注意:
关系代数有关符号,大家可能又不熟悉了,点击跳转:(数据库系统概论|王珊)第二章关系数据库-第四节:关系代数
文章目录
一:关系代数表达式等价变换规则(1)连接、笛卡尔积、并、交的交换律(2)连接、笛卡尔积、并、交的结合律(3)投影的串接定律(4)选择的串接定律(5)选择与投影的交换律(6)选择与笛卡尔积的交换律(7)选择与并的分配律(8)选择与差运算的分配律(9)选择对自然连接的分配律(10)投影与笛卡尔积的分配律(11)投影与并的分配律二:查询树的启发式优化(1)典型的启发式规则(2)实现算法(3)实例演示在(数据库系统概论|王珊)第九章关系查询处理和关系优化-第一节:查询处理中讲到过:SQL语句经过查询分析,查询检查后变换为查询树,它是关系代数表达式的内部表示。本节介绍查询优化之代数优化,它是基于关系代数等价变换规则的优化方法
两个关系表达式R1R_{1}R1和R2R_{2}R2是等价的,可以记为R1≡R2R_{1} \equiv R_{2}R1≡R2
一:关系代数表达式等价变换规则
为了能方便阅读,就没用截图。手都麻了🤮(动动手点个赞吧🥳)(1)连接、笛卡尔积、并、交的交换律
笛卡尔积
R×S≡S×RR×S \equiv S×RR×S≡S×R
并
R∪S≡S∪RR \cup S \equiv S \cup RR∪S≡S∪R
交
R∩S≡S∩RR \cap S \equiv S \cap RR∩S≡S∩R
连接
R⋈FS≡S⋈FR、R⋈S≡S⋈RR \underset{F}{\bowtie} S \equiv S \underset{F}{\bowtie} R 、 R\bowtie S \equiv S\bowtie RRF⋈S≡SF⋈R、R⋈S≡S⋈R
(2)连接、笛卡尔积、并、交的结合律
笛卡尔积
(R×S)×T≡R×(S×T)(R×S) ×T\equiv R×(S×T)(R×S)×T≡R×(S×T)
并
(R∪S)∪T≡R∪(S∪T)(R \cup S)\cup T \equiv R \cup (S\cup T)(R∪S)∪T≡R∪(S∪T)
交
(R∩S)∩T≡R∩(S∩T)(R \cap S)\cap T \equiv R \cap (S\cap T)(R∩S)∩T≡R∩(S∩T)
连接
(R⋈FS)⋈FT≡R⋈F(S⋈FT)(R \underset{F}{\bowtie} S) \underset{F}{\bowtie} T \equiv R \underset{F}{\bowtie} (S \underset{F}{\bowtie} T) (RF⋈S)F⋈T≡RF⋈(SF⋈T)
(R⋈S)⋈T≡R⋈(S⋈T)(R\bowtie S) \bowtie T \equiv R\bowtie (S \bowtie T)(R⋈S)⋈T≡R⋈(S⋈T)
(3)投影的串接定律
关系的两次投影操作可以合并为一次完成(反过来就是分解)
ΠA1,A2,...,An(ΠB1,B2,...,Bm(E))≡ΠA1,A2,...,An(E)\Pi_{A_{1},A_{2},...,A_{n}}(\Pi_{B_{1},B_{2},...,B_{m}}(E)) \equiv \Pi_{A_{1},A_{2},...,A_{n}}(E)ΠA1,A2,...,An(ΠB1,B2,...,Bm(E))≡ΠA1,A2,...,An(E)
EEE是关系代数表达式Ai(i=1,2,..,n),Bj(j=1,2,..,m)A_{i}(i=1,2,..,n),B_{j}(j=1,2,..,m)Ai(i=1,2,..,n),Bj(j=1,2,..,m)是属性名。并且{A1,A2,...,An}\{ {A_{1},A_{2},...,A_{n}} \}{A1,A2,...,An}构成{B1,B2,...,Bm}\{ {B_{1},B_{2},...,B_{m}} \}{B1,B2,...,Bm}的子集
(4)选择的串接定律
选择的两次投影操作可以合并为一次完成(反过来就是分解)
σF1(σF2(E))≡σF1∧F2(E)\sigma_{F1}(\sigma_{F2}(E)) \equiv \sigma_{F1\land F2}(E)σF1(σF2(E))≡σF1∧F2(E)
(5)选择与投影的交换律
σF(ΠA1,A2,...,An(E))≡ΠA1,A2,...,An(σF(E))\sigma_{F}(\Pi_{A_{1},A_{2},...,A_{n}}(E)) \equiv \Pi_{A_{1},A_{2},...,A_{n}}(\sigma_{F}(E))σF(ΠA1,A2,...,An(E))≡ΠA1,A2,...,An(σF(E))
假设:选择条件FFF只涉及属性A1,A2,...,An{A_{1},A_{2},...,A_{n}}A1,A2,...,An
