EXISTS、IN与JOIN性能分析

EXISTS、IN与JOIN，都可以用来实现形如“查询A表中在（或不在）B表中的记录”的查询逻辑。
在论坛上看到很多人对此有所误解（如关于in的疑惑、用 外连接 和 Is Null 代替 not in两帖），特做一简单测试。

测试结果：

测试代码较长，附于本帖最后。
图表中百分数表示同一组3个查询的执行时间比例。红色表示3个语句中最慢，绿色表示3个语句中最快的，并列则没加颜色。
其中索引只测试了聚集索引，当表中字段较多且查询字段是非聚集索引时，选择执行计划的条件比较复杂，没有测试。并且当表中数量变化后，执行计划可能也有差异。图表反映了3种查询方式的解析机制的不同，基本结论是类似的，但具体情况还要视执行计划而定。

分析结论：
通常情况下，3种查询方式的执行时间：
EXISTS <= IN <= JOIN
NOT EXISTS <= NOT IN <= LEFT JOIN
只有当表中字段允许NULL时，NOT IN的方式最慢：
NOT EXISTS <= LEFT JOIN <= NOT IN

综上：
IN的好处是逻辑直观简单（通常是独立子查询）；缺点是只能判断单字段，并且当NOT IN时效率较低，而且NULL会导致不想要的结果。
EXISTS的好处是效率高，可以判断单字段和组合字段，并不受NULL的影响；缺点是逻辑稍微复杂（通常是相关子查询）。
JOIN用在这种场合，往往是吃力不讨好。JOIN的用途是联接两个表，而不是判断一个表的记录是否在另一个表。

编程建议：
（以下三条建议中EXISTS和IN同时代指肯定式逻辑和加NOT后的否定式逻辑）
如果查询条件是单字段主键（有索引且不允许NULL），则EXISTS和IN的性能基本一样，IN的查询通常写法简单、逻辑直观。
如果查询条件涉及多个字段，则最好选择EXISTS，千万不要用字段拼接再IN的方式（索引会失效）。
如果条件不确定，选用EXISTS是最保险的办法，性能最好，不受三值逻辑影响（EXISTS只会返回True/False不会返回Unknown），但代码逻辑稍稍复杂，思路要理清楚，而且相关字段最好采用“表（别）名.字段名”的形式。

附一：IN/NOT IN容易出现的两个问题
参看如下代码：
[code=sql]
SELECT
EmployeeID = n,
EmployeeName = 'E' + RIGHT('000' + CAST(n AS varchar(10)),3)
INTO #Employees
FROM dbo.Nums WHERE n <= 10;

SELECT EmployeeID
INTO #Badboys
FROM (SELECT TOP(4) EmployeeID = n FROM dbo.Nums WHERE n <= 10 ORDER BY NEWID()) tmp
UNION
SELECT NULL;

--问题1：
SELECT * FROM #Employees WHERE EmployeeID IN (SELECT EmployeeID FROM #Badboys);
SELECT * FROM #Employees WHERE EmployeeID NOT IN (SELECT EmployeeID FROM #Badboys);
--问题2：
SELECT * FROM #Employees WHERE EmployeeName IN (SELECT EmployeeName FROM #Badboys);
SELECT * FROM #Employees WHERE EmployeeName NOT IN (SELECT EmployeeName FROM #Badboys);
[/code]
其中：
问题1是三值逻辑的问题，说明了在NOT IN遇到NULL时要特别小心（参看关于 not in的疑问一帖）。这也是为什么建议“如果可能，尽量让所有字段都声明为NOT NULL”的原因之一。
问题2是SQL Server子查询处理时命名空间解析的漏洞，说明了在多表查询中采用“表（别）名.字段名”的形式的好处，否则就要对字段名的拼写非常小心。

附二：EXISTS、IN与JOIN性能分析测试代码：
[code=sql]
--表中字段不允许NULL

--TestCase1: 无重复数据，无索引
CREATE TABLE T1(n int NOT NULL);
CREATE TABLE T2(n int NOT NULL);
INSERT INTO T1
SELECT n FROM dbo.Nums WHERE n <= 100;
INSERT INTO T2
SELECT n FROM dbo.Nums WHERE n <= 100 AND n % 2 = 0;

--TestCase2: 无重复数据，有索引
CREATE UNIQUE CLUSTERED INDEX IX_T1 ON T1(n);
CREATE UNIQUE CLUSTERED INDEX IX_T2 ON T2(n);

