Orace中大数据量的DML操作事务的优化

本篇文章，小编为大家浅谈PL/SQL语句在处理大数据量时，如何进行优化。

前几天，后台跑数据出现了一个令人头疼的事情，一个更新语句在更新数据时，非常的慢。语句写法如下。

	UPDATE TA_HT_A A SET (A.a,A.b,A.c) = 

	(SELECT B.a,B.b,B.c FROM TA_HT_B B 

	WHERE A.UUID = B.UUID AND B.EW = '1');

就这么简单的更新语句，对表加了索引，做了一些简单的优化操作，一次更新完，要花5、6个小时；而且整个跟新语句的耗费有一亿多，这个不夸张，确实有这么大（ps:两个表中的数据量本来就很大，一个是千万级的，一个是百万级的）。后台数据这么下去，一是时间不允许，二是有可能造成整张表被锁死。

小编只好另辟蹊径，对该更新语句的写法，操作方式进行优化。最后总结出了对这种大数据量的DML操作的优化方案。

一、MERGE INTO

语法：

	MERGE INTO [target-table] A USING [source-table sql] B ON([conditional expression] and [...]...)  
	WHEN MATCHED THEN  
    		[UPDATE sql]  
	WHEN NOT MATCHED THEN  
   		 [INSERT sql] 

通过利用merge into对该更新语句进行改写后，代码如下：

	MERGE INTO TA_HT_A A
	USING TA_HT_B
	ON (A.UUID= B.UUID AND B.EW = '1')
	WHEN MATCHED THEN
        	UPDATE
             	SET A.a = B.a,
                    A.b = B.b,
                    A.c = B.c;

用MERGE INTO 改写后的更新语句耗费只有一百多万了，大大减少了更新时的耗费，虽然耗费还是很高，但是没办法，数据量本身就比较大，勉强还能接受。

二、BULK COLLECT与FORALL对大数据量优化操作

如果有大数据量的DML操作事务，在OLAP报表等低并发库里，并且强制归档模式中，采用BULK和FORALL会比较快。

相对使用普通游标循环提取数据出来处理的话会快很多。原因如下：

1、bulk collect into 到数组，可以一次性把数据提取出来，减少了循环当中PL/SQL和SQL引擎的切换时间；

2、forall in ......也是一次性提交数据导某个地方，也同样减少了循环当中PL/SQL和SQL引擎的切换时间；（数据太大，要合理设置limit，否则提取到数组的数据会爆了PGA的会话内存）

3、bulk内部操作对insert delete 做了优化采用批量方法，极大减少了redo和undo使用量；

4、当一个大数据量的insert会超级慢，如果分批，插入的总时间比一次插入省很多时间。

因为后台还在跑数据当中，所以后续的更新语句会加上。