mirror of
https://github.com/ClickHouse/ClickHouse.git
synced 2024-11-27 10:02:01 +00:00
116 lines
3.6 KiB
C++
116 lines
3.6 KiB
C++
#pragma once
|
||
|
||
#include <DB/DataStreams/IProfilingBlockInputStream.h>
|
||
#include <DB/Interpreters/HashSet.h>
|
||
#include <DB/Interpreters/AggregationCommon.h>
|
||
|
||
|
||
namespace DB
|
||
{
|
||
|
||
/** Из потока блоков оставляет только уникальные строки.
|
||
* Для реализации SELECT DISTINCT ... .
|
||
* Если указан ненулевой limit - прекращает выдавать строки после того, как накопилось limit строк
|
||
* - для оптимизации SELECT DISTINCT ... LIMIT ... .
|
||
*
|
||
* TODO: Ограничение на максимальное количество строк в множестве.
|
||
*/
|
||
class DistinctBlockInputStream : public IProfilingBlockInputStream
|
||
{
|
||
public:
|
||
DistinctBlockInputStream(BlockInputStreamPtr input_, size_t limit_ = 0)
|
||
: limit(limit_)
|
||
{
|
||
children.push_back(input_);
|
||
}
|
||
|
||
String getName() const { return "DistinctBlockInputStream"; }
|
||
|
||
String getID() const
|
||
{
|
||
std::stringstream res;
|
||
res << "Distinct(" << children.back()->getID() << ")";
|
||
return res.str();
|
||
}
|
||
|
||
protected:
|
||
Block readImpl()
|
||
{
|
||
/// Пока не встретится блок, после фильтрации которого что-нибудь останется, или поток не закончится.
|
||
while (1)
|
||
{
|
||
/// Если уже прочитали достаточно строк - то больше читать не будем.
|
||
if (limit && set.size() >= limit)
|
||
return Block();
|
||
|
||
Block block = children[0]->read();
|
||
|
||
if (!block)
|
||
return Block();
|
||
|
||
size_t rows = block.rows();
|
||
size_t columns = block.columns();
|
||
|
||
ConstColumnPlainPtrs column_ptrs(columns);
|
||
for (size_t i = 0; i < columns; ++i)
|
||
column_ptrs[i] = block.getByPosition(i).column;
|
||
|
||
/// Будем фильтровать блок, оставляя там только строки, которых мы ещё не видели.
|
||
IColumn::Filter filter(rows);
|
||
|
||
size_t old_set_size = set.size();
|
||
|
||
for (size_t i = 0; i < rows; ++i)
|
||
{
|
||
/** Уникальность строк будем отслеживать с помощью множества значений SipHash128.
|
||
* Делается несколько допущений.
|
||
* 1. Допускается неточная работа в случае коллизий SipHash128.
|
||
* 2. Допускается неточная работа, если строковые поля содержат нулевые байты.
|
||
* 3. Не поддерживаются массивы.
|
||
*
|
||
* Для оптимизации, можно добавить другие методы из Set.h.
|
||
*/
|
||
|
||
union
|
||
{
|
||
UInt128 key;
|
||
char char_key[16];
|
||
};
|
||
|
||
SipHash hash;
|
||
|
||
for (size_t j = 0; j < columns; ++j)
|
||
{
|
||
StringRef data = column_ptrs[j]->getDataAtWithTerminatingZero(i);
|
||
hash.update(data.data, data.size);
|
||
}
|
||
|
||
hash.final(char_key);
|
||
|
||
/// Если вставилось в множество - строчку оставляем, иначе - удаляем.
|
||
filter[i] = set.insert(key).second;
|
||
|
||
if (limit && set.size() == limit)
|
||
break;
|
||
}
|
||
|
||
/// Если ни одной новой строки не было в блоке - перейдём к следующему блоку.
|
||
if (set.size() == old_set_size)
|
||
continue;
|
||
|
||
for (size_t i = 0; i < columns; ++i)
|
||
block.getByPosition(i).column = block.getByPosition(i).column->filter(filter);
|
||
|
||
return block;
|
||
}
|
||
}
|
||
|
||
private:
|
||
size_t limit;
|
||
|
||
typedef HashSet<UInt128, UInt128Hash, UInt128ZeroTraits> SetHashed;
|
||
SetHashed set;
|
||
};
|
||
|
||
}
|