2022年2022年海量数据查询 .pdf

《2022年2022年海量数据查询 .pdf》由会员分享，可在线阅读，更多相关《2022年2022年海量数据查询 .pdf（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、数据库优化查询计划的方法数据库系统是管理信息系统的核心，基于数据库的联机事务处理（OLTP ）以及联机分析处理(OLAP)是银行、企业、政府等部门最为重要的计算机应用之一。从大多数系统的应用实例来看，查询操作在各种数据库操作中所占据的比重最大，而查询操作所基于的SELECT语句在SQL 语句中又是代价最大的语句。举例来说，如果数据的量积累到一定的程度，比如一个银行的账户数据库表信息积累到上百万甚至上千万条记录，全表扫描一次往往需要数十分钟，甚至数小时。如果采用比全表扫描更好的查询策略，往往可以使查询时间降为几分钟，由此可见查询优化技术的重要性。在应用项目的实施中发现，许多程序员在利用一些前端数

2、据库开发工具（如PowerBuilder、Delphi等）开发数据库应用程序时，只注重用户界面的华丽，并不重视查询语句的效率问题，导致所开发出来的应用系统效率低下，资源浪费严重。因此，如何设计高效合理的查询语句就显得非常重要。本文以应用实例为基础，结合数据库理论，介绍查询优化技术在现实系统中的运用。分析问题许多程序员认为查询优化是DBMS （数据库管理系统）的任务，与程序员所编写的SQL语句关系不大，这是错误的。一个好的查询计划往往可以使程序性能提高数十倍。查询计划是用户所提交的SQL语句的集合， 查询规划是经过优化处理之后所产生的语句集合。DBMS 处理查询计划的过程是这样的：在做完查询语句

3、的词法、语法检查之后， 将语句提交给DBMS 的查询优化器，优化器做完代数优化和存取路径的优化之后，由预编译模块对语句进行处理并生成查询规划，然后在合适的时间提交给系统处理执行，最后将执行结果返回给用户。在实际的数据库产品 ( 如 Oracle 、Sybase 等)的高版本中都是采用基于代价的优化方法，这种优化能根据从系统字典表所得到的信息来估计不同的查询规划的代价，然后选择一个较优的规划。虽然现在的数据库产品在查询优化方面已经做得越来越好，但由用户提交的SQL语句是系统优化的基础，很难设想一个原本糟糕的查询计划经过系统的优化之后会变得高效，因此所写语句的优劣至关重要。下面重点说明改善查询计划

4、的解决方案。解决问题下面以关系数据库系统Informix为例，介绍改善用户查询计划的方法。1合理使用索引索引是数据库中重要的数据结构，它的根本目的就是为了提高查询效率。现在大多数的数据库产品都采用IBM最先提出的ISAM索引结构。索引的使用要恰到好处，其使用原则如下：在经常进行连接，但是没有指定为外键的列上建立索引，而不经常连接的字段则由优化器自动生成索引。在频繁进行排序或分组（即进行group by或 order by操作）的列上建立索引。在条件表达式中经常用到的不同值较多的列上建立检索，在不同值少的列上不要建立索引。比如在雇员表的“性别”列上只有“男”与“女”两个不同值，因此就无必要建立索

5、引。如果建立索引不但不会提高查询效率，反而会严重降低更新速度。如果待排序的列有多个，可以在这些列上建立复合索引（compound index ） 。使用系统工具。如Informix数据库有一个tbcheck 工具，可以在可疑的索引上进行检查。在一些数据库服务器上，索引可能失效或者因为频繁操作而使得读取效率降低，如果一个使用索引的查询不明不白地慢下来，可以试着用tbcheck工具检查索引的完整性，必要时进行修复。另外，当数据库表更新大量数据后，删除并重建索引可以提高查询速度。2避免或简化排序应当简化或避免对大型表进行重复的排序。当能够利用索引自动以适当的次序产生输出时，名师资料总结 - - -精

6、品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 8 页 - - - - - - - - - 优化器就避免了排序的步骤。以下是一些影响因素：索引中不包括一个或几个待排序的列；group by或 order by子句中列的次序与索引的次序不一样；排序的列来自不同的表。为了避免不必要的排序，就要正确地增建索引，合理地合并数据库表（尽管有时可能影响表的规范化， 但相对于效率的提高是值得的）。如果排序不可避免，那么应当试图简化它，如缩小排序的列的范围等。3消除对大型表行数据的顺序存取在嵌套查询中，对表的顺序

