SQL Server 性能调优 之执行计划(Execution Plan)调优
SQL Server 存在三种 Join 策略:Hash Join,Merge Join,Nested Loop Join。
Hash Join:用来处理没有排过序/没有索引的数据,它在内存中把 Join 两边数据(的关联key)分别建立一个哈希表。例如有以下的查询语句,关联的两张表没有建立索引,执行计划将显示为Hash Join。
- SELECT
- sh.*
- FROM
- SalesOrdHeaderDemo AS sh
- JOIN
- SalesOrdDetailDemo AS sd
- ON
- sh.SalesOrderID=sd.SalesOrderID
- GO
Merge Join:用来处理有索引的数据,它比Hash Join轻量化。我们为前面两张表的关联列建立索引,然后再次上面的查询,执行计划将变更为Merge Join
- CREATE UNIQUE CLUSTERED INDEX idx_salesorderheaderdemo_SalesOrderID ON SalesOrdHeaderDemo (SalesOrderID)
- GO
- CREATE UNIQUE CLUSTERED INDEX idx_SalesDetail_SalesOrderlID ON SalesOrdDetailDemo (SalesOrderID,SalesOrderDetailID)
- GO
Nested Loop Join:在满足Merge
Join的基础上,如果某一边的数据较少,那么SQL Server
会把数据较少的那个作为外部循环,另一个作为内部循环来完成Join处理。继续前面的例子为查询语句加上WHERE语句来减少 Join
一边的数据量,执行计划显示为Nested Loop Join。
- SELECT
- sh.*
- FROM
- SalesOrdHeaderDemo AS sh
- JOIN
- SalesOrdDetailDemo AS sd
- ON
- sh.SalesOrderID=sd.SalesOrderID
- WHERE
- sh.SalesOrderID=43659
执行计划中的(table/index scan)的改进
在许多场合我们需要在一张包含许多数据的表中提取出一小部分数据,此时应当避免Scan,因为扫描处理会遍历每一行,这是相当耗时耗力的。下面我们来看一个例子:
- SELECT
- sh.SalesOrderID
- FROM
- SalesOrdHeaderDemo AS sh
- JOIN
- SalesOrdDetailDemo AS sd
- ON
- sh.SalesOrderID=sd.SalesOrderID
- WHERE
- sh.OrderDate='2005-07-01 00:00:00.000'
- GO
图中的红圈标出了table scan,并且执行计划也智能得建议建立索引。我们先尝试在SalesOrdHeader 表上建立一个索引:
- CREATE UNIQUE CLUSTERED INDEX idx_salesorderheaderdemo_SalesOrderID ON SalesOrdHeaderDemo (SalesOrderID)
- GO
然后再次执行相同的查询语句,执行计划变成以下的模样:
table scan 变为了 Index Scan,继续给另一张表也加上索引:
- CREATE UNIQUE CLUSTERED INDEX idx_SalesDetail_SalesOrderlID ON SalesOrdDetailDemo (SalesOrderID,SalesOrderDetailID)
- GO
执行计划发生以下的变化:
虽然不能说 Scan 比 Seek 差,但绝大多数的场合(尤其是在许多数据中查找少量数据时)Seek
是更好的选择。举例来说如果你有一个上亿条数据的表,你要取其中的100条,那么你应当保证其采用
Seek,但如果你需要取出其中绝大多数(比如95%)的数据时,Scan 可能更好。(有较权威的文章给出了这个阀值为30%,即取出超过30%数据时
scan 更高效;反之则 Seek 更好)
另外你可能注意到两张表上都建立了索引但一张表在执行计划中表现为 Clustered index
scan,而另一张表现为 Clustered index seek,我们期待的不是两个 Clustered index seek
吗?这是因为前一张表没有断言(predicate),而后一张表通过 ON 关键字对SalesOrderID 进行了断言限制。
执行计划中的 Key Lookup
为了后续的示例,我们先在同一张表上建立两个不同的索引:
- CREATE UNIQUE CLUSTERED INDEX idx_SalesDetail_SalesOrderlID ON SalesOrdDetailDemo (SalesOrderID,SalesOrderDetailID)
- GO
- CREATE NONCLUSTERED INDEX idx_non_clust_SalesOrdDetailDemo_ModifiedDate ON SalesOrdDetailDemo(ModifiedDate)
- GO
执行以下的查询:
- SELECT
- ModifiedDate
- FROM SalesOrdDetailDemo
- WHERE ModifiedDate='2005-07-01 00:00:00.000'
- GO
执行计划如下图,他利用了我们先前建立在 ModifiedDate 字段上的 Non-Clustered Index,生成为一个Index Seek 处理。
我们改造一下查询语句,SELECT 中多加两个字段:
- SELECT
- ModifiedDate,
- SalesOrderID,
- SalesOrderDetailID
- FROM SalesOrdDetailDemo
- WHERE ModifiedDate='2005-07-01 00:00:00.000'
- GO
执行计划如下图,基本没变:
上面选出的字段不是属于 Non-Clustered Index 就是属于 Clustered Index,如果再增加几个其他的字段呢?
