * 358，历史页面密度 * 新的页面数，以推算当前元组数。

最简单的范围比较(使用直方图)

SELECT histogram_bounds FROM pg_stats WHERE tablename='tenk1' AND attname='unique1';
                   histogram_bounds
------------------------------------------------------
 {0,993,1997,3050,4040,5036,5957,7057,8029,9016,9995}

 EXPLAIN SELECT * FROM tenk1 WHERE unique1 < 1000; ---估算小于1000的有1007条
                                   QUERY PLAN
-------------------------------------------------------------------​-------------
 Bitmap Heap Scan on tenk1  (cost=24.06..394.64 rows=1007 width=244)
   Recheck Cond: (unique1 < 1000)
   ->  Bitmap Index Scan on tenk1_unique1  (cost=0.00..23.80 rows=1007 width=0)
         Index Cond: (unique1 < 1000)

查询引擎在查询语法树的WHERE子句中识别出比较条件，再到pg_operator中根据操作符和数据类型找到oprrest为scalarltsel，这是通用的标量数据类型的小于操作符的代价估算函数。最终是在 scalarineqsel -> ineq_histogram_selectivity 中进行直方图代价估算。

在PG中采用的是等高直方图，也叫等频直方图。将样本范围划分成N等份的若干个子区间，取所有子区间的边界值，构成直方图。

使用：使用时认为子区间（也叫桶）内的值是线性单调分布的，也认为直方图的覆盖范围就是整个数据列的范围。因此，只需计算出在直方图中的占比，既是总体中的占比。

【思考】以上的两点假设靠谱吗？有没有更合理的办法？

选择率 = (前面桶的总数 + 目标值在当前桶中的范围 / 当前桶的区间范围) / 桶的总数
selectivity = (1 + (1000 - bucket[2].min) / (bucket[2].max - bucket[2].min)) / num_buckets
            = (1 + (1000 - 993) / (1997 - 993)) / 10
            = 0.100697
估算元组数 = 基表元组数 * 条件选择率
rows = rel_cardinality * selectivity
     = 10000 * 0.100697
     = 1007  (rounding off)

最简单的等值比较(使用MCV)

SELECT null_frac, n_distinct, most_common_vals, most_common_freqs FROM pg_stats WHERE tablename='tenk1' AND attname='stringu1';
null_frac         | 0
n_distinct        | 676
most_common_vals  | {EJAAAA,BBAAAA,CRAAAA,FCAAAA,FEAAAA,GSAAAA,​JOAAAA,MCAAAA,NAAAAA,WGAAAA}
most_common_freqs | {0.00333333,0.003,0.003,0.003,0.003,0.003,​0.003,0.003,0.003,0.003}

EXPLAIN SELECT * FROM tenk1 WHERE stringu1 = 'CRAAAA'; ---
                        QUERY PLAN
----------------------------------------------------------
 Seq Scan on tenk1  (cost=0.00..483.00 rows=30 width=244)
   Filter: (stringu1 = 'CRAAAA'::name)

查询引擎在查询语法树的WHERE子句中识别出比较条件，再到pg_operator中根据操作符和数据类型找到oprrest为eqsel，这是通用的等值比较操作符的代价估算函数。最终是在 eqsel_internal -> var_eq_const 中进行MCV代价估算。

MCV是在样本中选取重复次数最多的前100个组成，并计算每个值在样本中的占比。使用时，就简单的认为这个占比就是在全局中的占比。

【思考】将样本中占比就这样简单的认为是在全局中的占比，这样合理吗？有没有更好的办法？

CRAAAA位于MCV中的第3项，占比是0.003
selectivity = mcf[3]
            = 0.003
rows = 10000 * 0.003
     = 30

接下来，我们在看一个不在MCV中的等值比较。

EXPLAIN SELECT * FROM tenk1 WHERE stringu1 = 'xxx'; ---查找不存在于MCV中的值
                        QUERY PLAN
----------------------------------------------------------
 Seq Scan on tenk1  (cost=0.00..483.00 rows=15 width=244)
   Filter: (stringu1 = 'xxx'::name)

