explain
select o_orderpriority,
       count(*) as order_count
from orders
where o_orderdate >= date '1993-07-01'
  and o_orderdate < date '1993-07-01' + interval '3' month
  and exists(
        select *
        from lineitem
        where l_orderkey = o_orderkey
          and l_commitdate < l_receiptdate
    )
group by o_orderpriority
order by o_orderpriority;

可以看到，这个语句中只有两个查询表, 4 个谓词条件，特点是在子查询中使用了外表的字段，我们也管这种叫做相关子查询，而在驱动表里则使用了聚合。

这里科普一下，驱动表（Driving Table），也称外层表（Outer Table）,顾名思义，驱动表是用来驱动查询的。驱动表仅仅用于 Nested-Loop Join 和 Hash Join，简单来说，就是用来最先获得数据，并以此表的数据为依据，逐步获得其他表的数据，直至最终查询到所有满足条件的数据的第一个表。

介绍完简单的语句之后，说下我们在这里的优化方案。

常见的子查询优化

子查询合并：如果两个查询块语义等价，则能够将其合并成一个子查询，这样多次 TableScan、TableJoin 都可以消减为单表的 Scan、Join。

子查询展开：又称为子查询上拉，把子查询的查询谓词和表提到上层中，变为 join 操作，这样子查询就不存在了，连接方法和连接顺序也可以随意调整了，如 Nested-Loop Join 可以换成 Hash Join 等等，我们的 Q4 也就是通过这种方式进行优化的。

针对 Q4 的优化方案

上一段也有说到，针对 Q4，我们需要是子查询展开优化。就是将子查询重写为同语义的 Semi-join(半连接), 然后执行 Semi-join 即可。

mysql 的子查询展开代码流程

resolve_subquery :对subqueryitem进行解析，收集能够unnesting为semi-join的所有subqueryblock，这里有很多的严格限制条件(mysql5.7有11个限制条件)，基本来说就是只允许 SPJ 的 subquery 进行 unnesting，具体条件可详见函数中的代码及注释。可以做 unnesting，会把这个 subquery 的 item 对象，加入到外层 select_lex::sj_candidates 中后续使用，无法做 unnesting 的，则调用 select_transformer，尝试做 IN->EXIST 的转换。

convert_subquery_to_semijoin: 将真正可以展开的(内层有 table)，建立 sj-nest 这个 TABLE_LIST 对象， 基本思路就是想将 inner table 放到外层的 Join list 中， 内层的谓词条件都放在外层对应的 ON/WHERE 条件上。sj-nest 是后续优化 Semi-join 的一个重要结构，会用子查询 SELECT_LEX 中的内容对其进行填充。

我们的优化方案

首先是 MySQL-5.7 只展开 in 子查询，无法展开 exists 子查询，而我们的 Q4 就是一个 exists 子查询；再者我们的 Tianmu 查询引擎目前没有执行 Semi-join 流程，所以即使是 in 子查询也无法在 tianmu 引擎中执行。所以我们的优化方案也就不言自明了，首先在 MySQL-5.7 增加针对 exists 子查询展开的这个 case，然后让我们的 tianmu 引擎能够执行 semi-join。

优化器改写

我们的 exists 语句改写参照 in 语句进行的，但是跟 in 语句稍有不同。首先 resolve_subquery 函数中，判断是 exists 则不进行转换，这里我们把他加回来；resolve_subquery只是进行的判断，是否能够转换，真正的转换操作是在 convert_subquery_to_semijoin 函数中进行的，在 convert_subquery_to_semijoin 中，我们把子查询所有用到的表上提到 sj_nest，把所有的谓词上提到 sj_cond, in 子查询因为 in 子查询是一个谓词，所以需要针对谓词进行单独处理，exists 则不需要，直接上提。但是这里我们还需要做一个操作，就是把子查询中用到的外表的表达式放到 sj_outer_exprs 中，所有用到内表的表达式放到 sj_inner_exprs 中，这个 mysql 的执行器或者 tianmu 执行器都会用到。我们可以使用 EXPLAIN 语句在查询、调试我们优化后的语句：

