如何在SQL中使用APPROX_COUNT_DISTINCT实现超大基数极速估算?

夏枫小哥_4153

夏枫小哥_4153

2026-11-17

726人浏览

原创

APPROX_COUNT_DISTINCT比COUNT(DISTINCT)快,因其基于HyperLogLog算法,仅用固定内存(约12KB)、O(1)单行处理,而后者需构建线性增长的哈希表,易OOM且慢。

如何在sql中使用approx_count_distinct实现超大基数极速估算?

APPROX_COUNT_DISTINCT 为什么比 COUNT(DISTINCT) 快那么多?

因为 APPROX_COUNT_DISTINCT 不做精确去重,而是用 HyperLogLog(HLL)概率算法估算基数。它只维护一个固定大小的内存结构(通常几 KB),时间复杂度 O(1) 每行,内存占用不随去重字段唯一值数量增长。而 COUNT(DISTINCT) 在大多数引擎里要建哈希表或排序,内存和时间都随唯一值线性甚至超线性上涨——亿级用户 ID 去重时,COUNT(DISTINCT) 可能 OOM 或跑十几分钟,APPROX_COUNT_DISTINCT 通常秒出,误差率稳定在 ±1% 左右。

不同数据库里怎么写才不报错?

语法差异不小,写错直接抛 function not found 或 invalid function name:

  • Spark SQL / Databricks / BigQuery:直接用 APPROX_COUNT_DISTINCT(col),支持 DISTINCT 关键字但非必须,APPROX_COUNT_DISTINCT(DISTINCT col) 也合法
  • Presto / Trino:必须写成 approx_distinct(col)(全小写,下划线,无 APPROX_ 前缀),不支持 APPROX_COUNT_DISTINCT
  • SQL Server:用 APPROX_COUNT_DISTINCT(col),但仅限 Azure SQL DB 和 SQL Server 2019+,本地 2017 不支持
  • ClickHouse:没有该函数,得用 uniqHLL12(col) 或 uniqExact(col) 替代

什么时候不该用 APPROX_COUNT_DISTINCT?

不是所有“去重计数”场景都适合估算。以下情况建议退回 COUNT(DISTINCT) 或换方案:

  • 结果要用于财务对账、SLA 达标判定、合同计费等强一致性要求场景——哪怕误差只有 0.5%,也不行
  • 去重字段基数极低(比如只有几十个枚举值),估算反而增加 CPU 开销,且失去意义
  • 嵌套在子查询中又被外层做 ORDER BY + LIMIT,某些引擎(如旧版 Presto)可能因估算中间态导致排序逻辑异常
  • 字段含大量 NULL,注意各系统对 NULL 的处理:BigQuery 和 Spark 默认忽略 NULL,但 ClickHouse 的 uniqHLL12 会把 NULL 当有效值参与估算

如何验证估算误差是否在可接受范围?

不能只信文档写的“±1%”,得实测。最轻量方法是抽样对比:

approx
  • 是不是字段分布极端倾斜?比如 99% 的 user_id 是同一个测试值,HLL 对这种低熵数据效果差
  • 是不是用了过短的分区键(如只按小时分区却查跨月数据),导致多个 HLL sketch 合并时精度衰减
  • 引擎版本太老(如 Spark 3.0 之前),HLL 实现有 bug,升级到 3.2+ 更稳

真正难搞的不是函数调用本身,而是理解你的数据分布是否匹配 HLL 的假设——均匀随机哈希。一旦数据有强 pattern,比如 user_id 是递增 long 或带固定前缀的 UUID,就得先 HASH 一下再喂给 APPROX_COUNT_DISTINCT。

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
大数据分析工具有哪四个
大数据分析工具有哪四个

大数据分析的四个工具分别是rapidminer、Hpcc、Hadoop和Pentaho bi。大数据分析用于从各种来源生成的原始数据中提取有价值的数据。这些数据帮助我们获得有意义的见解、隐藏的模式、未知的相关性、市场趋势等等,具体取决于行业。大数据分析的主要动机是提供有价值的见解,以便为未来做出更好的决策。php中文网为大家带来了大数据分析的相关教程、以及相关文章等内容,供大家免费下载使用。

2023.06.21

6536

5

Java 大数据处理基础(Hadoop 方向)
Java 大数据处理基础(Hadoop 方向)

本专题聚焦 Java 在大数据离线处理场景中的核心应用,系统讲解 Hadoop 生态的基本原理、HDFS 文件系统操作、MapReduce 编程模型、作业优化策略以及常见数据处理流程。通过实际示例(如日志分析、批处理任务),帮助学习者掌握使用 Java 构建高效大数据处理程序的完整方法。

2025.12.08

1269

12

大数据专业学习教程
大数据专业学习教程

本专题整合了大数据专业学习相关教程,阅读专题下面的文章了解更多详细内容。

2026.01.05

243

5

python处理大数据合集
python处理大数据合集

本专题整合了python处理大数据相关教程,阅读专题下面的文章了解更多详细内容。

2026.01.05

546

22

数据分析工具有哪些
数据分析工具有哪些

数据分析工具有Excel、SQL、Python、R、Tableau、Power BI、SAS、SPSS和MATLAB等。详细介绍:1、Excel,具有强大的计算和数据处理功能;2、SQL,可以进行数据查询、过滤、排序、聚合等操作;3、Python,拥有丰富的数据分析库;4、R,拥有丰富的统计分析库和图形库;5、Tableau,提供了直观易用的用户界面等等。

2023.10.12

5063

8

SQL中distinct的用法
SQL中distinct的用法

SQL中distinct的语法是“SELECT DISTINCT column1, column2,...,FROM table_name;”。本专题为大家提供相关的文章、下载、课程内容,供大家免费下载体验。

2023.10.27

1031

4

SQL中months_between使用方法
SQL中months_between使用方法

在SQL中,MONTHS_BETWEEN 是一个常见的函数,用于计算两个日期之间的月份差。想了解更多SQL的相关内容,可以阅读本专题下面的文章。

2024.02.23

1329

5

SQL出现5120错误解决方法
SQL出现5120错误解决方法

SQL Server错误5120是由于没有足够的权限来访问或操作指定的数据库或文件引起的。想了解更多sql错误的相关内容,可以阅读本专题下面的文章。

2024.03.06

7141

10

sql procedure语法错误解决方法
sql procedure语法错误解决方法

sql procedure语法错误解决办法:1、仔细检查错误消息;2、检查语法规则;3、检查括号和引号;4、检查变量和参数;5、检查关键字和函数;6、逐步调试;7、参考文档和示例。想了解更多语法错误的相关内容,可以阅读本专题下面的文章。

2024.03.06

3783

4

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
phpStudy极速入门视频教程
phpStudy极速入门视频教程

共6课时 | 54.7万人学习

独孤九贱(4)_PHP视频教程
独孤九贱(4)_PHP视频教程

共89课时 | 134.3万人学习