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
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
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 between 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。
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:
select 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 createdate<'2005-12-1'
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 num 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。
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。
相关推荐
本篇将深入探讨如何利用SQL进行大数据查询,以及在大数据环境中如何优化SQL查询性能。 首先,SQL的基本查询语句包括SELECT、FROM、WHERE、GROUP BY、ORDER BY等。在大数据背景下,我们需要对这些基本语句进行扩展和...
《Spark SQL大数据实例开发教程》是一本专注于Spark SQL学习的指南,由王家林和祝茂农等人编著。本书旨在帮助企业级开发人员深入理解和掌握Spark SQL,它在Spark生态系统中扮演着至关重要的角色,是处理大规模数据的...
"尚硅谷大数据技术之企业SQL面试题"可能涵盖了这些方面的问题,包括基础语法、性能优化、窗口函数、子查询、连接操作、数据类型、索引以及SQL在特定大数据平台的应用等。学习者可以通过这份文档来检验自己的SQL水平...
在大数据处理领域,Apache Flink 是一款实时计算框架,它以高效、低延迟的数据流处理而闻名。Flink SQL 是 Flink 提供的一种用于...通过阅读 "Flink SQL大数据课程.txt" 文件,你将深入理解这些概念并能够实践应用。
大数据市场的趋势表明,SQL和分布式数据库市场正在快速发展。基础的商业智能(BI)和交互式查询技术已经相对成熟,用户对实时分析的需求日益增长。因此,数据库内嵌分析成为高级分析(如机器学习)的新方向,使得...
本文将详细介绍如何在拥有大量数据的 MS SQL Server 数据库中进行查询优化,并探讨高效的大数据分页策略。 #### 二、建立适当的索引 建立“适当”的索引是实现查询优化的关键步骤之一。索引是一种数据结构,它能够...
MySQL在处理大数据量时,查询优化至关重要,尤其是对于拥有千万级数据的表。...通过合理规划索引、优化查询语句、控制索引数量以及理解查询优化器的工作原理,可以大大提高大数据环境下的SQL查询效率。
大数据查询与分析技术——SQL on Hadoop.pdf 大数据查询与分析技术是当前热门话题之一,特别是在“互联网+”、“云计算”和“大数据”时代中。为了适应SQL专业分析人员的操作习惯和简化大数据分析方法,SQL on ...
通过SQL Server的动态管理视图(DMVs)和查询性能分析工具,如SQL Server Profiler或Extended Events,可以识别性能瓶颈并优化查询计划。 总之,处理SQL Server中的海量数据查询、分页和排序,需要综合运用各种技术...
《Spark2.3.x SQL大数据项目离线分析》 Spark作为一个强大的大数据处理框架,自2.3.x版本以来,其SQL支持和性能优化有了显著提升,使得它在大数据项目的离线分析领域扮演了重要角色。本项目旨在深入探讨Spark如何在...
例如,Oracle数据库在大数据环境中的角色,可能作为数据仓库提供稳定、高性能的SQL查询,或者与Hadoop集成进行数据整合。 三、数据管理 优化数据管理是大数据优化的重要环节,涉及数据质量、元数据管理、数据治理和...
MySQL千万级大数据SQL查询优化是数据库管理中的关键环节,尤其对于处理海量数据的应用来说,高效的查询性能至关重要。以下是一些核心的优化知识点: 1. **建立索引**:索引可以显著提高查询速度,特别是在`WHERE`和...
用户可以通过图形化界面直接连接到各种数据源,构建交互式仪表板,同时支持自定义SQL查询,对大数据集进行深度探索。这些工具的出现使得业务分析师和决策者能够更快速地洞察数据背后的价值。 另一方面,开源项目如...
SQL(Structured Query Language)是用于管理和处理关系数据库的标准语言,而大数据访问量则意味着我们需要处理的数据规模庞大,查询复杂度高,这使得优化SQL变得至关重要。以下是一些针对SQL优化大数据访问量的主要...
其次,Spark SQL的查询优化是关键,包括代码重构、Join操作优化、数据分区等。例如,通过合理使用`JOIN`类型(如Broadcast JOIN)可以显著减少数据传输,提高查询速度。同时,对数据进行预处理,如创建合适的索引,...
1.2.1.2 数据库优化:针对SQL查询性能、索引结构、数据分区等进行调整,以提高查询效率和响应速度,同时考虑数据库的扩展性和高可用性。 2. 其他功能描述 2.1 其他优化需求 除了平台层面的优化,还需要关注其他...
包含hadoop架构及介绍。大数据性能优化,sql优化,mr调优等。每个优化方法都有实际案例说明,小白也可以看懂的哟!
- **查询优化**:通过SQL查询跟踪找出慢查询,针对特定查询进行优化,如使用批量删除替代单条删除,减少对数据库的影响。 在实施上述策略时,应结合具体业务场景和需求进行设计,选择最适合的解决方案。不断监测和...
大数据实时计算Flink SQL架构介绍 大数据实时计算Flink SQL架构介绍是阿里巴巴Blink团队开发的一款...Flink SQL架构介绍了Flink SQL的基本概念、核心功能和优化技术,展示了Flink SQL在大数据实时计算领域的应用前景。