如何编写更好的SQL查询语句
基于集合和程序的方法进行查询
反向模型中隐含的事实是,建立查询时基于集合和程序的方法之间存在着不同。
- 查询的程序方法是一种非常类似于编程的方法:你告诉系统需要做些什么以及如何做。例如上一篇文章中的示例,通过执行一个函数然后调用另一个函数来查询数据库,或者使用包含循环、条件和用户定义函数(UDF)的逻辑方式来获得最终查询结果。你会发现通过这种方式,一直在请求一层一层中数据的子集。这种方法也经常被称为逐步或逐行查询。
- 另一种是基于集合的方法,只需指定需要执行的操作。使用这种方法要做的事情就是,指定你想通过查询获得的结果的条件和要求。在检索数据过程中,你不需要关注实现查询的内部机制:数据库引擎会决定最佳的执行查询的算法和逻辑。
由于 SQL 是基于集合的,所以这种方法比起程序方法更加有效,这也解释了为什么在某些情况下,SQL 可以比代码工作地更快。
基于集合的查询方法也是数据挖掘分析行业要求你必须掌握的技能!因为你需要熟练的在这两种方法之间进行切换。如果你发现自己的查询中存在程序查询,则应该考虑是否需要重写这部分。
从查询到执行计划
反向模式不是静止不变的。在你成为 SQL 开发者的过程中,避免查询反向模型和重写查询可能会是一个很艰难的任务。所以时常需要使用工具以一种更加结构化的方法来优化你的查询。
对性能的思考不仅需要更结构化的方法,还需要更深入的方法。
然而,这种结构化和深入的方法主要是基于查询计划的。查询计划首先被解析为“解析树”并且准确定义了每个操作使用什么算法以及如何协调操作过程。
查询优化
在优化查询时,很可能需要手动检查优化器生成的计划。在这种情况下,将需要通过查看查询计划来再次分析你的查询。
要掌握这样的查询计划,你需要使用一些数据库管理系统提供给你的工具。你可以使用以下的一些工具:
- 一些软件包功能工具可以生成查询计划的图形表示。
- 其它工具能够为你提供查询计划的文本描述。
请注意,如果你正在使用 PostgreSQL,则可以区分不同的 EXPLAIN,你只需获取描述,说明 planner 如何在不运行计划的情况下执行查询。同时 EXPLAIN ANALYZE 会执行查询,并返回给你一个评估查询计划与实际查询计划的分析报告。一般来说,实际执行计划会切实的执行这个计划,而评估执行计划可以在不执行查询的情况下,解决这个问题。在逻辑上,实际执行计划更为有用,因为它包含了执行查询时,实际发生的其它细节和统计信息。
接下来你将了解 XPLAIN 和 ANALYZE 的更多信息,以及如何使用这两个命令来进一步了解你的查询计划和查询性能。要做到这一点,你需要开始使用两个表: one_million 和 half_million 来做一些示例。
你可以借助 EXPLAIN 来检索 one_million 表的当前信息:确保已将其放在运行查询的首要位置,在运行完成之后,会返回到查询计划中:
- EXPLAIN
- SELECT *
- FROM one_million;
- QUERY PLAN
- _________________________________________________
- Seq Scan on one_million
- (cost=0.00..18584.82 rows=1025082 width=36)
- (1 row)
在以上示例中,我们看到查询的 Cost 是0.00..18584.82 ,行数是1025082,列宽是36。
同时,也可以借助 ANALYZE 来更新统计信息 。
- ANALYZE one_million;
- EXPLAIN
- SELECT *
- FROM one_million;
- QUERY PLAN
- _________________________________________________
- Seq Scan on one_million
- (cost=0.00..18334.00 rows=1000000 width=37)
- (1 row)
除了 EXPLAIN 和 ANALYZE,你也可以借助 EXPLAIN ANALYZE 来检索实际执行时间:
- EXPLAIN ANALYZE
- SELECT *
- FROM one_million;
- QUERY PLAN
- ___________________________________________________
- Seq Scan on one_million
- (cost=0.00..18334.00 rows=1000000 width=37)
- (actual time=0.015..1207.019 rows=1000000 loops=1)
- Total runtime: 2320.146 ms
- (2 rows)
使用 EXPLAIN ANALYZE 的缺点就是需要实际执行查询,这点值得注意!
到目前为止,我们看到的所有算法是顺序扫描或全表扫描:这是一种在数据库上进行扫描的方法,扫描的表的每一行都是以顺序(串行)的顺序进行读取,每一列都会检查是否符合条件。在性能方面,顺序扫描不是最佳的执行计划,因为需要扫描整个表。但是如果使用慢磁盘,顺序读取也会很快。
还有一些其它算法的示例:
- EXPLAIN ANALYZE
- SELECT *
- FROM one_million JOIN half_million
- ON (one_million.counter=half_million.counter);
- QUERY PLAN
- _____________________________________________________________
- Hash Join (cost=15417.00..68831.00 rows=500000 width=42)
- (actual time=1241.471..5912.553 rows=500000 loops=1)
- Hash Cond: (one_million.counter = half_million.counter)
- -> Seq Scan on one_million
- (cost=0.00..18334.00 rows=1000000 width=37)
- (actual time=0.007..1254.027 rows=1000000 loops=1)
- -> Hash (cost=7213.00..7213.00 rows=500000 width=5)
- (actual time=1241.251..1241.251 rows=500000 loops=1)
- Buckets: 4096 Batches: 16 Memory Usage: 770kB
- -> Seq Scan on half_million
- (cost=0.00..7213.00 rows=500000 width=5)
- (actual time=0.008..601.128 rows=500000 loops=1)
- Total runtime: 6468.337 ms
我们可以看到查询优化器选择了 Hash Join。请记住这个操作,因为我们需要使用这个来评估查询的时间复杂度。我们注意到了上面示例中没有 half_million.counter 索引,我们可以在下面示例中添加索引 :
- CREATE INDEX ON half_million(counter);
- EXPLAIN ANALYZE
- SELECT *
- FROM one_million JOIN half_million
- ON (one_million.counter=half_million.counter);
- QUERY PLAN
- ______________________________________________________________
- Merge Join (cost=4.12..37650.65 rows=500000 width=42)
- (actual time=0.033..3272.940 rows=500000 loops=1)
- Merge Cond: (one_million.counter = half_million.counter)
- -> Index Scan using one_million_counter_idx on one_million
- (cost=0.00..32129.34 rows=1000000 width=37)
- (actual time=0.011..694.466 rows=500001 loops=1)
- -> Index Scan using half_million_counter_idx on half_million
- (cost=0.00..14120.29 rows=500000 width=5)
- (actual time=0.010..683.674 rows=500000 loops=1)
- Total runtime: 3833.310 ms
- (5 rows)
通过创建索引,查询优化器已经决定了索引扫描时,如何查找 Merge join。
请注意,索引扫描和全表扫描(顺序扫描)之间的区别:后者(也称为“表扫描”)是通过扫描所有数据或索引所有页面来查找到适合的结果,而前者只扫描表中的每一行。