为什么在SQL分布式查询中GROUP BY会导致大规模网络Shuffle?

梦雪同学_8250

梦雪同学_8250

2026-11-21

577人浏览

原创

GROUP BY触发Shuffle是因为分布式数据库不假设同分组键数据天然同节点;若分片键与分组键不一致(如按order_id分片却GROUP BY region_code),必须集中数据才能准确聚合,该集中过程即Shuffle。

为什么在sql分布式查询中group by会导致大规模网络shuffle?

GROUP BY 为什么触发 Shuffle 而不是本地算完

因为分布式数据库默认不假设“相同分组键的行天然在同一个节点上”。如果 GROUP BY region_code,而表是按 order_id 分片的,那每个节点都存着各种 region_code 的数据——要正确求和,必须把所有 region_code = 'east' 的行集中到一个地方再算。这个“集中”就是 Shuffle。

Shuffle 数据量远超预期的三个原因

实际传输的不是“结果”,而是原始行或未压缩中间态:

  • 没开两阶段聚合时,Exchange 算子搬运的是全量原始行(比如 100 万行 × 20 字段 = 几十 MB)
  • 即使开了局部聚合,若 GROUP BY 字段不是分区分桶键(如 Doris 的 DISTRIBUTED BY (user_id) 却查 region_code),节点无法预分组,仍得发原始行
  • 用了表达式(如 GROUP BY DATE(created_at))或隐式类型转换(VARCHAR 字段传 TEXT 值),索引和分片逻辑失效,强制退化为全局 Shuffle

怎么确认当前查询真正在 Shuffle

别猜,看执行计划:

  • 用 EXPLAIN FORMAT = 'VERBOSE',重点找外层是否只有 HashAgg —— 如果 GroupBy 出现在最外层,说明全在中心节点做
  • 如果看到大量 Exchange 或 RemoteScan 算子,且监控里网络带宽打满、CPU 不高,基本就是 Shuffle 瓶颈
  • StarRocks 查 profile 中 ExchangeSink 数据量;Doris 看 Be 日志里 shuffle bytes sent

真正能压低 Shuffle 的硬条件

两阶段不是开关一开就生效,它依赖三者咬合:

  • GROUP BY 字段必须是表的分区分桶键(如 Doris 的 DISTRIBUTED BY (region_code))
  • WHERE 条件必须能下推(避免 WHERE YEAR(created_at) = 2024,改用范围查询)
  • 不能有阻断优化器的外层操作:比如 ORDER BY 或 LIMIT 在聚合后直接出现,会迫使优化器跳过局部阶段

最容易被忽略的是:即使满足以上,若 region_code = 'east' 占了 80% 数据,局部聚合后那个节点仍要发几十 GB 到中心——这时候问题已不在 SQL 写法,而在数据建模本身。

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

6736

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

1289

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

263

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

566

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

5163

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

1051

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

1349

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

7281

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

3883

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