7、存取对查询效率可能产生致命的影响。比如采用顺序存取策略，一个嵌套3 层的查询，如果每层都查询1000 行，那么这个查询就要查询10 亿行数据。避免这种情况的主要方法就是对连接的列进行索引。例如，两个表：学生表（学号、姓名、年龄, ）和选课表（学号、课程号、成绩）。如果两个表要做连接，就要在“学号”这个连接字段上建立索引。还可以使用并集来避免顺序存取。尽管在所有的检查列上都有索引，但某些形式的where 子句强迫优化器使用顺序存取。下面的查询将强迫对orders表执行顺序操作：SELECT FROM orders WHERE (customer_num=104 AND order_num1001

8、) OR order_num=1008 虽然在 customer_num 和 order_num 上建有索引， 但是在上面的语句中优化器还是使用顺序存取路径扫描整个表。因为这个语句要检索的是分离的行的集合，所以应该改为如下语句：SELECT FROM orders WHERE customer_num=104 AND order_num1001 UNION SELECT FROM orders WHERE order_num=1008 这样就能利用索引路径处理查询。4避免相关子查询一个列的标签同时在主查询和where 子句中的查询中出现，那么很可能当主查询中的列值改变之后，子查询必须重新查询一

9、次。查询嵌套层次越多，效率越低，因此应当尽量避免子查询。如果子查询不可避免，那么要在子查询中过滤掉尽可能多的行。5避免困难的正规表达式MATCHES 和 LIKE 关键字支持通配符匹配，技术上叫正规表达式。但这种匹配特别耗费时间。例如： SELECT FROM customer WHERE zipcode LIKE “98_ _ _ ”即使在 zipcode 字段上建立了索引，在这种情况下也还是采用顺序扫描的方式。如果把语句改为SELECT FROM customer WHERE zipcode “98000” ，在执行查询时就会利用索引来查询，显然会大大提高速度。另外， 还要避免非开始的子串

10、。例如语句： SELECT FROM customer WHERE zipcode2 ，3 “80” ，在 where 子句中采用了非开始子串，因而这个语句也不会使用索引。6使用临时表加速查询把表的一个子集进行排序并创建临时表，有时能加速查询。有助于避免多重排序操作，而且在其他方面还能简化优化器的工作。例如：SELECT cust.name ，rcvbles.balance，,other columns FROM cust，rcvbles WHERE cust.customer_id = rcvlbes.customer_id AND rcvblls.balance0 AND cust.pos

11、tcode“ 98000”ORDER BY cust.name 如果这个查询要被执行多次而不止一次，可以把所有未付款的客户找出来放在一个临时文件名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 8 页 - - - - - - - - - 中，并按客户的名字进行排序：SELECT cust.name ，rcvbles.balance，,other columns FROM cust，rcvbles WHERE cust.customer_id = rcvlbes.custom

12、er_id AND rcvblls.balance0 ORDER BY cust.name INTO TEMP cust_with_balance 然后以下面的方式在临时表中查询：SELECT FROM cust_with_balance WHERE postcode“98000”临时表中的行要比主表中的行少，而且物理顺序就是所要求的顺序，减少了磁盘I/O ，所以查询工作量可以得到大幅减少。注意：临时表创建后不会反映主表的修改。在主表中数据频繁修改的情况下，注意不要丢失数据。7用排序来取代非顺序存取非顺序磁盘存取是最慢的操作，表现在磁盘存取臂的来回移动。SQL 语句隐藏了这一情况，使得在写应用

13、程序时很容易写出要求存取大量非顺序页的查询。有些时候，用数据库的排序能力来替代非顺序的存取能改进查询。实例分析下面我们举一个制造公司的例子来说明如何进行查询优化。制造公司数据库中包括3 个表，模式如下所示：1part 表零件号零件描述其他列（part_num ）（part_desc ）（ other column）102，032 Seageat 30G disk ,500，049 Novel 10M network card ,2vendor 表厂商号厂商名其他列（vendor _num ）（vendor_name） （other column）910，257 Seageat Corp ,52

14、3，045 IBM Corp ,3parven 表零件号厂商号零件数量（part_num ）（vendor_num）（part_amount ）102，032 910，257 3,450,000 234，423 321，001 4，000，000 ,下面的查询将在这些表上定期运行，并产生关于所有零件数量的报表：名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 8 页 - - - - - - - - - SELECT part_desc ，vendor_name，part_a

15、mount FROM part，vendor ，parven WHERE part.part_num=parven.part_num AND parven.vendor_num = vendor.vendor_num ORDER BY part.part_num 如果不建立索引，上述查询代码的开销将十分巨大。为此，我们在零件号和厂商号上建立索引。索引的建立避免了在嵌套中反复扫描。关于表与索引的统计信息如下：表行尺寸行数量每页行数量数据页数量（table ）(row size) （Row count ）（Rows/Pages）（Data Pages ）part 150 10，000 25 400