ΠA1,A2,...,An(σF(E))≡ΠA1,A2,...,An(σF(ΠA1,A2,...,An,B1,B2,...,Bm(E)))\Pi_{A_{1},A_{2},...,A_{n}}(\sigma_{F}(E)) \equiv \Pi_{A_{1},A_{2},...,A_{n}}(\sigma_{F}( \Pi_{A_{1},A_{2},...,A_{n},B_{1},B_{2},...,B_{m}}(E)))ΠA1,A2,...,An(σF(E))≡ΠA1,A2,...,An(σF(ΠA1,A2,...,An,B1,B2,...,Bm(E)))
假设:FFF中有不属于A1,A2,...,An{A_{1},A_{2},...,A_{n}}A1,A2,...,An的属性B1,B2,...,Bm{B_{1},B_{2},...,B_{m}}B1,B2,...,Bm
(6)选择与笛卡尔积的交换律
对于σF(E1×E2)\sigma_{F}(E_{1}×E_{2})σF(E1×E2),有如下等价
①
σF(E1×E2)≡σF(E1)×E2\sigma_{F}(E_{1}×E_{2}) \equiv \sigma_{F}(E_{1})×E_{2}σF(E1×E2)≡σF(E1)×E2
假设:选择条件只与其中的一个关系有关,应该对那个关系先做选择,然后再做笛卡尔积。例如上面FFF中涉及的属性都是E1E_{1}E1中的属性
②
σF(E1×E2)≡σF1(E1)×σF2(E2)\sigma_{F}(E_{1}×E_{2}) \equiv \sigma_{F_{1}}(E_{1})×\sigma_{F_{2}}(E_{2})σF(E1×E2)≡σF1(E1)×σF2(E2)
假设:选择条件与两个关系都有关,应该先分别做选择,然后再做笛卡尔积。例如上面F=F1∧F2F=F_{1} \land F_{2}F=F1∧F2,并且F1F_{1}F1中只涉及E1E_{1}E1中的属性,F2F_{2}F2中只涉及E2E_{2}E2中的属性
③
σF(E1×E2)≡σF2(σF1(E1)×E2)\sigma_{F}(E_{1}×E_{2}) \equiv \sigma_{F_{2}}(\sigma_{F_{1}}(E_{1})×E_{2})σF(E1×E2)≡σF2(σF1(E1)×E2)
假设:如果选择条件与某一部分关系有关,那么也应该先对那个关系做部分选择,然后做笛卡尔积,最后做选择。例如上面F=F1∧F2F=F_{1} \land F_{2}F=F1∧F2,并且F1F_{1}F1中只涉及E1E_{1}E1中的属性,F2F_{2}F2中涉及E1E_{1}E1和E2E_{2}E2中的属性
(7)选择与并的分配律
σ(E1∪E2)≡σF(E1)∪σF(E2)\sigma(E_{1} \cup E_{2}) \equiv \sigma_{F}(E_{1}) \cup \sigma_{F}(E_{2})σ(E1∪E2)≡σF(E1)∪σF(E2)
假设:E=E1∪E2E=E_{1} \cup E_{2}E=E1∪E2,E1E_{1}E1和E2E_{2}E2有相同的属性名
(8)选择与差运算的分配律
σ(E1−E2)≡σF(E1)−σF(E2)\sigma(E_{1} - E_{2}) \equiv \sigma_{F}(E_{1}) - \sigma_{F}(E_{2})σ(E1−E2)≡σF(E1)−σF(E2)
(9)选择对自然连接的分配律
σF(E1⋈E2)≡σF(E1)⋈σF(E2)\sigma_{F}(E_{1} \bowtie E_{2}) \equiv \sigma_{F}(E_{1}) \bowtie \sigma_{F}(E_{2})σF(E1⋈E2)≡σF(E1)⋈σF(E2)
FFF只涉及E1E_{1}E1和E2E_{2}E2的公共属性
(10)投影与笛卡尔积的分配律
ΠA1,A2,...,An,B1,B2,...,Bm(E1×E2)≡ΠA1,A2,...,An(E1)×ΠB1,B2,...,Bm(E2)\Pi_{A_{1},A_{2},...,A_{n},B_{1},B_{2},...,B_{m}}(E_{1}×E_{2}) \equiv \Pi_{A_{1},A_{2},...,A_{n}}(E_{1}) × \Pi_{B_{1},B_{2},...,B_{m}}(E_{2})ΠA1,A2,...,An,B1,B2,...,Bm(E1×E2)≡ΠA1,A2,...,An(E1)×ΠB1,B2,...,Bm(E2)
A1,A2,...,AnA_{1},A_{2},...,A_{n}A1,A2,...,An是E1E_{1}E1的属性B1,B2,...,BmB_{1},B_{2},...,B_{m}B1,B2,...,Bm是E2E_{2}E2的属性
(11)投影与并的分配律
