GaussDB(DWS)性能调优：row_number() over(p)-rn=1性能瓶颈发现和改写套路

1、改写场景

本套路应用于子查询中含有row_number() over(partition by order by) rn，并仅把rn列用于分类排序后筛选最大值的场景。

2、性能分析

GaussDB中SQL语句的执行很多时候是流式的，即对每一条数据进行流水加工，各层算子同时在执行，缩短执行耗时。

但是在一些场景下，需要先取得前一个算子的全部结果集，然后才能够进行下一步的加工；窗口函数就是其中的一种。

观察执行计划可以看到，SQL会在计算得到rn列后，再同本层查询其它列进行关联。由于存在窗口函数，必须先把51号算子先执行完，然后才能进行关联，造成性能瓶颈。

通过去窗口函数改写，我们可以使得分类汇总同明细数据之间的关联流水执行。

改写前局部SQL

SELECT
	PROD_EN_NAME,
	PROD_LIFE_CYCLE_STATUS 
FROM
	(
	SELECT
		PROD_EN_NAME,
		LIFE_CYCLE AS PROD_LIFE_CYCLE_STATUS,
		DEL_FLAG,
		ROW_NUMBER ( ) OVER ( PARTITION BY PROD_EN_NAME ORDER BY RUN_DATE DESC ) RN 
	FROM
		DMISC.DM_DIM_INV_PROD_ATTRI_SNAP_D 
	WHERE
		DATA_TYPE = 1
		
		AND DEL_FLAG = 'N' 
		AND RUN_DATE <= CAST ( '2023-06-11' || ' 00:00:00' AS TIMESTAMP ) 
	) 
WHERE
	RN = 1

改写后局部SQL

WITH T AS (
	SELECT
		PROD_EN_NAME,
		MAX ( LIFE_CYCLE ) AS PROD_LIFE_CYCLE_STATUS,
		RUN_DATE 
	FROM
		DMISC.DM_DIM_INV_PROD_ATTRI_SNAP_D 
	WHERE
		DATA_TYPE = 1
		AND DEL_FLAG = 'N' 
		AND RUN_DATE <= CAST ( '2023-06-11' || ' 00:00:00' AS TIMESTAMP )
	GROUP BY
		PROD_EN_NAME,
		RUN_DATE
)
SELECT
	PROD_EN_NAME,
	PROD_LIFE_CYCLE_STATUS 
FROM T
WHERE
	(PROD_EN_NAME, RUN_DATE) IN (SELECT PROD_EN_NAME, MAX(RUN_DATE) FROM T GROUP BY PROD_EN_NAME)

改写解析：这里先把数据根据原SQL中row_number() over()的partition列和order列进行去重，由于原SQL未定义LIFE_CYCLE的排序方式，改写既可以使用MAX也可以使用MIN函数来进行聚合。然后再对去重后的数据进行过滤，过滤条件显然。

使用这种修改方法，修改前后的全量执行计划已在附件中给出。

这种改写方式解决了上层算子等窗口函数的问题。我们发现，一些业务场景下对不涉及聚合的其它列，比如上面例子中的LIFE_CYCLE并不敏感，且还需要进行进一步聚合的，那么对本层子查询中的去重其实没有硬性需求。可以进一步去除这层去重。

WITH T AS (
	SELECT
		PROD_EN_NAME,
		LIFE_CYCLE  AS PROD_LIFE_CYCLE_STATUS,
		RUN_DATE 
	FROM
		DMISC.DM_DIM_INV_PROD_ATTRI_SNAP_D 
	WHERE
		DATA_TYPE = 1
		AND DEL_FLAG = 'N' 
		AND RUN_DATE <= CAST ( '2023-06-11' || ' 00:00:00' AS TIMESTAMP )
)
SELECT
	PROD_EN_NAME,
	PROD_LIFE_CYCLE_STATUS 
FROM T
WHERE
	(PROD_EN_NAME, RUN_DATE) IN (SELECT PROD_EN_NAME, MAX(RUN_DATE) FROM T GROUP BY PROD_EN_NAME)

改写后执行计划如下：

可以看到，执行计划中虽然51层算子只快了200ms，但由于减少阻塞，1~7层算子的执行时间缩短了，总体比原先快了约480ms。