名词解释
在数据库中，merge into用于将源表的数据合并到目标表中，它支持条件更新、插入以及删除操作，使得数据同步变得更加高效和简洁。
CN(Coordinator Node): 协调者节点负责处理客户端请求，并且协调数据的分布、事务管理和查询执行。当客户端发送一个查询或事务请求时，CN会解析这个请求。
DN(Database Node)：数据节点是实际存储数据的地方。每个DN负责维护一部分数据，并且执行CN分配的任务，比如读取数据、更新数据、执行计算等。
技术背景
在数据库中，merge into用于将源表中的数据合并到目标表中，一般情况下是根据连接条件，如果目标表的行和源表中的某行进行连接，则用源表的改行对目标表进行更新操作；如果目标表中的行和源表中的所有行均不能连接，则将源表中的行插入到目标中。目前数据库的内部实现方案是：由于源表中每条数据或者用来更新目标表，或者用来插入到目标表中，因此在执行计划中底层源表和目标表进行左连接，上层dml算子的根据左连接的结构进行判断，如果左连接结果的右侧不是NULL，说明右侧的目标表行可以满足连接条件，则根据源表数据进行更新操作；如果左连接结果的右侧为NULL，说明源表的这条数据不能和目标表进行连接，则将这条源表数据进行插入操作。
对于分布式数据库，由于数据分布在不同的DN上，源表和目标表在进行左连接前，数据要根据连接条件进行重分布，做完左连接后，左连接的结果中源表的数据是全部输出，和源表不能关联的右侧目标表是补NULL的，因此不能以目标表的分布列作为分布键对数据进行重分布（左连接的结果中目标表存在空行），因此数据不能根据目标表重分布到对应的DN上，因此不能在DN上做merge into操作。对于分布式数据库，目前常用的技术是将连接后的数据发送到CN上，然后CN在将数据发送的对应的DN上做merge into操作，而这种执行计划的效率是非常的低的，大大降低了merge into的性能。
Merge into查询计划
上述问题中不能直接在DN上做merge into关键是底层算子左连接结果中目标表部分存在NULL，因此在DN上不能通过目标表的分布列将数据发送到正确的DN节点上，导致不能直接在DN做merge into。对于merge into，源表中的数据能与目标表关联做更新操作，源表中的数据不能与目标表关联做插入操作，因此在底层算子左连接结果中目标表为NULL的行，对应的源数据行（或将要插入的源数据）要插入到目标表中；底层算子左连接结果中目标表不为NULL的行，对应的源数据行用来更新目标表。基于此，对于左连接的结果中目标表部分不为NULL时，根据目标表的分布列对数据进行重分布，在对应的DN上做数据更新操作；对于左连接的结果中目标表为NULL时，根据merge into中要插入的数据（一般是源表的数据）进行重分布，然后在对应的DN上做数据插入操作。可以在底层的左连接算子中增加一列COALESCE(tt01.a1, expr1)，其中tt01为merge into的目标表，a1是其分布列，expr1是merge into中插入操作中目标表分布列中将要插入的数据。COALESCE(tt01.a1, expr1)函数的功能是如果tt01.a1不为空，则结果为tt01.a1，tt01.a1为空，则结果为expr1。然后将COALESCE(tt01.a1, expr1)函数结果作为分布列对左连接的结果做重分布，这样不论merge into做更新还是插入动作，数据都可以发送到正确的DN上，可以直接在DN上做merge into操作。
merge into的常用写法如下：
原始的执行计划中，数据要先到CN上，然后CN在发送到对应的DN上做merge into性能比较很差，执行计划如下：
新的执行计划中，数据不用发送到CN上，merge into直接在DN上进行，性能会好很多。执行计划如下：
总结
新的Merge into查询方法主要在merge into底层的左连接的输出中添加一个表达式COALESCE(目标表.分布列, 目标表分布列将要插入的表达式)，得到左连接的结果后可以以COALESCE的结果作为数据分布列，可以将数据分布到正确的DN上，可以直接在DN上做merge into操作。相比之前的方案，所有的数据不用先发送到CN上重新下发到DN上做merge into操作，性能有很大的提升。