16、 Vendor 150 1，000 25 40 Parven 13 15 ，000 300 50 索引键尺寸每页键数量页面数量（Indexes ）(Key Size) （ Keys/Page) (Leaf Pages ）part 4 500 20 Vendor 4 500 2 Parven 8 250 60 看起来是个相对简单的3 表连接，但是其查询开销是很大的。通过查看系统表可以看到，在part_num 上和 vendor_num 上有簇索引，因此索引是按照物理顺序存放的。parven 表没有特定的存放次序。这些表的大小说明从缓冲页中非顺序存取的成功率很小。此语句的优化查询规划是：首先从pa

17、rt中顺序读取400 页，然后再对parven 表非顺序存取1 万次，每次2 页（一个索引页、一个数据页），总计 2 万个磁盘页，最后对vendor 表非顺序存取1.5 万次，合 3 万个磁盘页。可以看出在这个索引好的连接上花费的磁盘存取为5.04 万次。实际上，我们可以通过使用临时表分3 个步骤来提高查询效率：1从 parven 表中按 vendor_num 的次序读数据：SELECT part_num，vendor_num，price FROM parven ORDER BY vendor_num INTO temp pv_by_vn 这个语句顺序读parven （50 页） ，写一个临时

18、表（50 页） ，并排序。假定排序的开销为200页，总共是300 页。2把临时表和vendor 表连接，把结果输出到一个临时表，并按part_num 排序：SELECT pv_by_vn， vendor.vendor_num FROM pv_by_vn ， vendor WHERE pv_by_vn.vendor_num=vendor.vendor_num ORDER BY pv_by_vn.part_num INTO TMP pvvn_by_pn DROP TABLE pv_by_vn 这个查询读取pv_by_vn(50 页) ，它通过索引存取vendor 表 1.5 万次， 但由于按ven

19、dor_num次序排列，实际上只是通过索引顺序地读vendor 表（ 402=42 页） ，输出的表每页约95 行，共 160 页。写并存取这些页引发5160=800 次的读写，索引共读写892 页。3把输出和part 连接得到最后的结果：SELECT pvvn_by_pn. ， part.part_desc 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 8 页 - - - - - - - - - FROM pvvn_by_pn，part WHERE pvvn_by_p

20、n.part_num=part.part_num DROP TABLE pvvn_by_pn 这样， 查询顺序地读pvvn_by_pn(160 页) ，通过索引读part表 1.5 万次， 由于建有索引， 所以实际上进行1772 次磁盘读写，优化比例为301。笔者在Informix Dynamic Sever上做同样的实验，发现在时间耗费上的优化比例为51(如果增加数据量，比例可能会更大) 。小结20的代码用去了80的时间， 这是程序设计中的一个著名定律，在数据库应用程序中也同样如此。 我们的优化要抓住关键问题，对于数据库应用程序来说，重点在于SQL的执行效率。查询优化的重点环节是使得数据库服

21、务器少从磁盘中读数据以及顺序读页而不是非顺序读页。百万数据查询优化技巧三十则1. 对查询进行优化，应尽量避免全表扫描，首先应考虑在 where 及 order by 涉及的列上建立索引。2. 应尽量避免在 where 子句中对字段进行 null 值判断，否则将导致引擎放弃使用索引而进行全表扫描，如：select id from t where num is null 可以在 num上设置默认值0，确保表中num列没有 null值，然后这样查询：select id from t where num=0 3. 应尽量避免在 where 子句中使用 != 或操作符，否则将引擎放弃使用索引而进行全表扫

22、描。4. 应尽量避免在 where 子句中使用 or 来连接条件，否则将导致引擎放弃使用索引而进行全表扫描，如：select id from t where num=10 or num=20 可以这样查询：select id from t where num=10 union all select id from t where num=20 5.in 和 not in 也要慎用，否则会导致全表扫描，如：select id from t where num in(1,2,3) 对于连续的数值，能用 between 就不要用 in 了：select id from t where num bet

23、ween 1 and 3 6. 下面的查询也将导致全表扫描：select id from t where name like %abc% 若要提高效率，可以考虑全文检索。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 8 页 - - - - - - - - - 7. 如果在 where 子句中使用参数， 也会导致全表扫描。因为 SQL只有在运行时才会解析局部变量，但优化程序不能将访问计划的选择推迟到运行时；它必须在编译时进行选择。然而，如果在编译时建立访问计划，变量的值还

24、是未知的，因而无法作为索引选择的输入项。如下面语句将进行全表扫描：select id from t where num=num 可以改为强制查询使用索引：select id from t with(index(索引名 ) where num=num 8. 应尽量避免在 where 子句中对字段进行表达式操作，这将导致引擎放弃使用索引而进行全表扫描。如：select id from t where num/2=100 应改为 : select id from t where num=100*2 9. 应尽量避免在where 子句中对字段进行函数操作，这将导致引擎放弃使用索引而进行全表扫描。如：s