通常MCV用于等值比较，直方图用于范围比较。“不存在于MCV中的值”，认为它们共享“不存在于MCV中的概率”，即：选择率 = (1 - MCV概率总和) / (不在MCV中的值的distinct个数)。

【思考】这样判断不在MCV中的方法合理吗？有没有更好的方法？

selectivity = (1 - sum(mvf)) / (num_distinct - num_mcv)
            = (1 - (0.00333333 + 0.003 + 0.003 + 0.003 + 0.003 + 0.003 +
                    0.003 + 0.003 + 0.003 + 0.003)) / (676 - 10)
            = 0.0014559
rows = 10000 * 0.0014559
     = 15  (rounding off)

复杂一点的范围比较（同时使用MCV和直方图）

前面 unique < 1000 的例子，在 scalarineqsel 函数中只利用到了直方图，是因为unique列没有重复值，也就不存在MCV。下面我们用一个不是unique的普通列再看一下范围比较。

这个范围包括两部分，重复次数比较多的值（在MCV中） 和 重复次数比较少的值（覆盖在直方图里），又由于计算直方图时去掉了MCV的值，因此MCV和直方图互相独立可以联合使用。

SELECT null_frac, n_distinct, most_common_vals, most_common_freqs FROM pg_stats WHERE tablename='tenk1' AND attname='stringu1';
null_frac         | 0
n_distinct        | 676
most_common_vals  | {EJAAAA,BBAAAA,CRAAAA,FCAAAA,FEAAAA,GSAAAA,​JOAAAA,MCAAAA,NAAAAA,WGAAAA}
most_common_freqs | {0.00333333,0.003,0.003,0.003,0.003,0.003,​0.003,0.003,0.003,0.003}

SELECT histogram_bounds FROM pg_stats WHERE tablename='tenk1' AND attname='stringu1';
                                histogram_bounds
-------------------------------------------------------------------​-------------
 {AAAAAA,CQAAAA,FRAAAA,IBAAAA,KRAAAA,NFAAAA,PSAAAA,SGAAAA,VAAAAA,​XLAAAA,ZZAAAA}

EXPLAIN SELECT * FROM tenk1 WHERE stringu1 < 'IAAAAA'; ---查找一个不存在于MCV中的值
                         QUERY PLAN
------------------------------------------------------------
 Seq Scan on tenk1  (cost=0.00..483.00 rows=3077 width=244)
   Filter: (stringu1 < 'IAAAAA'::name)

小于IAAAAA的值在MCV中有前6个，因此把它们的frac累加起来，就是小于IAAAAA且重复次数较多的人的概率

selectivity = sum(relevant mvfs)
            = 0.00333333 + 0.003 + 0.003 + 0.003 + 0.003 + 0.003
            = 0.01833333

还有一部分小于IAAAAA但重复次数较少的人的概率 可以通过直方图进行范围计算。前面使用unique1列进行等值比较时，因为unique约束列不存在MCV，只有直方图。因此，只计算在直方图中桶的覆盖占比就是选择率了。这里还要考虑落在 直方图中值的整体占比 histogram_fraction = 1 - sum(mcv_frac)，直方图桶的覆盖占比 * 整个直方图整体占比就是在直方图中的选择率了。

selectivity = mcv_selectivity + histogram_selectivity * histogram_fraction
            = 0.01833333 + ((2 + ('IAAAAA'-'FRAAAA')/('IBAAAA'-'FRAAAA')) / 10) * (1 - sum(mvfs))
            = 0.01833333 + 0.298387 * 0.96966667
            = 0.307669

rows        = 10000 * 0.307669
            = 3077  (rounding off)

【思考】在这个特殊的例子中，从MCV中计算出来的选择率为0.01833333，远小于从直方图中计算出来的选择率0.28933593，是因为该列中数值分布的太平缓了（统计信息显示MCV中的这些值出现的频率比其他值要高，这可能是因为采样导致的错误）。在大多数存在明显重复值多的场景下，从MCV中计算出的选择率会比较明显，因为重复值的出现概率是比较准确的。