--TestCase3: 有重复数据，无索引
DROP TABLE T1;
DROP TABLE T2;
CREATE TABLE T1(n int NOT NULL);
CREATE TABLE T2(n int NOT NULL);
INSERT INTO T1
SELECT n FROM dbo.Nums WHERE n <= 100;
INSERT INTO T2
SELECT n FROM dbo.Nums WHERE n <= 100 AND n % 2 = 0
UNION ALL
SELECT n FROM dbo.Nums WHERE n <= 100 AND n % 3 = 0;

--TestCase4: 有重复数据，有索引
CREATE CLUSTERED INDEX IX_T1 ON T1(n);
CREATE CLUSTERED INDEX IX_T2 ON T2(n);


--表中字段允许NULL

--TestCase5: 无重复数据，无索引
DROP TABLE T1;
DROP TABLE T2;
CREATE TABLE T1(n int NULL);
CREATE TABLE T2(n int NULL);
INSERT INTO T1
SELECT n FROM dbo.Nums WHERE n <= 100;
INSERT INTO T2
SELECT n FROM dbo.Nums WHERE n <= 100 AND n % 2 = 0;

--TestCase6: 无重复数据，有索引
CREATE UNIQUE CLUSTERED INDEX IX_T1 ON T1(n);
CREATE UNIQUE CLUSTERED INDEX IX_T2 ON T2(n);

--TestCase7: 有重复数据，无索引
DROP TABLE T1;
DROP TABLE T2;
CREATE TABLE T1(n int NULL);
CREATE TABLE T2(n int NULL);
INSERT INTO T1
SELECT n FROM dbo.Nums WHERE n <= 100;
INSERT INTO T2
SELECT n FROM dbo.Nums WHERE n <= 100 AND n % 2 = 0
UNION ALL
SELECT n FROM dbo.Nums WHERE n <= 100 AND n % 3 = 0;

--TestCase8: 有重复数据，有索引
CREATE CLUSTERED INDEX IX_T1 ON T1(n);
CREATE CLUSTERED INDEX IX_T2 ON T2(n);


--Foreach TestCase above，分别执行以下两组语句并观察执行计划：

--肯定式逻辑

SELECT T1.*
FROM T1
WHERE EXISTS (SELECT * FROM T2 WHERE T2.n = T1.n);

SELECT T1.*
FROM T1
WHERE T1.n IN (SELECT T2.n FROM T2);

SELECT DISTINCT T1.*  --不加DISTINCT可能会引起重复
FROM T1
INNER JOIN T2
ON T1.n = T2.n;

--否定式逻辑

SELECT T1.*
FROM T1
WHERE NOT EXISTS (SELECT * FROM T2 WHERE T2.n = T1.n);

SELECT T1.*
FROM T1
WHERE T1.n NOT IN (SELECT T2.n FROM T2);

SELECT T1.*
FROM T1
LEFT JOIN T2
ON T1.n = T2.n
WHERE T2.n IS NULL;

--End Foreach


--清场
DROP TABLE T1;
DROP TABLE T2;
[/code]

 

 

EXCEPT只用于计算两个相同结构的表的差集。

对于“查询A表中在（或不在）B表中的记录”这样的查询，如果B表和A表的结构不相同，怎么用EXCEPT？难道先用主键EXCEPT再IN一下吗？

Garnett_KG :

 

用执行计划的所占成本比例去判断这三种写法的快慢是有失偏颇的

数据量、数据分布、索引可选择度才是关键，重点是要让引擎很好的知道你写的查询的目的，让引擎可以做到最优
化，具体选择in/exits/join不是很重要。

拿你的例子来说，不允许NULL、无索引、无重复数据的情况下，LEFT JOIN成本最高，去到46%

但是将数据变化一下，T1加到1W笔，T2加到5000笔，LEFT JOIN产生的计划就会发生变化，跟in/exists的成本会变得差不多。

所以单纯的从写法角度来说，不能去判定其快慢的

 

 

KG说的有道理。

大数据量情况下，索引才是性能的关键，而3种写法的差异对性能的影响很小，几乎可以忽略。

其实我只是为IN/NOT IN打抱不平而已，很多人动不动就说JOIN比IN/NOT IN好。而事实上，用JOIN来实现“查询A表中在（或不在）B表中的记录”的查询逻辑通常并不合适（性能、逻辑、代码可读性）。

 

引用 47 楼 canhui87 的回复:

经常要多表查询，所以经常用join，特别是left join

剔除是用exists、not exists

判断分析偶尔用in

只是要记得left join后不要用in和or

说明一点：这里拿EXISTS、IN与JOIN比较，都是在实现“查询A表中在（或不在）B表中的记录”查询逻辑的前提下进行。
如果是多表联接操作，当然是JOIN，无可取代。