oralce之 10046对Hash Join分析

前两天解决了一个优化SQL的case，SQL语句如下，big_table为150G大小，small_table很小，9000多条记录，不到1M大小，hash_area_size, sort_area_size均设置足够大，可以进行optimal hash join和memory sort。

1 2 3 4 5 6

select /*+ leading(b) use_hash(a b) */ distinct a.ID from BIG_TABLE a, SMALL_TABLE b where (a.category  = b.from_cat or        a.category2 = b.from_cat) and        a.site_id  = b.site_id and        a.sale_end >= sysdate;

执行计划如下：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

-------------------------------------------------------------------------- | Id  | Operation            |  Name        | Rows  | Bytes | Cost (%CPU)| -------------------------------------------------------------------------- |   0 | SELECT STATEMENT     |              |     2 |   174 |    18  (17)| |   1 |  SORT UNIQUE         |              |     2 |   174 |    18  (17)| |*  2 |   HASH JOIN          |              |     2 |   174 |    17  (12)| |   3 |    TABLE ACCESS FULL | SMALL_TABLE  |  1879 | 48854 |    14   (8)| |*  4 |    TABLE ACCESS FULL | BIG_TABLE    |     4 |   244 |     3  (34)| --------------------------------------------------------------------------   Predicate Information (identified by operation id): ---------------------------------------------------    2 - access("A"."SITE_ID"="B"."SITE_ID")        filter("A"."CATEGORY"="B"."FROM_CAT" OR               "A"."CATEGORY2"="B"."FROM_CAT")    4 - filter("A"."SALE_END">=SYSDATE@!)

粗略来看，PLAN非常的完美，SQL HINT写的也很到位，小表在内build hash table,大表在外进行probe操作，根据经验来看，整个SQL执行的时间应该和FTS（Full Table Scan） BIG_TABLE的时间差不多。

但是FTS BIG_TABLE的时间大约是8分钟，而真个SQL执行的时间长达3~4小时。

那么问题究竟出在哪里?

FTS时间应该不会有太大变化，那么问题应该在hash join，设置event来trace一下hash join的过程：

1	alter session set events '10104 trace name context forever, level 2';

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

### Hash table ### # NOTE: The calculated number of rows in non-empty buckets may be smaller #       than the true number. Number of buckets with   0 rows:      16373 Number of buckets with   1 rows:          0 Number of buckets with   2 rows:          0 Number of buckets with   3 rows:          1 Number of buckets with   4 rows:          0 Number of buckets with   5 rows:          0 Number of buckets with   6 rows:          0 Number of buckets with   7 rows:          1 Number of buckets with   8 rows:          0 Number of buckets with   9 rows:          0 Number of buckets with between  10 and  19 rows:          1 Number of buckets with between  20 and  29 rows:          1 Number of buckets with between  30 and  39 rows:          3 Number of buckets with between  40 and  49 rows:          0 Number of buckets with between  50 and  59 rows:          0 Number of buckets with between  60 and  69 rows:          0 Number of buckets with between  70 and  79 rows:          0 Number of buckets with between  80 and  89 rows:          0 Number of buckets with between  90 and  99 rows:          0 Number of buckets with 100 or more rows:          4 ### Hash table overall statistics ### Total buckets: 16384 Empty buckets: 16373 Non-empty buckets: 11 Total number of rows: 9232 Maximum number of rows in a bucket: 2531 Average number of rows in non-empty buckets: 839.272705

仔细看，在一个bucket中最多的行数竟然有2531行，因为bucket中是一个链表的结构，所以这几千行都是串在一个链表上。 
由这一点想到这个Hash Table所依赖的hash key的distinct value可能太少，重复值太多。否则不应该会有这么多行在同一个bucket里面。

因为Join条件里面有两个列from_cat和site_id,穷举法有三种情况：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

SQL> select site_id,from_cat,count(*) from SMALL_TABLE group by site_id,from_cat having count(*)>100;   no rows selected   2. Build hash table based on (from_cat):   SQL> select from_cat,count(*) from SMALL_TABLE group by from_cat having count(*)>100;   no rows selected   3. Build hash table based on (site_id):   SQL> select site_id,count(*) from SMALL_TABLE group by site_id having count(*)>100;      SITE_ID   COUNT(*) ---------- ----------          0       2531          2       2527        146       1490        210       2526

到这里可以发现，基于site_id这种情况和trace file中这两行很相符：

1 2	Number of buckets with 100 or more rows: 4 Maximum number of rows in a bucket: 2531