25、elect id from t where substring(name,1,3)=abc-name以 abc 开头的 id select id from t where datediff(day,createdate,2005-11-30)=0-2005-11-30 生成的 id 应改为 : select id from t where name like abc% select id from t where createdate=2005-11-30 and createdate2005-12-1 10. 不要在 where 子句中的 “=”左边进行函数、 算术运算或其他表达式运算，否则

26、系统将可能无法正确使用索引。11. 在使用索引字段作为条件时，如果该索引是复合索引，那么必须使用到该索引中的第一个字段作为条件时才能保证系统使用该索引，否则该索引将不会被使用，并且应尽可能的让字段顺序与索引顺序相一致。12. 不要写一些没有意义的查询，如需要生成一个空表结构：select col1,col2 into #t from t where 1=0 这类代码不会返回任何结果集，但是会消耗系统资源的，应改成这样：create table #t(.) 13. 很多时候用 exists 代替 in 是一个好的选择：select num from a where num in(select n

27、um from b) 用下面的语句替换：select num from a where exists(select 1 from b where num=a.num) 14. 并不是所有索引对查询都有效，SQL是根据表中数据来进行查询优化的，当索引列有大量数据重复时，SQL查询可能不会去利用索引，如一表中有字段sex，male、 female 几乎各一半，那么即使在sex 上建了索引也对查询效率起不了作用。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 8 页 - - -

28、 - - - - - - 15. 索引并不是越多越好， 索引固然可以提高相应的 select 的效率，但同时也降低了 insert 及 update 的效率，因为 insert 或 update 时有可能会重建索引，所以怎样建索引需要慎重考虑，视具体情况而定。一个表的索引数最好不要超过6 个，若太多则应考虑一些不常使用到的列上建的索引是否有必要。16. 应尽可能的避免更新 clustered 索引数据列， 因为 clustered 索引数据列的顺序就是表记录的物理存储顺序，一旦该列值改变将导致整个表记录的顺序的调整，会耗费相当大的资源。若应用系统需要频繁更新 clustered 索引数据列，那

29、么需要考虑是否应将该索引建为clustered 索引。17. 尽量使用数字型字段，若只含数值信息的字段尽量不要设计为字符型，这会降低查询和连接的性能，并会增加存储开销。这是因为引擎在处理查询和连接时会逐个比较字符串中每一个字符，而对于数字型而言只需要比较一次就够了。18. 尽可能的使用 varchar/nvarchar 代替 char/nchar ，因为首先变长字段存储空间小，可以节省存储空间，其次对于查询来说，在一个相对较小的字段内搜索效率显然要高些。19. 任何地方都不要使用 select * from t ，用具体的字段列表代替“*” ，不要返回用不到的任何字段。20. 尽量使用表变量来

30、代替临时表。如果表变量包含大量数据，请注意索引非常有限（只有主键索引）。21. 避免频繁创建和删除临时表，以减少系统表资源的消耗。22. 临时表并不是不可使用，适当地使用它们可以使某些例程更有效，例如， 当需要重复引用大型表或常用表中的某个数据集时。但是，对于一次性事件，最好使用导出表。23. 在新建临时表时，如果一次性插入数据量很大，那么可以使用 select into 代替 create table ，避免造成大量 log ，以提高速度；如果数据量不大，为了缓和系统表的资源，应先create table，然后 insert。24. 如果使用到了临时表，在存储过程的最后务必将所有的临时表显式

31、删除，先 truncate table ，然后 drop table ，这样可以避免系统表的较长时间锁定。25. 尽量避免使用游标，因为游标的效率较差，如果游标操作的数据超过1 万行， 那么就应该考虑改写。26. 使用基于游标的方法或临时表方法之前，应先寻找基于集的解决方案来解决问题，基于集的方法通常更有效。27. 与临时表一样， 游标并不是不可使用。对小型数据集使用 FAST_FORWARD 游标通常要优于其他逐行处理方法，尤其是在必须引用几个表才能获得所需的数据时。在结果集中包括“合名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - -

32、 - 名师精心整理 - - - - - - - 第 7 页，共 8 页 - - - - - - - - - 计”的例程通常要比使用游标执行的速度快。如果开发时间允许，基于游标的方法和基于集的方法都可以尝试一下，看哪一种方法的效果更好。28. 在所有的存储过程和触发器的开始处设置 SET NOCOUNT ON ，在结束时设置 SET NOCOUNT OFF 。无需在执行存储过程和触发器的每个语句后向客户端发送 DONE_IN_PROC 消息。29. 尽量避免大事务操作，提高系统并发能力。30. 尽量避免向客户端返回大数据量，若数据量过大，应该考虑相应需求是否合理。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 8 页，共 8 页 - - - - - - - - -