【gp数据库】十条实用数据库SQL优化建议

基于PostgreSQL，总结几条常用的查询操作的优化建议，部分也适用于Oracle等数据库。

推荐工具书《greenplum企业应用实战》国内首本Greenplum方面的著作。

1.选择合适的分布键

分布键选择不当会导致重分布、数据分布不均等，而数据分布不均会使SQL集中在一个segment节点的执行，限制了gp整体的速度。查看某表是否分布不均：

select gp_segment_id,count(*) from table_name group by gp_segment_id ; 

例子如图：

 

 

2.使用分区表 

按照某字段进行分区，不影响数据在数据节点上的分布，但是，仅在单个数据节点上，对数据进行分区存储。可以加快分区字段的查询速度。

 

3.压缩表

对于大AO表和分区表使用压缩，以节省存储空间并提高系统I/O，也可以在字段级别配置压缩。应用场景：

• 不需要对表进行更新和删除操作
• 访问表的时候基本上是全表扫描，不需要建立索引
• 不能经常对表添加字段或者修改字段类型

 

4.分组扩展

Greenplum数据库的GROUP BY扩展可以执行某些常用的计算，且比应用程序或者存储过程效率高。

• ROLLUP 对分组字段（或者表达式）从最详细级别到最顶级别计算聚合计数。ROLLUP的参数是一个有序分组字段列表，它计算从右向左各个级别的聚合。
• CUBE 为分组字段的所有组合计算聚合。
• GROUPING SETS 指定对那些字段计算聚合，它可以比ROLLUP和CUBE更精确地控制分区条件。

例子如下：

 

5.窗口函数

窗口函数可以实现在结果集的分组子集上的聚合或者排名函数，例如 sum(population) over (partition by city)。窗口函数功能强大，性能优异。因为它在数据库内部进行计算，避免了数据传输。

• 窗口函数row_number()计算一行在分组子集中的行号，例如 row_number() over (partition by city order by id)。
• 如果查询计划显示某个表被扫描多次，那么通过窗口函数可能可以降低扫描次数。
• 窗口函数通常可以避免使用自关联。

 

6.列存储和行存储

列存储亦即同一列的数据都连续保存在一个物理文件中，有更高的压缩率，适合在款表中对部分字段进行筛选的场景。 

需要注意的是：若集群中节点较多，而且表的列也较多，每个节点的每一列将会至少产生一个文件，那么总体上将会产生比较多的文件，对表的DDL操作就会比较慢。在和分区表使用时，将会产生更多文件，甚至可能超过Linux的文件句柄限制，要尤其注意。

• 行存储：如果记录需要update/delete，那么只能选择非压缩的行存方式。对于查询，如果选择的列的数量经常超过30个以上的列，那么也应该选择行存方式。
• 列存储：如果选择列的数量非常有限，并且希望通过较高的压缩比换取海量数据查询时的较好的IO性能，那么就应该选择列存模式。其中，列存分区表，每个分区的每个列都会有一个对应的物理文件，所以要注意避免文件过多，导致可能超越linux上允许同时打开文件数量的上限以及DDL命令的效率很差。

 

7.函数和存储过程

虽然支持游标，但是尽量不要使用游标方式处理数据，而是应该把数据作为一个整体进行操作。

 

8.索引使用

• 如果是从超大结果集合中返回非常小的结果集（不超过5%），建议使用BTREE索引（非典型数据仓库操作）
• 表记录的存储顺序最好与索引一致，可以进一步减少IO（好的index cluster索引簇）
• where条件中的列用or的方式进行join，可以考虑使用索引
• 键值大量重复时，比较适合使用bitmap索引

 

9.改写NOT IN

在gp4.3中已经进行了优化，采用hash left anti semi join进行连接。

以下只针对gp4.1及之前

• 有not in的SQL，都会采用笛卡尔积来执行，采用nested join，效率极差
• not in改用left join去重后的表关联来实现

例子如下：

select * from test1 where col1 not in (select col2 from test1)

改为：select * from test1 a left join (select col2 from test1 group bycol2) b on a.col1=b.col2 where b.col2 is null

 

10.其它优化技巧

• 用group by对distinct改写，因为DISTINCT要进行排序操作，Greenplum4.3版本中distinct跟group by都采用HashAggregate这种形式，性能区别不大
• 用UNION ALL加GROUP BY的方式对UNION改写

 

上一篇：【gp数据库】工作中常用DDL和DCL语句干货

下一篇：【gp数据库】后台周期执行函数实例（shell+crontab）