GreenPlum的SQL优化方案.docx

GreenPlumn的SQL语句查询优化数据库查询预准备1. VACUUMvacuum只是简单的回收空间且令其可以再次使用，没有请求排它锁，仍旧可以对表读写vacuum full执行更广泛的处理，包括跨块移动行，以便把表压缩至使用最少的磁盘块数目存储。相对vacuum要慢，而且会请求排它锁。定期执行：在日常维护中，需要对数据字典定期执行vacuum，可以每天在数据库空闲的时候进行。然后每隔一段较长时间（两三个月）对系统表执行一次vacuum full，这个操作需要停机，比较耗时，大表可能耗时几个小时。reindex:执行vacuum之后,最好对表上的索引进行重建2. ANALYZE命令：analyze [talbe [(column,..)]]收集表内容的统计信息，以优化执行计划。如创建索引后，执行此命令，对于随即查询将会利用索引。自动统计信息收集在postgresql.conf中有控制自动收集的参数gp_autostats_mode设置，gp_autostats_mode三个值：none、no_change、on_no_stats（默认）?none：禁止收集统计信息on change：当一条DML执行后影响的行数超过gp_autostats_on_change_threshold参数指定的值时，会执行完这条DML后再自动执行一个analyze 的操作来收集表的统计信息。no_no_stats：当使用create talbe as select 、insert 、copy时，如果在目标表中没有收集过统计信息，那么会自动执行analyze 来收集这张表的信息。gp默认使用on_no_stats，对数据库的消耗比较小，但是对于不断变更的表，数据库在第一次收集统计信息之后就不会再收集了。需要人为定时执行analyze.如果有大量的运行时间在1分钟以下的SQL，你会发现大量的时间消耗在收集统计信息上。为了降低这一部分的消耗，可以指定对某些列不收集统计信息，如下所示：1. create table test(id int, name text,note text);上面是已知道表列note不需出现在join列上，也不会出现在where语句的过滤条件下，因为可以把这个列设置为不收集统计信息：1. alter table test alter note SET STATISTICS 0;3. EXPLAIN执行计划显示规划器为所提供的语句生成的执行规划。cost：返回第一行记录前的启动时间，和返回所有记录的总时间（以磁盘页面存取为?单位计量）rows：根据统计信息估计SQL返回结果集的行数width：返回的结果集的每一行的长度，这个长度值是根据pg_statistic表中的统计信息?来计算的。4. 两种聚合方式hashaggregate?根据group by字段后面的值算出hash值，并根据前面使用的聚合函数在内存中维护对应的列表，几个聚合函数就有几个数组。相同数据量的情况下，聚合字段的重复度越小，使用的内存越大。groupaggregate?先将表中的数据按照group by的字段排序，在对排好序的数据进行全扫描，并进行聚合函数计算。消耗内存基本是恒定的。选择?在SQL中有大量的聚合函数，group by的字段重复值比较少的时候，应该用groupaggregate5. 关联分为三类：hash join、nestloop join、merge join，在保证sql执行正确的前提下，规划器优先采用hash join。hash join: 先对其中一张关联的表计算hash值，在内存中用一个散列表保存，然后对另外一张表进行全表扫描，之后将每一行与这个散列表进行关联。nestedloop:关联的两张表中的数据量比较小的表进行广播，如笛卡尔积：select * fromtest1，test2merge join:将两张表按照关联键进行排序，然后按照归并排序的方式将数据进行关联，效率比hash join差。full outer join只能采用merge join来实现。关联的广播与重分布解析P133，一般规划器会自动选择最优执行计划。有时会导致重分布和广播，比较耗时的操作6. 重分布一些sql查询中，需要数据在各节点重新分布，受制于网络传输、磁盘I/O，重分布的速度比较慢。关联键强制类型转换?一般，表按照指定的分布键作hash分部。如果两个表按照id:intege、id:numericr分布，关联时，需要有一个表id作强制类型转化，因为不同类型的hash值不一样，因而导致数据重分布。关联键与分部键不一致group by、开窗函数、grouping sets会引发重分布查询优化通过explain观察执行计划，从而确定如果优化SQL。1. explai