對於teradata SQL級別的優化，使用EXPLAIN查看執行計划基本上是最直接也最好用的。
EXPLAIN 展示出來的內容重要但同時也很多，我們只需要提取其中的關鍵字便可大致描述出來我么SQL的執行過程。
數據檢索涉及到AMPs： All-AMPs retrieve step, Single-AMP retrieve step等這些內容表明了我們的SQL檢索數據用到了那些AMP來協同工作。
數據檢索的策略：我們經常可以看到諸如下面的內容：by way of all-row scan（相當了全表掃描）, by way of the primary index, by the way of hash value（通常發生於JOIN的時候）。這些表明了AMP檢索數據的方式
Join 前的處理：由於teradata要求JOIN的數據在同一個AMP上，因此Join 前必然會交換數據，不論是數據的重分布（redistribution ）還是復制表（duplicated ）。我們經常可以看到這些內容duplicated on all AMPs, redistributed by the hash code of (new hash column(s))。這些表明了數據交換的方式。
Join的類型：數據被放置於同一個AMP后Join才會產生，teradata會選擇Join的類型。using a product join, using a single partition hash join, using a merge join這些表明了Join的類型
Confidence Level（不知怎么用中文描述）：是影響teradata優化器的一個重要因子，分為四個級別
• No confidence
• Low confidence
• High confidence
• Index Join confidence（僅對於表之間的Join）
我們經常可以看到這樣的內容 The size of Spool 1 is estimated with no confidence to be 428 rows
基本上我們可以認為越低級別的Confidence，可信度越不高。Confidence受統計信息的影響，因此當我們Confidence過低時應該考慮下是否收集下統計信息。（統計信息並不是影響Confidence的唯一因素 ）
在工作中就遇到這樣的坑：兩表關聯。一張表的數據分布到140多個AMP上，大概每個AMP上100多W，維表DISTINCT以后大概4到5W的樣子。但是由於維表統計信息是在最初收集的，就看到了上面那樣的情況，teradata估算維表也就幾百條樣子，最后產生了product join。根據product join原理，每個AMP產生的比較次數為100*40000 萬次。最后收集統計信息Join的策略變為了hash join
————————————————
版權聲明：本文為CSDN博主「_假象」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/wali_wang/article/details/50494539