点击链接阅读原文，获取更多技术内容：奇思妙想的SQL｜去重Cube计算优化新思路-阿里云开发者社区

下文主要分享了作者在蚂蚁集团电子商务转型升级流程中，针对去重立方的优化实践。

作者 | 佳二

来源 | 阿里云开发者公众号

引言

SQL作为目前最通用的数据库查询语言，其功能和特性复杂程度远超大家常用的“SELECT * FROM tbl”这样简单，一段好的SQL和差的SQL，其性能可能有几十上千倍的而写出一个能够兼顾性能和易用性的SQL，超越的不仅仅是了解多少新特性的新写法，而是要深入理解数据的处理过程，然后设计好的数据的处理过程。

因此想推出本系列文章，并取名为《奇思妙想的SQL》，希望能够以实际案例出发，和大家分享一些SQL处理数据的新方案新思路，并在过程中模拟对问题本质的理解，希望大家能够喜欢～。

本文为系列第1篇，分享下于蚂蚁集团数据转运改造升级流程中，针对重立方的优化实践。

一、场景描述

在做数据汇总计算和统计分析时，最头疼的就是去重类指标计算（比如用户数、商家数等），特别是还要带多种维度的下钻分析，由于其不可累加的特性，几乎每一项换一个统计维度组合，都得重新计算。数据量小时考虑可以自动化的用明细数据即时直接统计，但当数据量大时就不得不提前进行计算了。

典型场景如下：省、市、区等维度下的支付宝客户端的日支付用户数（其中省、市、区为用户支付时所在的位置，表格中数据指标对应的）。

存在一种情况，某用户早上在杭州市使用支付宝支付了一次，下午跑到绍兴市时又使用支付宝线下支付了一次。那么在统计省+市维度的日支付用户数时，需要为杭州市、绍兴市市各维度下，需要按用户去重，只能为浙江省维度1。针对这种情况，通常就需要以Cube的方式完成数据预计算，同时每个维度组合都需要进行去重操作，因为不可累加。本文中的场景大致为去重立方。

二、常见的实现方法

直接计算，每个维度组合单独计算。比如单独生成省、省+市、省+市+区等维度组合的多张表。每个表只计算固定的维度。然后是数据膨胀再计算，如并集All或者Lateral View Explode或者MaxCompute的Cube计算功能，通过数据膨胀实现一个数据满足多种维度组合的数据计算方法，如下图所示。

这个第三写法其实都类似，重点都在于如图所示对数据进行膨胀，再进行重统计。其执行流程如下图，核心思路去都是先把数据“膨胀”拆为多行，再按照“普通”的Distinct去重统计，因此性能上本身无严重差异，主要在于代码可维护性上。

三、性能分析

接下来方法核心都是先把数据“膨胀”拆为多行，再按照“普通”的不同去重统计，本身性能无差异，主要在于代码可维护性上。这几种方案计算耗时会随着需求维度组合线性增加，同时还要加上独特的本身对计算性能差的影响。

在实际实验中，我们发现，去重立方的计算过程中，80%+的计算成本消耗在数据膨胀和数据传输上。比如提取核心指标场景，需要计算各种组合维度下支付的用户数来实际实验中，大量100亿数据x25种维度组合进行测试，实际执行支撑任务如下图所示，其中R3_2为核心的数据膨胀过程，数据膨胀近10倍，中间结果数据大小由100GB膨胀至1TB 、数据量由100亿膨胀至近1300亿，大部分计算资源和计算运行时间都花在数据膨胀和传输上。若实际的组合维度进一步增加的话，数据膨胀大小也将进一步增加。

四、一个新思路

首先对问题进行拆解下，去重立方体的计算过程核心分为两个部分，数据膨胀+数据去重。数据膨胀解决的是一行数据同时满足多个维度组合的计算，数据去重块完成最终的去重统计，核心解决方案还是源于原始数据去匹配结果数据的需要。其中数据去重本身的计算量就会增大，而数据膨胀会导致这种情况加剧，因为计算过程中需要解拆和在shuffle过程中传输大量的数据。数据计算过程中是先膨胀再聚合，加上本身数据内容的中英文字符串内容增大，所以才导致大量的数据计算和传输成本。

而我们的核心思想是能够避免数据膨胀，同时进一步减少数据传输大小。因此我们联想到，是否可以采用类似用户打标签的数据打标方案，先进行数据去重生成UID粒度的中间数据，同时让需要的结果维度组合反向附加到UID粒度的数据上，这个过程中记录结果维度进行数量，用更小的数据结构去存储，避免数据计算过程中的大量数据传输。整个数据计算过程中，数据量理论上是逐渐收敛的，不会因为统计维度组合的增加而增加。

4.1.核心思想

核心计算思路如上图，普通的数据膨胀计算立方体的方法，中间需要对数据进行膨胀，再聚合，其中结果统计需要的组合维度数就是数据膨胀的倍数，就像上面的“省、省+市”总共两个维度组合，数据预计要膨胀2倍。