注：这判断过程可以从执行计划的“Predicate Information”部分看出：

1	access("A"."SITE_ID"="B"."SITE_ID")

所以推断这个hash table是基于site_id而建的，而Big_Table中大量的行site_id=0，都落在这个linked list最长的bucket中，而大部分行都会扫描完整个链表而最后被丢弃掉,所以这个Hash Join的操作效率非常差，几乎变为了Nest Loop操作。

找到了根本原因，问题也就迎刃而解了。

理想状况下，hash table应当建立于(site_id,from_cat)上，那么问题肯定出在这个OR上，把OR用UNION改写：

1 2 3 4 5 6 7 8 9 10 11

select /*+ leading(b) use_hash(a b) */ distinct a.ID from BIG_TABLE a, SMALL_TABLE b where  a.category  = b.from_cat and        a.site_id  = b.site_id and        a.sale_end >= sysdate UNION select /*+ leading(b) use_hash(a b) */ distinct a.ID from BIG_TABLE a, SMALL_TABLE b where  a.category2 = b.from_cat and        a.site_id  = b.site_id and        a.sale_end >= sysdate;

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

-------------------------------------------------------------------------- | Id  | Operation            |  Name        | Rows  | Bytes | Cost (%CPU)| -------------------------------------------------------------------------- |   0 | SELECT STATEMENT     |              |     2 |   148 |    36  (59)| |   1 |  SORT UNIQUE         |              |     2 |   148 |    36  (59)| |   2 |   UNION-ALL          |              |       |       |            | |*  3 |    HASH JOIN         |              |     1 |    74 |    17  (12)| |   4 |     TABLE ACCESS FULL| SMALL_TABLE  |  1879 | 48854 |    14   (8)| |*  5 |     TABLE ACCESS FULL| BIG_TABLE    |     4 |   192 |     3  (34)| |*  6 |    HASH JOIN         |              |     1 |    74 |    17  (12)| |   7 |     TABLE ACCESS FULL| SMALL_TABLE  |  1879 | 48854 |    14   (8)| |*  8 |     TABLE ACCESS FULL| BIG_TABLE    |     4 |   192 |     3  (34)| --------------------------------------------------------------------------   Predicate Information (identified by operation id): ---------------------------------------------------    3 - access("A"."CATEGORY"="B"."FROM_CAT" AND               "A"."SITE_ID"="B"."SITE_ID")    5 - filter("A"."SALE_END">=SYSDATE@!)    6 - access("A"."CATEGORY2"="B"."FROM_CAT" AND               "A"."SITE_ID"="B"."SITE_ID")    8 - filter("A"."SALE_END">=SYSDATE@!)

初看这个PLAN好像不如第一个PLAN，因为执行了两次BIG_TABLE的FTS，但是让我们在来看看HASH TABLE的结构

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

### Hash table ### # NOTE: The calculated number of rows in non-empty buckets may be smaller #       than the true number. Number of buckets with   0 rows:       9306 Number of buckets with   1 rows:       5310 Number of buckets with   2 rows:       1436 Number of buckets with   3 rows:        285 Number of buckets with   4 rows:         43 Number of buckets with   5 rows:          4 Number of buckets with   6 rows:          0 Number of buckets with   7 rows:          0 Number of buckets with   8 rows:          0 Number of buckets with   9 rows:          0 Number of buckets with between  10 and  19 rows:          0 Number of buckets with between  20 and  29 rows:          0 Number of buckets with between  30 and  39 rows:          0 Number of buckets with between  40 and  49 rows:          0 Number of buckets with between  50 and  59 rows:          0 Number of buckets with between  60 and  69 rows:          0 Number of buckets with between  70 and  79 rows:          0 Number of buckets with between  80 and  89 rows:          0 Number of buckets with between  90 and  99 rows:          0 Number of buckets with 100 or more rows:          0 ### Hash table overall statistics ### Total buckets: 16384 Empty buckets: 9306 Non-empty buckets: 7078 Total number of rows: 9232 Maximum number of rows in a bucket: 5 Average number of rows in non-empty buckets: 1.304323

这就是我们所需要的Hash Table，最长的链表只有五行数据。

整个SQL的执行时间从三四个小时缩短为16分钟，大大超出了developer的预期。

这个SQL单纯从PLAN上很难看出问题所在，需要了解Hash Join的机制，进行更深一步的分析。

source:http://www.itpub.net/thread-955209-1-1.html