sql在分布式系统中查不准，因多数引擎不保证跨节点事务一致性，select可能读取不同时间点快照；各引擎null处理、类型转换、时区、精度规则不一；批流语义差异及shuffle、分区、窗口等机制影响结果与性能。
SQL 在分布式系统里为什么总查不准
因为大多数 SQL 引擎默认不保证跨节点事务一致性，SELECT 看到的数据可能是不同时间点的快照。比如用 ClickHouse 查分片表，没加 FINAL 或没配 replicated_merge_tree，就可能读到未合并的旧版本数据；Trino 连多个异构源时，COUNT(*) 本身不走事务，各数据源返回的行数直接相加，但某源正在写入中，结果就偏高。
- 查前先确认执行引擎是否支持强一致读——
StarRocks的query_timeout和enable_global_dict会影响结果可见性 - 避免在
WHERE中用非分区键字段做高选择性过滤，分布式下容易触发全节点扫描，响应延迟突增 -
MySQL分库分表（如ShardingSphere）中，ORDER BY + LIMIT必须带sharding key，否则聚合排序结果错误
大数据场景下 SQL 跑得慢，90% 是没避开 shuffle
Spark SQL 或 Flink SQL 里，JOIN、GROUP BY、WINDOW 都会触发 shuffle，而 shuffle 是磁盘+网络密集型操作。尤其当小表没广播、大表没提前过滤时，shuffle 数据量爆炸。
- 用
BROADCAST JOIN前确认小表真实大小——spark.sql.autoBroadcastJoinThreshold默认 10MB，但压缩后体积 ≠ 内存展开后体积 -
GROUP BY字段尽量选高基数列，避免倾斜；若必须按低基数字段分组（如status），加SALT扰动或改用partial_agg + final_agg两阶段 - Flink 中
OVER WINDOW若基于PROCTIME，不触发 shuffle；但换成ROWTIME就要等 watermark，延迟不可控
同一份 SQL，在 Hive/Trino/StarRocks 上结果不同
不是语法错了，是 NULL 处理、类型隐式转换、时区、精度截断规则不一致。比如 Hive 的 CAST('2023-01-01' AS TIMESTAMP) 默认按系统时区解析，Trino 默认 UTC，StarRocks 则依赖 session 变量 time_zone。
华友协同办公管理系统(华友OA)，基于微软最新的.net 2.0平台和SQL Server数据库，集成强大的Ajax技术，采用多层分布式架构，实现统一办公平台，功能强大、价格便宜，是适用于企事业单位的通用型网络协同办公系统。 系统秉承协同办公的思想，集成即时通讯、日记管理、通知管理、邮件管理、新闻、考勤管理、短信管理、个人文件柜、日程安排、工作计划、工作日清、通讯录、公文流转、论坛、在线调查、
-
NULL = NULL在Hive返回NULL，StarRocks返回FALSE，写WHERE col1 = col2时逻辑完全不同 -
DECIMAL计算：Hive 用ROUND_HALF_UP，Trino 用HALF_EVEN，同一条SUM(ROUND(x, 2))可能差一分钱 - 分区字段类型别混用——
Hive分区是STRING，Trino对应表定义成DATE，WHERE ds = '2023-01-01'会静默跳过所有分区
想用 SQL 做实时流处理，但结果总滞后或重复
核心矛盾在于：传统 SQL 是批语义，而流式 SQL 必须显式声明时间属性和状态清理策略。Flink SQL 默认用 EVENT TIME，但如果你的 Kafka 消息没带 timestamp 字段，或 WATERMARK 设置太激进，就会丢数据或乱序。
-
WATERMARK FOR ts AS ts - INTERVAL '5' SECOND中的'5'不是固定值，得根据上游最大乱序延迟反推，不能拍脑袋设 -
INSERT INTO sink SELECT ... FROM source GROUP BY TUMBLING(HOP)...里，HOP窗口必须指定offset，否则凌晨零点切窗可能漏掉跨天数据 - 更新类 sink（如
StarRocks或Doris）需开启ON DUPLICATE KEY UPDATE语义，否则UPSERT流会变成追加，主键冲突直接报错
分布式 SQL 最难的不是写出来，而是搞清每条语句背后实际跑在哪几个节点、数据怎么分发、状态怎么同步、时间怎么对齐。这些细节不抠清楚，换引擎、调参数都只是隔靴搔痒。