多条件联合查询的例子

EXPLAIN SELECT * FROM tenk1 WHERE unique1 < 1000 AND stringu1 = 'xxx';
                                   QUERY PLAN
-------------------------------------------------------------------​-------------
 Bitmap Heap Scan on tenk1  (cost=23.80..396.91 rows=1 width=244)
   Recheck Cond: (unique1 < 1000)
   Filter: (stringu1 = 'xxx'::name)
   ->  Bitmap Index Scan on tenk1_unique1  (cost=0.00..23.80 rows=1007 width=0)
         Index Cond: (unique1 < 1000)

多条件的选择率计算其实也很简单，就按条件本身的逻辑运算来。

两个条件是与的关系，属于互相独立事件，就相乘就可以了。

selectivity = selectivity(unique1 < 1000) * selectivity(stringu1 = 'xxx')
            = 0.100697 * 0.0014559
            = 0.0001466

rows        = 10000 * 0.0001466
            = 1  (rounding off)

一个使用JOIN的例子

EXPLAIN SELECT * FROM tenk1 t1, tenk2 t2
WHERE t1.unique1 < 50 AND t1.unique2 = t2.unique2;
                                      QUERY PLAN
-------------------------------------------------------------------​-------------------
 Nested Loop  (cost=4.64..456.23 rows=50 width=488)
   ->  Bitmap Heap Scan on tenk1 t1  (cost=4.64..142.17 rows=50 width=244)
         Recheck Cond: (unique1 < 50)
         ->  Bitmap Index Scan on tenk1_unique1  (cost=0.00..4.63 rows=50 width=0)
               Index Cond: (unique1 < 50)
   ->  Index Scan using tenk2_unique2 on tenk2 t2  (cost=0.00..6.27 rows=1 width=244)
         Index Cond: (unique2 = t1.unique2)

unique1 < 50这个约束在nested-loop join之前被执行，还是使用直方图计算，类似前面的简单范围查找的例子，只不过这次50落在第一个桶中。

selectivity = (0 + (50 - bucket[1].min)/(bucket[1].max - bucket[1].min))/num_buckets
            = (0 + (50 - 0)/(993 - 0))/10
            = 0.005035

rows        = 10000 * 0.005035
            = 50  (rounding off)

JOIN约束t1.unique2 = t2.unique2的选择率估算，还是先到pg_operator中查找“等于”操作符的oprjoin，是eqjoinsel。JOIN的话，两边的统计信息都要参考。

SELECT tablename, null_frac,n_distinct, most_common_vals FROM pg_stats
WHERE tablename IN ('tenk1', 'tenk2') AND attname='unique2';

tablename  | null_frac | n_distinct | most_common_vals
-----------+-----------+------------+------------------
 tenk1     |         0 |         -1 |
 tenk2     |         0 |         -1 |

对于unique列没有MCV，所以这里我们只能依赖distinct和nullfrac来计算选择率。

【*】选择率 = 两边的非空概率相乘，再除以最大JOIN条数。
selectivity = (1 - null_frac1) * (1 - null_frac2) * min(1/num_distinct1, 1/num_distinct2)
            = (1 - 0) * (1 - 0) / max(10000, 10000)
            = 0.0001
【*】JOIN的函数估算就是两边输入数量的笛卡尔积，再乘以选择率
rows = (outer_cardinality * inner_cardinality) * selectivity
     = (50 * 10000) * 0.0001
     = 50

如果存在MCV，则分成两部分计算选择率：在MCV中的部分和不在MCV中的部分。

更详细的信息

表大小的估算：src/backend/optimizer/util/plancat.c
一般逻辑子句的选择率估算：src/backend/optimizer/path/clausesel.c
操作符函数的选择率估算：src/backend/utils/adt/selfuncs.c.

点击关注，第一时间了解华为云新鲜技术~