select `tpch_db`.`orders`.`o_orderpriority` AS `o_orderpriority`, count(0) AS `order_count`
from `tpch_db`.`orders` semi
         join (`tpch_db`.`lineitem`)
where ((`tpch_db`.`lineitem`.`l_orderkey` = `tpch_db`.`orders`.`o_orderkey`) and
       (`tpch_db`.`orders`.`o_orderdate` >= DATE '1993-07-01') and
       (`tpch_db`.`orders`.`o_orderdate` < < cache > ((DATE '1993-07-01' + interval '3' month))) and
       (`tpch_db`.`lineitem`.`l_commitdate` < `tpch_db`.`lineitem`.`l_receiptdate`))
group by `tpch_db`.`orders`.`o_orderpriority`
order by `tpch_db`.`orders`.`o_orderpriority` limit 100;

子查询被成功上提到外层查询中，接下来只要能够正确执行 Semi-join 就大功告成了。

Semi-join 的执行策略

MySQL 的 Semi-join 执行策略

Semi-join 的执行概括来看就是想办法把内层的查询进行去重。在写我们自己的 Semi-join 执行前，我们先学习一下 MySQL 中执行的方式，主要有 4 种，分别是：

1. DuplicateWeedout，使用临时表针对 join 序列中，join 内表产生的重复部分，做消除处理；内层子查询的表通过在外层表的 rowid 上建立唯一索引来对重复生成的 country 行数据做去重。
2. FirstMatch，比较好理解，在选中内部表的第 1 条与外表匹配的记录后，就跳过后续的匹配过程，从外层表的下一条记录重新开始，从而也达到了去重的目的。
3. LooseScan，把 inner-tables 中的第一个表，其数据基于索引进行分组，取每组第一条数据向后做匹配。
4. Materialize，这个是想法上最直观的，通过将 inner-table 去重，并固化成临时表，遍历 outer-table，然后在固化表上去寻找匹配。

Tianmu 的 Semi-join 执行策略选择

根据我们的执行引擎特点，最后决定使用实现 DuplicateWeedout 和 Materialize 两种执行策略。

因为 Tianmu 是列存，内部没有 row by row 的执行流程，所以放弃了 FirstMatch；而且只有主键，没有索引， LooseScan 其实主要使用索引，所以也放弃这一方案了。

DuplicateWeedout

DuplicateWeedout 方式其实相对比较容易实现，可以复用现有的 inner-join 执行流程，其实 semi-join 跟 inner-join 的主要区别就内表的去重，这个确实是我们的难点，因为 mysql 这里使用了，默认主键(rowid)来进行内表的去重，而我们的此概念，所以在这里我们又增加一个限制，就是给必须外表必须包含主键，才能子查询展开。另外一个难点是我们的 group by 处理，因为我们 group by 和 distinct 是同一个算子，而且做不到先去重后聚合这种操作，所以这里我们增加了一个临时表，专门用来去重，然后再分组聚合，这里又会遇到新的问题，因为 SPJ 和 非 SPJ 语句用到的 Field 是不同的， 例如我们需要将 count(*), min(xxx),avg(xxx) 等 Field 中聚合去掉，保留原始 Field, 然后等去重之后，再添加聚合属性。细节处理很多，大家可以直接看代码。