ΠA1,A2,...,An(E1∪E2)≡ΠA1,A2,...,An(E1)∪ΠA1,A2,...,An(E2)\Pi_{A_{1},A_{2},...,A_{n}}(E_{1} \cup E_{2}) \equiv \Pi_{A_{1},A_{2},...,A_{n}}(E_{1}) \cup \Pi_{A_{1},A_{2},...,A_{n}}(E_{2})ΠA1,A2,...,An(E1∪E2)≡ΠA1,A2,...,An(E1)∪ΠA1,A2,...,An(E2)
二:查询树的启发式优化
这是对关系代数表示的查询树进行优化的方法(1)典型的启发式规则
典型的启发式规则
【规则1】选择运算应尽可能先做:这是为了减少中间结果的规模【规则2】投影和选择运算同时进行:这是为了避免重复扫描【规则3】将投影运算与其前后的双目运算结合起来:这是为了避免重复扫描【规则4】把某些选择运算和其前面的笛卡尔积结合起来成为一个连接运算:这是为了减少中间结果的规模【规则5】提取公共子表达式(公因子):这是为了保存计算结果,避免重复计算
(2)实现算法
该算在遵循启发式规则,并应用关系代数表达式等价变换规则来优化关系表达式该算法的输入和输出都是查询树(分别对应待优化和优化的关系表达式)算法步骤
【步骤1】分解选择运算:这是为了便于不同的选择运算沿树的不同分枝向树叶移动,一直移动到与这个选择条件相关的关系处,使选择尽可能先做。σF1∧F2∧...∧Fn(E)⇒σF1(σF2(...(σFn(E))...))\sigma_{F_{1} \land F_{2} \land ... \land F_{n}} (E)\Rightarrow \sigma_{F_{1}}(\sigma_{F_{2}}(...(\sigma_{F_{n}}(E))...))σF1∧F2∧...∧Fn(E)⇒σF1(σF2(...(σFn(E))...))【步骤2】通过交换选择运算,将每个选择运算尽可能移动到叶端:利用规则4~9尽可能把选择移动到树的叶端【步骤3】通过交换投影运算,将每个投影运算尽可能移动到叶端:利用规则3、11、10、5尽可能把投影移动到树的叶端【步骤4】合并选择和投影的串接:利用规则3~5把选择和投影的串接合并成单个选择、单个投影或一个选择后面跟一个投影。这是为了使多个选择或投影能同时进行,或在一次扫描中全部完成【步骤5】对内结点分组:每一双目运算(×××、⋈\bowtie⋈、∪\cup∪、−-−)和它所有的直接祖先的一元运算结点(σ\sigmaσ或Π\PiΠ)分为一组(如果其后代直到叶子全是单目运算,则也将他们并入该组);注意当双目运算是笛卡尔积(×××),而且其后的选择不能与它结合为等值连接时,则不能将选择与这个×××并为一组
(3)实例演示
注意这是一个很重要的考点【例】如下给出了一个SQL语句
SELECT Student.Sname FROM Student,SCWHERE Student.Sno=SC.Sno AND SC.Sno='2';
将SQL语句转为关系代数表达式
先对Student
和SC
做笛卡尔积再对中间结果做选择(条件为Student.Sno=SC.Sno
)再对中间结果做选择(条件为SC.Sno='2'
)最后投影
结果为
ΠSname(σStudent.Sno=o∧o=2(student×sc))\Pi_{Sname}(\sigma_{Student.Sno=o \land o=2}(student × sc))ΠSname(σStudent.Sno=o∧o=2(student×sc))
将关系代数表达式转为查询树
查询树优化
①首先选择条件尽可能下移:
SC.Sno='2'
只和SC
有关,所以它会沿着分支恰当的分支下移到SC
的上方Student.Sno=SC.Sno
同时涉及Student和SC,所以只能待在那里
②:把选择和其之前的笛卡尔积合并为等值连接,或者干脆变为自然连接
【例】查询选修了数据库课程的女生学号与姓名,如下是SQL语句
SELECT Student.Sno,Sname FROM Student,SC,CourseWHERE Cname='datebase' AND Ssex='女';
将SQL语句转为关系代数表达式
ΠSno,Sname(σCname=′数据库′∧Ssex=′女′(SC⋈Course⋈Student))\Pi_{Sno,Sname}(\sigma_{Cname='数据库' \land Ssex='女'}(SC \bowtie Course \bowtie Student))ΠSno,Sname(σCname=′数据库′∧Ssex=′女′(SC⋈Course⋈Student))
将关系代数表达式转为查询树
查询树优化
①:选择条件复杂,先分解选择条件
②:将选择运算尽可能移动到树的叶端
③:涉及了投影运算,所以也把它尽可能移动到树的叶端
投影运算下移时要保留连接属性
④:对内结点进行分组