而新的数据聚合方法，通过一定的策略方法将维度组合拆解为维度小表并进行编号，然后将哪些订单明确细数据聚合至用户粒度的中间流程数据，其中各类组合维度转换为数字标签记录到用户维度的数据记录上，整个计算过程数据量是呈收缩聚合的，不会膨胀。

4.2.逻辑实现

• 明细数据准备：以用户线下支付数据为例，明细记录包含订单编号、用户ID、支付日期、所在省份、最终所在市、支付金额。指标统计需求为统计包含省份、市组合维度+支付用户数的多维立方体。

整体方案流程如下图。

• STEP1：对明细数据进行所需的要素提取（即Group By对应字段），得到维度集合。

• STEP2：对得到的维度集合生成Cube，物质Cube的行进行编码（假设需要所在省、所在省+所在市2种组合维度），可以用ODPS的Cube功能实现，再根据生成的Cube维度组合进行排序生成唯一编码。

• STEP4：汇总到用户维度，可视化Cube ID集合字段进行去重（可以用ARRAY的DISTINCT）

• STEP5：按照Cube ID进行计数计算（由于STEP4已经去重啦，因此这里不需要再进行去重）；然后按照映射关系进行维度还原。

• 结束～

4.3.代码实现

WITH 
-- 基本的明细数据表准备
base_dwd AS (
  SELECT   pay_no
          ,user_id
          ,gmt_pay
          ,pay_amt
          ,prov_name
          ,prov_code
          ,city_name
          ,city_code
  FROM tmp_user_pay_order_detail
)
-- 生成多维Cube,并进行编码
,dim_cube AS (
  -- Step02:CUbe生成
  SELECT *,DENSE_RANK() OVER(PARTITION BY 1 ORDER BY cube_prov_name,cube_city_name) AS cube_id 
  FROM (
    SELECT dim_key
          ,COALESCE(IF(GROUPING(prov_name) = 0,prov_name,'ALL'),'na') AS cube_prov_name             
          ,COALESCE(IF(GROUPING(city_name) = 0,city_name,'ALL'),'na') AS cube_city_name 
    FROM (
      -- Step01:维度统计
        SELECT  CONCAT(''
                       ,COALESCE(prov_name ,''),'#' 
                       ,COALESCE(city_name     ,''),'#' 
                ) AS dim_key
                ,prov_name
                ,city_name
        FROM base_dwd
        GROUP BY prov_name
        ,city_name
    ) base
    GROUP BY dim_key
            ,prov_name
              ,city_name
    GROUPING SETS (
           (dim_key,prov_name)
          ,(dim_key,prov_name,city_name)
    )
  )
)
-- 将CubeID回写到明细记录上,并生成UID粒度的中间过程数据
,detail_ext AS (
  -- Step04:指标统计
  SELECT   user_id
          ,ARRAY_DISTINCT(SPLIT(WM_CONCAT(';',cube_ids),';')) AS cube_id_arry
  FROM (
    -- Step03:CubeID回写明细
    SELECT  /*+ MAPJOIN(dim_cube) */ 
          user_id
        ,cube_ids
    FROM (
        SELECT   user_id
                ,CONCAT(''
                       ,COALESCE(prov_name,''),'#' 
                      ,COALESCE(city_name,''),'#' 
                 ) AS dim_key
        FROM base_dwd
    ) dwd_detail
    JOIN (
        SELECT dim_key,WM_CONCAT(';',cube_id) AS cube_ids
        FROM dim_cube 
        GROUP BY dim_key
    ) dim_cube
    ON dwd_detail.dim_key = dim_cube.dim_key
  ) base
  GROUP BY user_id
)
-- 指标汇总并将CubeID翻译回可理解的维度
,base_dws AS (
  -- Step05:CubeID翻译
  SELECT cube_id
        ,MAX(prov_name) AS prov_name
        ,MAX(city_name    ) AS city_name
        ,MAX(uid_cnt      ) AS user_cnt
  FROM (
      SELECT cube_id              AS cube_id
            ,COUNT(1)             AS uid_cnt
            ,CAST(NULL AS STRING) AS prov_name
            ,CAST(NULL AS STRING) AS city_name
      FROM detail_ext
      LATERAL VIEW EXPLODE(cube_id_arry) arr AS cube_id
      GROUP BY cube_id
      UNION ALL 
      SELECT CAST(cube_id AS STRING) AS cube_id
            ,CAST(NULL AS BIGINT) AS uid_cnt
            ,cube_prov_name       AS prov_name
            ,cube_city_name       AS city_name    
      FROM dim_cube
  ) base 
  GROUP BY cube_id
)
-- 大功告成,输出结果！！！
SELECT   prov_name
        ,city_name
        ,user_cnt
FROM base_dws
;

内容剩余60%，完整内容可点击下方链接查看：奇思妙想的SQL｜去重Cube计算优化新思路-阿里云开发者社区

阿里云开发者社区，千万开发者的选择。百万精品技术内容、千节免费系统课程、丰富的体验场景、活跃的社群活动、行业专家分享交流，尽在：阿里云开发者社区-云计算社区-阿里云