我们来看一个具体例子：

add query table: ./test_db/orders
add query table: ./test_db/lineitem
T:-1 = TABLE_ALIAS(T:1,"lineitem")
T:-2 = TMP_TABLE(T:-1,T:4294967293)                              // -> for distinct tmp table
T:-3 = TABLE_ALIAS(T:0,"orders")
VC:-2.0 = CREATE_VC(T:-2,PHYS_COL(T:-3,A:5))
A:-1 = T:-2.ADD_COLUMN(VC:-2.0,LIST,"o_orderpriority","ALL")
VC:-2.1 = CREATE_VC(T:-2,PHYS_COL(T:-3,A:0))
A:-2 = T:-2.ADD_COLUMN(VC:-2.1,LIST,"o_orderkey","ALL")
VC:-2.2 = CREATE_VC(T:-2,PHYS_COL(T:-3,A:4))
VC:-2.3 = CREATE_VC(T:-2,EXPR("date_literal"))
C:0 = CREATE_CONDS(T:-2,VC:-2.2,>=,VC:-2.3,<null>)
VC:-2.4 = CREATE_VC(T:-2,EXPR("date_add_interval"))
C:0.AND(VC:-2.2,<,VC:-2.4,<null>)
VC:-2.5 = CREATE_VC(T:-2,EXPR("1"))
VC:-2.6 = CREATE_VC(T:-2,EXPR("0"))
C:0.AND(VC:-2.5,<>,VC:-2.6,<null>)
VC:-2.7 = CREATE_VC(T:-2,PHYS_COL(T:-1,A:11))
VC:-2.8 = CREATE_VC(T:-2,PHYS_COL(T:-1,A:12))
C:0.AND(VC:-2.7,<,VC:-2.8,<null>)
VC:-2.9 = CREATE_VC(T:-2,PHYS_COL(T:-1,A:0))
C:1 = CREATE_CONDS(T:-2,VC:-2.1,=,VC:-2.9,<null>)
C:0.AND(C:1)
T:-2.ADD_CONDS(C:0,WHERE)
T:-2.APPLY_CONDS()
T:-2.MODE(DISTINCT,0,0)
T:-4 = TMP_TABLE(T:4294967294)                                   // -> for group by tmp table
VC:-4.0 = CREATE_VC(T:-4,PHYS_COL(T:-2,A:-1))
A:-1 = T:-4.ADD_COLUMN(VC:-4.0,LIST,"o_orderpriority","ALL")
A:-2 = T:-4.ADD_COLUMN(<null>,COUNT,"order_count","ALL")
VC:-4.1 = CREATE_VC(T:-4,PHYS_COL(T:-2,A:-1))
A:-3 = T:-4.ADD_COLUMN(VC:-4.1,GROUP_BY,"null","ALL")
VC:-4.2 = CREATE_VC(T:-4,PHYS_COL(T:-2,A:-1))
A:-4 = T:-4.ADD_COLUMN(VC:-4.2,LIST,"null","ALL")
VC:-4.3 = CREATE_VC(T:-4,PHYS_COL(T:-4,A:-4))
T:-4.ADD_ORDER(VC:-4.3,ASC)
RESULT(T:-4)

从例子中我们可以看到，T:-2 这个临时表是用来去重的，T:-4 这个临时表是用来聚合的，最后物化的结果集也是 T:-4 这个临时表。

Materialize

Materialize 方式是直接将内表进行物化，当然如果内表包含相关条件，则无法直接进行物化，这里需要把需要相关条件提出来，变成外表的 join 条件，注意这里执行器需要 join 的表换成我们为内表创建的临时表，而不是原来的物理表。这种执行方式不是有必须包含主键的限制，但是他有两个问题，首先是他走了两遍查询流程，比 DuplicateWeedout 要慢，然后就是相关条件的提取非常困难，目前还是无法在所有场景下都支持， 所以最后的代码中没有包含使用 Materialize 方式的代码，后续如果必须有主键这个限制很大，我们会考虑把 Materialize 的方式加回来，但是肯定是能使用 DuplicateWeedout， 优先使用 DuplicateWeedout。

总结

通过子查询优化这个，发现Tianmu引擎中部分语句性能慢的原因是优化器还不够完美，相比其他组件，我们目前的优化器可能没做那么精致，虽然我们的大部分语句性能都不错，但是遇到个别复杂语句时性能却不够给力。我们后续会 Tianmu 的 Join order 做优化，敬请期待。

以上就是本次分享，欢迎大家批评指正，我们会持续发布 StoneDB 的研发分享文章，希望能帮助到大家学习数据库和 StoneDB 的相关知识。

HTAP 的下一步？SoTP 初探

存算一体 VS 存算分离 ，IT发展下的技术迭代

没有HTAP，机器学习和人工智能都是不切实际的 

面向场景，HTAP到底是刚需还是炒作？

StoneDB 团队成员与 MySQL 之父 Monty 会面，共话未来数据库形态

HTAP的关键技术有哪些？| StoneDB学术分享会

解读《Benchmarking Hybrid OLTP&OLAP Database Systems》| StoneDB学术分享会

深度干货！一篇Paper带您读懂HTAP | StoneDB学术分享会