UNION versus UNION ALL

Setbewerkingen stapelen het ene resultaat onder het andere, verticaal. UNION en UNION ALL zijn de eerste setoperatoren waar interviewers naar grijpen, omdat het verschil ertussen in één regel kan worden uitgelegd en laat zien of je de kosten begrijpt.

De vraag luidt bijna altijd: "Wat is het verschil tussen UNION en UNION ALL, en welke moet je gebruiken?" Een sterk antwoord noemt in één adem deduplicatie, ordening en prestaties.

UNION combineert de rijen van twee queries tot één resultaatset en verwijdert daarna dubbele rijen. Twee rijen zijn alleen duplicaten als elke kolom overeenkomt.

Om duplicaten te verwijderen, moet de engine alle gecombineerde rijen sorteren of hashen, en dat kost daadwerkelijk werk. UNION levert een verzameling in wiskundige zin op: zonder herhalingen.

UNION ALL voegt de twee resultaatsets samen en behoudt elke rij, inclusief duplicaten. Er vindt geen deduplicatie plaats, dus voor dat doel hoeft er niet te worden gesorteerd of gehasht.

Omdat de deduplicatiestap wordt overgeslagen, is UNION ALL bijna altijd sneller. Het is de juiste keuze als je weet dat rijen elkaar niet kunnen overlappen of als duplicaten juist gewenst zijn.

De kern voor het interview: UNION ALL is goedkoper omdat er nooit wordt gededupliceerd. UNION moet elke gecombineerde rij met alle andere vergelijken om herhalingen te verwijderen.

• UNION = UNION ALL + een impliciete DISTINCT-stap.
• Bij grote resultaatsets kan die DISTINCT-stap het grootste deel van de querykosten veroorzaken.

Als je geen duplicaten hoeft te verwijderen, verspil je CPU en geheugen door UNION te gebruiken.

Stel dat beide queries de rij 'Paris' kunnen teruggeven. Met UNION krijg je één Paris. Met UNION ALL krijg je Paris twee keer.

Interviewers vragen je graag om het aantal rijen te voorspellen. Stel je altijd eerst de onbewerkte samenvoeging voor en vraag je daarna af: verwijdert de operator de herhalingen?

Een veelvoorkomende valkuil: twee rijen zijn alleen duplicaten als elke geselecteerde kolom gelijk is. Voeg één kolom met een afwijkende waarde toe en de rijen zijn geen duplicaten meer, waardoor UNION beide behoudt.

Daarom geeft SELECT id, city bij UNION vaak meer rijen terug dan SELECT city, zelfs bij dezelfde tabellen.

Je kunt ORDER BY niet op de afzonderlijke querytakken plaatsen; het is van toepassing op het hele gecombineerde resultaat en moet één keer helemaal aan het einde staan.

Een interviewer kan vragen waar ORDER BY thuishoort. Het antwoord is: één ORDER BY na de laatste query, die naar de uitvoerkolommen verwijst op naam of op positie.

Wanneer je in de uiteindelijke ORDER BY naar kolommen verwijst, gebruik je de namen of aliassen uit de eerste SELECT. De kolomnamen van de tweede query worden genegeerd voor de labels van de uitvoer.

Dit is belangrijk wanneer de takken hun kolommen anders benoemen. Geef de eerste tak een alias om de koptekst van de uitvoer te bepalen.

Gebruik UNION alleen wanneer overlappende rijen daadwerkelijk kunnen voorkomen en je elke unieke rij één keer wilt. Voorbeelden zijn het samenvoegen van twee contactlijsten waarin dezelfde persoon in beide kan voorkomen, of het maken van een ontdubbelde lijst met unieke waarden uit meerdere bronnen.

Als je kunt garanderen dat de bronnen elkaar uitsluiten, levert UNION ALL hetzelfde resultaat sneller op.

Gebruik UNION ALL wanneer duplicaten niet kunnen voorkomen, wanneer duplicaten betekenisvol zijn of wanneer je daarna gaat aggregeren. Een klassiek patroon is het stapelen van maandelijkse partitietabellen die geen rijen gemeen hebben.

Tip voor sollicitatiegesprekken: zeg dat UNION ALL de standaardkeuze is en dat je alleen voor UNION kiest wanneer ontdubbeling echt nodig is.

Een goed geformuleerd antwoord in een sollicitatiegesprek klinkt bijvoorbeeld zo: "UNION verwijdert dubbele rijen, waarvoor een sortering of hashbewerking nodig is; UNION ALL behoudt alles en is sneller. Beide vereisen hetzelfde aantal kolommen en compatibele typen, en elke ORDER BY komt één keer aan het einde. Ik kies standaard voor UNION ALL, tenzij ontdubbeling nodig is."

Met die ene zin laat je zowel zien dat je correct werkt als dat je aandacht hebt voor prestaties.

Belangrijkste punten:

• UNION = combineren en dubbele rijen verwijderen (impliciete DISTINCT, extra kosten).
• UNION ALL = combineren en alles behouden, sneller en de verstandige standaardkeuze.
• Voor duplicaten moeten alle kolommen overeenkomen.
• Eén ORDER BY komt helemaal aan het einde en gebruikt de kolomnamen van de eerste query.

Kies standaard voor UNION ALL; gebruik UNION alleen wanneer ontdubbeling echt nodig is.