SQL 大数据量的优化例子讨论

今天在itput上看了一篇文章，是讨论一个语句的优化：

     原贴地址： http://www.itpub.net/viewthread.php?tid=1015964&extra=&page=1

  一，发现问题

   优化的语句：     

请问以下语句如何优化:
CREATE TABLE aa_001
   (    ip VARCHAR2(28), 
        name VARCHAR2(10), 
        password VARCHAR2(30)           )

select * from aa_001 where ip in (1,2,3) order by name desc;
--目前表中记录有一千多万条左右，而且in中的值个数是不确定的。

  以上就是优化的需要优化的语句和情况。

 

   不少人在后面跟帖：有的说没办法优化，有的说将ＩＮ该为ＥＸＩＳＴＳ，有的说在ip上建立索引复合索引（ip，name)等等。

  二，提出问题

     那这样的情况，能优化吗，如何优化？今天就来讨论这个问题。

  三，分析问题

        1，数据量1千万多条。

        2，in中的值个数是不确定

     3.1 分析数据分布

      这里作者没有提到ip列的数据的分布情况，目前ip列的数据分布可能有以下几种：

         1，ip列（数据唯一，或者数据重复的概率很小）

         2，ip列 (数据不均匀，可能有些数据重复多，有些重复少）

         3，ip列 （数据分布比较均匀，数据大量重复，主要就是一些同样的数据（可能只有上万级别不同的ip数据等)

 

     解决问题：

         1，对于第一种数据分布情况，只要在ip列建立一个索引即可。这时不管表有多少行， in个数是不确定的情况下，都很快。

         2，对应第二中数据分布情况，在ip列建立索引，效果不好。因为数据分布不均匀，可能有些快，有些慢

         3，对应第三种数据分布情况，在ip列建立索引，速度肯定慢。

        注意：这里的 order by name desc 是在取出数据后再排序的。而不是取数据前排序 

 

     对于2，3两个情况，因为都是可能需要取出大量的数据，优化器就采用表扫描(table scan)，而不是索引查找(index seek) ,速度很慢，因为这时表扫描效率要优于索引查找，特别是高并发情况下，效率很低。

 

    那对应2，3中情况，如何处理。是将in改成exists。其实在sql server 2005和oracle里的优化器在in后面数据少时，效率是一样的。这时采用一般的索引效率很低。这时如果在ip列上建立聚集索引，效率会比较高。我们在SQL server 2005中做个测试。

 

   表：[dbo].[[zping.com]]]中有约200万条数据。包含列Userid, id, Ruleid等列。按照上面的情况查询一下类似语句： 

select  * from [dbo].[[zping.com]]] where 
userid in ('402881410ca47925010cb329c7670ffb','402881ba0d5dc94e010d5dced05a0008'
,'4028814111a735e90111a77fa8e30384') order by Ruleid desc

   我们先看userid的数据分布情况，执行下面语句：

select userid,count(*) from [dbo].[[zping.com]]] group by userid order by 2

   这时我们看看数据分布：总共有379条数据，数据两从1到15万都有，数据分布倾斜严重。下图是其中一部分。

 

 

   这时如果在ip上建立非聚集索引，效率很低，而且就是强行索引扫描，效率也很低，会发现IO次数比表扫描还高。这时只能在ip上建立聚集索引。这时看看结果。

  这时发现，搜索采用了（clustered index seek）聚集搜索扫描。

  在看看查询返回的结果： 

(156603 行受影响)
表 '[zping.com]'。扫描计数 8，逻辑读取 5877 次，物理读取 0 次，预读 0 次，lob 逻辑读取 0 次，lob 物理读取 0 次，lob 预读 0 次。
表 'Worktable'。扫描计数 0，逻辑读取 0 次，物理读取 0 次，预读 0 次，lob 逻辑读取 0 次，lob 物理读取 0 次，lob 预读 0 次。

    返回15万行，才不到6千次IO。效率较高，因为这15万行要排序，查询成本里排序占了51%。当然可以建立（userid，Ruleid）复合聚集索引，提高性能，但这样做DML维护成本较高。建议不采用。

 

   从上面的测试例子可以看出， 优化的解决办法：

     数据分布为1：建立ip索引即可

     数据分布为2，3：在ip列建立聚集索引。