肤浅的聊聊关联子查询，数据集连接，TiDB代码，关系代数，等等
本章涉及的内容是TiDB的计算层代码，就是我们编译完 TiDB 后在bin目录下生成的 tidb-server 的可执行文件，它是用 go 实现的，里面对 TiPD 和 TiKV实现了Mock,可以单独运行；
用explain语句可以看到一条sql在TiDB中生成的最终执行计划，例如：我们有一条关联子查询: select * from t1 where t1.a in (select t2.a from t2 where t2.b = t1.b);
tidb> explain select * from t1 where t1.a in (select t2.a from t2 where t2.b = t1.b); +--------------------------+-------+------+--------------------------------------------------------------------------------------------+ | id | count | task | operator info | +--------------------------+-------+------+--------------------------------------------------------------------------------------------+ | HashLeftJoin_9 | 4.79 | root | semi join, inner:TableReader_15, equal:[eq(test.t1.b, test.t2.b) eq(test.t1.a, test.t2.a)] | | ├─TableReader_12 | 5.99 | root | data:Selection_11 | | │ └─Selection_11 | 5.99 | cop | not(isnull(test.t1.a)), not(isnull(test.t1.b)) | | │ └─TableScan_10 | 6.00 | cop | table:t1, range:[-inf,+inf], keep order:false, stats:pseudo | | └─TableReader_15 | 5.99 | root | data:Selection_14 | | └─Selection_14 | 5.99 | cop | not(isnull(test.t2.a)), not(isnull(test.t2.b)) | | └─TableScan_13 | 6.00 | cop | table:t2, range:[-inf,+inf], keep order:false, stats:pseudo | +--------------------------+-------+------+--------------------------------------------------------------------------------------------+
sql算子差不多是这个样子的：
上面是一个物理查询计划树，顶层算子是Join算子，t1表和t2表的数据关联操作用的是Hash Join，因为只返回左表(Outer Plan)的数据，所以用了左连接（Left Join）; Join条件是 t1.b = t2.b，t1.a = t2.a，其中内表数据取自 TableReader_15---就是t2表的数据，t2表作为 Inner Plan的数据；
下层左右两边的算子类似，都是TableReader接了Selection算子，Selection算子负责过滤掉空数据；底层算子是2个最基本的扫表算子(TableScan)，分别扫 t1 和 t2 的数据，返回给上层算子；
TiDB代码中，explain语句和select语句类似，都是下面这样的处理逻辑：
clientConn.handleQuery---处理mysql客户端来的请求
TiDBContext.Execute
session.execute
session.ParseSQL---解析SQL
Compiler.Compile---遍历SQL语法树,生成逻辑计划树和物理计划树
session.executeStatement
clientConn.writeResultset
clientConn.writeChunks
ResultSet.Next---Next函数驱动数据行的获取
clientConn.writePacket---将数据写回客户端
explain语句结果生成的代码在这里：
ExplainExec.Next
ExplainExec.generateExplainInfo
Explain.RenderResult
Explain.explainPlanInRowFormat---遍历物理执行计划树,格式化输出
Explain.explainPlanInRowFormat 会从根节点开始递归的访问PhysicalPlan和子树，遍历物理执行计划树，生成explain的结果集；
explain显示的信息是最终优化生成的执行计划；
我们接着来看看中间生成的执行计划是怎样的：
sql的解析和生成逻辑计划树的代码在这里：
func Optimize(ctx sessionctx.Context, node ast.Node, is infoschema.InfoSchema) (plannercore.Plan, error) {
//根据sql语法树(ast.Node)生成逻辑执行计划(LogicalPlan)
func (b *PlanBuilder) Build(node ast.Node) (Plan, error) {
func (b *PlanBuilder) buildExplainPlan(targetPlan Plan, format string, analyze bool, execStmt ast.StmtNode) (Plan, error) {
func (b *PlanBuilder) buildSelect(sel *ast.SelectStmt) (p LogicalPlan, err error) {
// DoOptimize optimizes a logical plan to a physical plan.
