ETL工作中SQL优化集合(百万级数据库优化方案)

Posted 2021-05-01 ETL社区

一、为什么要对SQL进行优化

我们作为ETL开发工程师，在平时工作中经常会涉及到sql调优，项目上线初期，由于业务数据量相对较少，一些SQL的执行效率对程序运行效率的影响不太明显，而开发和运维人员也无法判断SQL对程序的运行效率有多大，故很少针对SQL进行专门的优化，而随着时间的积累，业务数据量的增多，SQL的执行效率对程序的运行效率的影响逐渐增大，此时对SQL的优化就很有必要。

二、个人理解：主要是对查询的优化。对于sql的优化主要就是下面几个方面的优化

1.避免全表扫描

2.避免索引失效

3.避免排序，不能避免，尽量选择索引排序

4.避免查询不必要的字段

5.避免临时表的创建，删除

三、以下是从网上总结的一些SQL优化技巧,希望大家从中能有一些收获！

1.对查询优化：

     对查询进行优化，要尽量避免全表扫描，首先应考虑在where及order by涉及的列上建立索引。

2.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 name is null 

注：最好不要给数据库留null,尽可能的使用not null填充数据库。备注/描述/评论之类的可以设置为null,其他的不要使用null.不要以为null不要空间，比如：char(100)，在字段建立时，空间就固定下了，不管是否插入值(null也包括在内)，都是占用100个字符的空间的，如果是varchar 这样的变长字段，null不占用空间。可以在num上设置默认为0，确保表中的null列， 然后这样查询：

select id from t where num =0

3.应尽量避免在where子句使用!=或者<>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，如果一个字段没有索引，将导致引擎放弃使用索引而使用全表扫描，如：

select id from t where num = 10 or name='asmin'

可以这样查询：

select id from t where num =10  union all select id from t where name=‘admin’

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

         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 num exists （select 1 from b where num=a.num）

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，因而无法作为检索选择的输入项进行选择。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 

     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。

    不要在where字句中的“=”左边进行函数，算数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。

    如：

select id from t where num/2 =100

    应改为：

select  id from t where num = 100*2

8.应尽量避免在where字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 where t substring(name，1,3) = ‘abc’ //name以abc开头的idselect id from where datediff(day,createdate,'2015-11-30') = 0 // --'2015-11-10' 生成的id

     应改为

select id from t where name like ‘abc%’select id from t creatredate >='2015-11-10' and createdate <'2015-12-1'

9.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存系统使用该索引，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。

10.不要写一些没有意义的查询，如果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()

11.update 语句，如果只更改1,2个字段，不要update全部字段，否则频繁调用会引起明显的性能消耗，同时带来大量的日志。

12.对于多张大数据量（这里几百条就算大了）的表join，要先分页在join，否则逻辑读会很高，性能很差。

13.select count(*) from table ;//这样不带任何条件的count会引起全表扫描，并没有任何业务意义，是一定要杜绝的。

14.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。视情况而定。一个表的索引数最好不要超过6个，若太多则考虑一些不常使用到的列上建的索引是否有必要。

15.应尽可能避免更新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，一旦该列值改变将引起整个记录的顺序的调整，会耗费相当大的资源。若应用系统需要频繁更新到clustered索引数据列。那么需要考虑是否应将换索引建为clustered索引。

16.尽可能使用数据型字段，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的每一个字符，而对于数字型而言只需要比较一次就够了。

17.尽可能使用表变量来代替使用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。

18.任何地方都不要使用select 8* from t ，要用具体的字段代替列表“*”,不要返回用不到的任何字段。

19.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）。

20.避免频繁创建和删除临时表，以减少系统表资源的消耗。临时表并不是不可使用，适当的使用它们可以使某些列程更有效，例如：当需要重复引用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。

21.在新建表时，如果一次插入数据量很大，那么就可以使用select into 代替create table ,避免造成大量的log，以提高速度，如果数据量不大，为了缓和系统表的资源，应先使用create table ,然后insert。

22.如果使用了临时表的，在存储过程的最后务必将所有的临时表显示删除，先truncate table，然后drop table 。这样可以避免系统表的较长时间锁定。

23.尽量避免使用游标，因为游标的效率太差，如果游标操作的数据超过1万行，那么就应该考虑改写。

24.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，基于集合的方法通常更有效.

25.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合的方法都可以尝试一下，看哪种方法的效果更好。

26.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。

27.尽量避免大事务操作，以提高系统并发能力。

28.尽量避免像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。

案例分析：

        拆分大的DELETE或INSERT语句，批量提交SQL语句。如果你需要在一个在线的网站上去执行一个大的DELETE或INSERT查询，你需要非常小心，要避免你的操作让你的整个网站停止响应。因为这两个操作会锁表。表一锁住了，别的操作就无法进入。apache 会有很多的子进程或线程，所以，其工作起来相当有效率，我们的服务器也不希望有太多的子进程，线程和数据库链接，这是极大的占服务器资源的事情，尤其是内存。如果你把你的表的锁上一段时间，比如三十分钟，那么对于一个有很高访问量的站点来说，这三十秒积累的访问的访问进程/线程，数据库链接，打开的文件数可能不仅尽会让你的web服务器崩溃，还可能让你的整台服务器马上挂了。所以如果你有一个大的处理，你一定把其拆分，使用LIMIT oracle(rownum),sqlserver（top）条件是一个非常好的方法，下面就是一个mysql的示例：

 

while(1){ //每次只做1000条 mysql_query("delete from logs where log_date<='2012-11-01’ limit 1000")； if（mysql_affected_rows() == 0） { //删除完成，退出！ break; } //每次暂停一段时间，释放表让其他进程/线程访问。 usleep（5000）; }

SQL的大千世界各种优化技巧层出不穷，大家一起学习，一起进步，如有阐述不正确的地方欢迎及时纠正