UNION versus UNION ALL

As operações de conjuntos empilham um conjunto de resultados sobre outro, verticalmente. UNION e UNION ALL são os primeiros operadores de conjuntos aos quais os entrevistadores recorrem, porque a diferença entre eles é uma resposta de uma linha que revela se você entende o custo.

A pergunta quase sempre é formulada assim: “Qual é a diferença entre UNION e UNION ALL e qual você deve usar?” Uma resposta forte menciona a remoção de duplicatas, a ordenação e o desempenho de uma só vez.

UNION combina as linhas de duas consultas em um único conjunto de resultados e depois remove as linhas duplicadas. Duas linhas só são duplicadas se todas as colunas forem iguais.

Para remover duplicatas, o mecanismo precisa ordenar ou usar uma tabela de dispersão para todas as linhas combinadas, o que exige trabalho real. UNION retorna um conjunto no sentido matemático: sem repetições.

UNION ALL concatena os dois conjuntos de resultados e mantém todas as linhas, inclusive as duplicadas. Não faz remoção de duplicatas, portanto não ordena nem usa dispersão para essa finalidade.

Como ignora a etapa de remoção de duplicatas, UNION ALL quase sempre é mais rápido e é a escolha correta quando você sabe que as linhas não podem se sobrepor ou quando as duplicatas são desejadas.

Resumo para a entrevista: UNION ALL é mais barato porque nunca remove duplicatas. UNION precisa comparar cada linha combinada com todas as outras para eliminar repetições.

• UNION = UNION ALL + uma etapa implícita de DISTINCT.
• Em conjuntos de resultados grandes, esse DISTINCT pode dominar o custo da consulta.

Se você não precisa remover duplicatas, escolher UNION desperdiça CPU e memória.

Suponha que ambas as consultas possam retornar a linha 'Paris'. Com UNION, você obtém um único Paris. Com UNION ALL, obtém Paris duas vezes.

Os entrevistadores adoram pedir que você preveja a quantidade de linhas. Primeiro, sempre imagine a concatenação bruta e depois pergunte: o operador elimina as repetições?

Armadilha comum: duas linhas são duplicatas somente se todas as colunas selecionadas forem iguais. Adicione uma coluna diferente e as linhas deixarão de ser duplicatas, portanto UNION manterá ambas.

É por isso que SELECT id, city geralmente retorna mais linhas que SELECT city com UNION, mesmo nas mesmas tabelas.

Não é possível colocar ORDER BY nos ramos individuais; ele se aplica ao resultado combinado inteiro e deve aparecer uma única vez no final.

Um entrevistador pode perguntar onde fica ORDER BY. A resposta: um único ORDER BY após a última consulta, referindo-se às colunas de saída pelo nome ou pela posição.

Ao referenciar colunas no ORDER BY final, use os nomes (ou nomes alternativos) do primeiro SELECT. Os nomes das colunas da segunda consulta são ignorados na identificação da saída.

Isso é importante quando os ramos dão nomes diferentes às colunas. Renomeie as colunas do primeiro ramo para controlar o cabeçalho da saída.

Use UNION somente quando houver realmente a possibilidade de linhas repetidas e você quiser cada linha distinta uma única vez. Exemplos: combinar duas listas de contatos nas quais a mesma pessoa pode aparecer nas duas, ou criar uma lista sem duplicatas de valores distintos provenientes de várias fontes.

Se você puder garantir que as fontes não têm elementos em comum, UNION ALL produzirá o mesmo resultado com mais rapidez.

Use UNION ALL quando não puderem ocorrer duplicatas, quando as duplicatas forem relevantes ou quando você fizer uma agregação depois. Um padrão clássico é empilhar tabelas de partições mensais que não compartilham linhas.

Dica para entrevistas: diga que UNION ALL é o padrão e que você só recorre a UNION quando a remoção de duplicatas for realmente necessária.

Uma resposta bem elaborada em uma entrevista soaria assim: "UNION remove linhas duplicadas, o que exige uma ordenação ou uma tabela de dispersão; UNION ALL mantém tudo e é mais rápido. Ambos exigem a mesma quantidade de colunas e tipos compatíveis, e qualquer ORDER BY aparece uma única vez no final. Eu uso UNION ALL por padrão, a menos que a deduplicação seja necessária."

Essa única frase demonstra, ao mesmo tempo, correção e atenção ao desempenho.

Avalie sua compreensão da diferença entre UNION e UNION ALL.

Principais conclusões:

• UNION = combinar + remover linhas duplicadas (DISTINCT implícito, custo adicional).
• UNION ALL = combinar e manter tudo, mais rápido e padrão sensato.
• Para haver duplicatas, todas as colunas precisam ser iguais.
• Um único ORDER BY aparece no final e usa os nomes das colunas da primeira consulta.

Use UNION ALL por padrão; recorra a UNION somente quando a deduplicação for realmente necessária.