//将逻辑执行计划树(LogicalPlan)转为物理执行计划树(PhysicalPlan)
func DoOptimize(flag uint64, logic LogicalPlan) (PhysicalPlan, error) {
buildExplain 调用 buildSelect 来生成 select 语句的逻辑执行计划树 (LogicalPlan)，接着调用DoOptimize来进行优化；比如类似这样的优化：对关联子查询进行改写，应用关系代数的一些规则，将 in子句 转为 semi join，因为 semi join 可以有多种方式进行高效的数据集连接操作；
然后，我们看看优化之前的执行计划：
这个执行计划大体是这样的，执行计划的根节点是一个投影算子(Projection)，取表 t1 的两个列 t1.a 和 t1.b；根节点下面是一个 Apply 算子，Apply 算子是为了满足关联子查询的需要，子查询语句中用到了外面的结果集，就像我们示例的 sql，子查询里面的选择算子是 t2.b = t1.b，t1.b 就是关联到外部执行计划的列；
Apply关联了两个算子，一个是上图中左边的DataSource，这个DataSource算子是对t1的扫表操作；另一个算子是上图中的 下面那个 LogicalProjection 算子，这个算子下面接了选择算子(LogicalSelection)，相当于执行 t1.b = t2.b 的操作，然后是扫表算子，对 t2 进行扫表；
相对于我们这条语句，Apply算子大概是这样的执行步骤：
从扫表算子(TableScan)中获取一条 t1 的数据；
从投影算子(Projection)获取一条 t2 的数据；
投影算子调用选择算子(Selection);
选择算子拿的外部关联的数据 t1.a；
选择算子对 t2 扫表，条件是 t2.b = t1.b，获取 t2.a；其中，t1.b 相对于Apply 算子是外部计划的列；
执行一个标量算子，判断 t1.a = t2.a；不管 t2.a 的记录有多少，只要有一条满足，即成功；
可以看到，对关联子查询，需要执行嵌套循环(NestedLoop)，对 t1 的每条记录循环，传给 Apply算子， Apply算子再用这条记录去 t2 表对每条记录执行循环；
而我们看到 explain 语句显示的最终执行计划，是用 semi join 来改写的，t1 和 t2 用 semi join 来连接，连接条件是 t1.a = t2.a and t1.b = t2.b，连接方式是左半连接；
说的直白一点就是：t1 和 t2 做 自然连接获取左表数据，然后对结果集去重；
semi join有很多种策略，mysql支持差不多5种 Semi Join；
TiDB执行计划优化代码在这里：
// DoOptimize optimizes a logical plan to a physical plan.
func DoOptimize(flag uint64, logic LogicalPlan) (PhysicalPlan, error) {
......
logic, err := logicalOptimize(flag, logic)
......
physical, err := physicalOptimize(logic)
......
finalPlan := postOptimize(physical)
return finalPlan, nil
}
调用 PlanBuilder.buildSelect 生成的逻辑计划(LogicalPlan)，会传到 DoOptimize 进行优化，DoOptimize主要做了两件事：
一件事做基于规则的优化(RBO)，应用关系代数规则，对关系代数进行等价改写，生成更优的执行计划，例如：一些简单的关系代数转换---谓词下推，常量折叠，子查询展开，投影合并等等；或者一些更高级的关系代数转换，子查询转 semi join，子查询转各种连接，等等；基本上涉及到数据集连接或者有子集嵌套的sql优化起来难度要大很多；要应用到的关系代数规则也更多；
另一件事是做基于代价的优化(CBO)，这个我也不懂 😄；
在传统数据库如 mysql, oracle中，这些优化做完之后已经是极限了，但是在NewSQL中，还有更多的优化空间，例如：谓词下推，列剪裁这种简单的规则，可以从计算节点下推到KV节点上；再比如：NewSQL中的KV是多副本和Range分片的，这样可以将计算分布在不同的节点上；
传统数据库都是基于关系代数设计的，所以对集合连接，集合条件过滤操作非常友好；但是随着数据的增长，我们在数据库架构上不得不使用分片来提高海量数据的读写能力；
分片可以获得优良的单条数据的读写能力，但是失去了数据库的事务性；比起牺牲事务性，更大的问题是牺牲了传统的关系代数运算，分片之后，多个表的数据连接变得异常困难，对于子查询再嵌套子查询，几乎是无法完成的任务；
为了折衷，大部分企业在分片的数据库集群下游接了一个OLAP集群，来满足传统意义上的关系代数操作；
关系代数最早是由早期的SQL提出的；
后来各种大数据平台Hadoop，HBase和 MapReduce 计算框架出现后，碰到很多数据集和数据过滤的问题，不得不通过关系代数来解决，于是人们将目光转回到了传统的关系代数上，Hive，Calcite这种支持SQL的外挂引擎出现了，这些引擎实现了SQL的解析和规则优化，我们只需要将算子应用到底层的数据存储就可以了；
结尾；
附：关系代数几个常用的符号，这些符号可以对应到SQL里面的算子，算子优化是通过关系代数的等价转换来进行的：
σF(R)：对集合R选择；--- 相当于 where t1.b=t2.b；
ΠA(R)：对集合R投影；--- 相当于 select t1.a, t1.b；
R×S：连接；这是关系代数最重要的操作，连接有很多种，自然连接，左连接，右连接，笛卡尔积，Semi Join 等等，子查询这种场景通常被转换为了各种连接；
R A⊗ E：Apply，对R中的每条记录，代入E中进行运算，然后把记录做各种连接；
