Question

我正在开发一个涉及数据集之间连接的项目，我们要求允许预览任意数据集之间的任意连接。这很疯狂，但这就是为什么它的乐趣。这是使用面对所以给定一个连接我想快速显示~10行结果。

我一直在以不同的方式进行实验，以不同的方式对不同的表进行子采样，以至于我得到至少一些结果行，但保持样本足够小以使连接快速并且不会导致采样到很贵。

以下是我通过气味测试发现的方法。我想了解一些关于它们的事情：

哪些类型的连接或数据集会失败？
我如何识别这些数据集？
如果这两件事情都不好，那怎么可以改进呢？
是否有一种我没有放在这里的样品更好？

具有限制的子选择。

采用一个数据集的随机样本来减小总体大小。

SELECT col1, col2 FROM table1 JOIN
  (SELECT col1, col2 FROM table2 LIMIT #) AS sample2 
    on table1.col1 = sample2.col1
  LIMIT 10;

我喜欢这个，因为它很容易，未来有可能明智地从哪个表中抽样。也可以选择table1.col1永远不等于sample2.col1的部分，这样就不会返回任何结果。

查找等于col1的值并对其进行采样

更复杂的多查询方法。在这里，我将对要连接的列进行明确选择，比较结果以查找常用值，然后执行子选择，将结果限制为常用值。

SELECT DISTINCT col1 FROM table1;
SELECT DISTINCT col1 FROM table2;
commonVals = intersection of above results
SELECT col1, col2 FROM table1 JOIN 
  (SELECT col1, col2 FROM table2 WHERE col1 IN(commonVals) LIMIT #) as sample2
    on table1.col1 = sample2.col1 
  LIMIT 10;

这为我们提供了一个很好的table2示例，但是select distinct查询可能比join更昂贵。我相信如果你知道不同的cals需要多长时间，可能有办法确定这种方法是否更快，但此时我们对数据集知之甚少。

在连接上按下LIMIT

这是最容易的，也是我倾向于的。

SELECT col1, col1 FROM table1 join table2 on table1.col1 = table2.col1 LIMIT #

假设连接良好，这将始终返回数据，并且至少在很多情况下它将快速执行。

Answer 1

第一种方法的问题是第一个表中的行可能在第二个表中没有匹配项。记住，内部联接不仅可以进行匹配，还可以进行过滤。

如果用于连接的所有列都有索引，则第二种方法可以工作。然后，您可以通过执行以下操作来获取匹配ID的列表：

where id in (select id from table1) and id in (select id from table2) . . .

这摆脱了初始代码，应该非常快。

第三种方法是最直接地使用数据库的功能。您将依赖于MySQL根据结果集的大小进行优化的能力。这是它所做的事情，至少在理论上是这样。

我强烈建议将第三种方法与连接中使用的列的索引结合使用。这需要对查询进行最少的更改（只需添加limit子句）。如果合适，它允许数据库进行额外的优化。它适用于更一般的查询集。

预览MySQL连接的快速方法是什么？

具有限制的子选择。

查找等于col1的值并对其进行采样

在连接上按下LIMIT

1 个答案: