分布式查询是指检索或操作存储在多个数据库或数据源中的数据的操作，将它们视为单个逻辑系统。 它们使开发人员能够访问来自不同位置的数据，例如单独的服务器、云服务，甚至异构系统（例如，SQL 和 NoSQL 数据库），而无需手动聚合数据。 例如，分布式查询可以将 PostgreSQL 数据库中的用户表与存储在 MongoDB 集群中的订单记录连接起来，返回统一的结果。 这是通过一个协调器（通常是数据库引擎或中间件）来实现的，该协调器将查询拆分为子任务，将它们发送到相关节点，并将结果组合起来。
该过程通常涉及四个步骤。 首先，协调器解析查询以识别涉及哪些数据源。 接下来，它生成针对每个源优化的执行计划，例如将 SQL JOIN 转换为 MongoDB 聚合管道。 然后，协调器将这些子查询发送到各个节点，通常会将过滤器或投影推送到每个源，以最大限度地减少数据传输。 最后，它合并中间结果，处理诸如排序或聚合之类的任务。 例如，计算每个地区总销售额的查询可能会从云数据仓库中获取原始销售数据，从本地 SQL Server 中获取客户位置，并使用哈希连接算法将它们组合起来。 网络延迟和数据格式差异是常见的挑战，因此通常使用并行执行和模式映射等技术来提高性能。
开发人员使用 PostgreSQL 的外部数据包装器 (FDW) 等工具来实现分布式查询，这些工具允许来自外部数据库的表显示为本地表，或者像 AWS Athena 这样的云服务，可以跨 S3 和关系数据库查询数据。 考虑因素包括安全性（管理跨系统的凭据）、错误处理（一个节点中的部分故障不应导致整个查询崩溃）和一致性（处理实时系统中的过时数据）。 虽然功能强大，但分布式查询增加了复杂性，因此它们最适合于集中数据不切实际的场景，例如集成遗留系统或分析跨微服务的实时日志。 像 Apache Calcite 这样的工具通过为跨不同来源的查询优化提供框架来简化实现。