计算下推是将过滤、聚合等计算逻辑下沉至存储层或执行引擎底层执行，以减少网络传输、内存占用和中间结果集；典型场景包括WHERE条件、聚合函数及UDF下推，ClickHouse、StarRocks等支持较好，需通过执行计划确认是否生效。

SQL数据库中的计算下推（Computation Pushdown）是一种优化技术，核心是把本该在应用层或数据库服务端内存中做的计算，尽可能提前到存储层或执行引擎底层完成，从而减少网络传输、内存占用和中间结果集大小。

什么是计算下推

传统SQL执行流程中，数据库先读取原始数据（比如全表扫描），再在服务端逐行做过滤、聚合、函数计算等操作，中间可能生成大量临时数据。而计算下推会把部分逻辑“下沉”到更靠近数据的地方执行——例如下推到存储引擎（如TiKV、Delta Lake）、列存格式解析层（如Parquet reader）、甚至磁盘I/O路径中。

典型场景包括：
• WHERE条件中的函数下推：如WHERE year(order_time) = 2025，若底层支持，可直接在扫描时跳过非2025年的数据块。
• 聚合函数下推：COUNT/SUM/AVG等在分区或文件级别预聚合，减少向上汇总的数据量。
• UDF（用户自定义函数）下推：某些引擎（如Trino+Iceberg、Spark on Delta）支持将轻量UDF编译后下发到读取端执行。

为什么能减少中间结果集

中间结果集变大，往往不是因为最终结果多，而是因为执行过程中保留了太多冗余行或列。计算下推通过“早筛早算”，从源头压缩数据流：

• 下推过滤条件 → 扫描阶段就丢弃不匹配的行，不进入内存迭代器
• 下推投影（SELECT列裁剪）→ 只读取需要的列，尤其对宽表效果显著
• 下推表达式计算（如price * tax_rate）→ 在读取时完成运算，避免存储原始字段+额外计算两步开销
• 下推LIMIT/OFFSET → 存储层返回前N行，而非全量拉取再截断

哪些数据库/引擎支持较好

支持程度取决于存储格式、执行模型与优化器能力：

• ClickHouse：天然列存+向量化执行，几乎所有函数都默认下推，且支持谓词下推到稀疏索引和跳数索引
• StarRocks / Doris：谓词、投影、聚合、甚至部分窗口函数可下推至BE节点本地处理
• Trino/Presto + Iceberg/Hudi/Delta：依赖表格式元数据（如Iceberg的Snapshot、Partition Spec）实现分区裁剪与谓词下推；部分UDF可通过Connector插件下推
• Spark SQL（配合Parquet/ORC）：支持谓词下推、列裁剪、统计信息跳过（需开启spark.sql.parquet.filterPushdown等配置）
• PostgreSQL：有限下推（如索引条件下推），但多数计算仍在Executor层；FDW插件（如postgres_fdw）可将部分查询下推到远端库

如何确认是否发生下推

关键看执行计划中是否体现“pushed down”或类似语义：

• ClickHouse：用EXPLAIN SYNTAX或EXPLAIN PIPELINE查看filter/project是否出现在ReadFromMergeTree阶段
• StarRocks：EXPLAIN VERBOSE中观察Predicate是否标记为PushedDown
• Trino：EXPLAIN (TYPE DISTRIBUTED)里看TableScan节点的Filter和Layout字段是否含下推条件
• Spark：EXPLAIN FORMATTED中查找PushedFilters和ReadSchema，确认列与过滤是否精简

如果执行计划显示“Filter: (col > 100)”出现在Scan节点内部，大概率已下推；若只在Exchange或HashAggregate之后出现，则未下推。

不复杂但容易忽略：写SQL时尽量让过滤条件干净（避免WHERE UPPER(name) = 'ABC'这种破坏索引/下推的写法），并确保统计信息及时更新——这是触发下推的前提。