- SELECT
- ModifiedDate,
- SalesOrderID,
- SalesOrderDetailID,
- ProductID,
- UnitPrice
- FROM SalesOrdDetailDemo
- WHERE ModifiedDate='2005-07-01 00:00:00.000'
- GO
乖乖,执行计划一下多了两个处理(Key Lookup, Nested Loop):
Key Lookup 是一个繁重的处理,我们可以使用关键字 WITH 来指定使用 Clustered Index,以此回避Key Lookup。
- SELECT
- ModifiedDate,
- SalesOrderID,
- SalesOrderDetailID,
- ProductID,
- UnitPrice
- FROM SalesOrdDetailDemo WITH(INDEX=idx_SalesDetail_SalesOrderlID)
- WHERE ModifiedDate='2005-07-01 00:00:00.000'
- GO
执行计划应声而变成为一个 Clustered Index Scan:
前文提过 Scan 似乎也不是一个很好的处理,那么矮子里拔高个,使用 SET STATISTICS IO ON 来比较一下:
- SET STATISTICS IO ON
- GO
- SELECT
- ModifiedDate,
- SalesOrderID,
- SalesOrderDetailID,
- ProductID,
- UnitPrice
- FROM SalesOrdDetailDemo
- WHERE ModifiedDate='2005-07-01 00:00:00.000'
- GO
- SELECT
- ModifiedDate,
- SalesOrderID,
- SalesOrderDetailID,
- ProductID,
- UnitPrice
- FROM SalesOrdDetailDemo WITH(INDEX=idx_SalesDetail_SalesOrderlID)
- WHERE ModifiedDate='2005-07-01 00:00:00.000'
- GO
- SELECT
- ModifiedDate,
- SalesOrderID,
- SalesOrderDetailID,
- ProductID,
- UnitPrice
- FROM SalesOrdDetailDemo WITH(INDEX=idx_non_clust_SalesOrdDetailDemo_ModifiedDate)
- WHERE ModifiedDate='2005-07-01 00:00:00.000'
- GO
比较下来,采用了 clustered index 的查询表现最差,另外 SET STATISTICS IO 输出的数据中clustered index 的查询在 logical reads 上花费了更多的时间。
看起来采用 non-clustered index + Key Lookup 执行计划表现还不错,但如果能回避 Key Lookup 就完美了,我们来把 non-clustered index 修改一下,用 INCLUDE 关键字在索引中包含其他的字段:
- DROP INDEX idx_non_clust_SalesOrdDetailDemo_ModifiedDate ON SalesOrdDetailDemo
- GO
- CREATE NONCLUSTERED INDEX idx_non_clust_SalesOrdDetailDemo_ModifiedDate ON SalesOrdDetailDemo(ModifiedDate)
- INCLUDE
- (
- ProductID,
- UnitPrice
- )
- GO
- -- 清下缓存,仅用于开发环境!
- DBCC FREEPROCCACHE
- DBCC DROPCLEANBUFFERS
- GO
再次执行之前的查询:
- SELECT
- ModifiedDate,
- SalesOrderID,
- SalesOrderDetailID,
- ProductID,
- UnitPrice
- FROM SalesOrdDetailDemo
- WHERE ModifiedDate='2005-07-01 00:00:00.000'
- GO
这下完美了,因为我们的查询字段都包含在索引中,所以执行计划最终被优化为 Index Seek。
SQL Server 性能调优 之执行计划(Execution Plan)调优的更多相关文章
- SQL Server INSET/UPDATE/DELETE的执行计划
DML操作符包括增删改查等操作方式. insert into Person.Address (AddressLine1, AddressLine2, City, StateProvinceID, Po ...
- sql server 执行计划(execution plan)介绍
大纲:目的介绍sql server 中执行计划的大致使用,当遇到查询性能瓶颈时,可以发挥用处,而且带有比较详细的学习文档和计划,阅读者可以按照我计划进行,从而达到对执行计划一个比较系统的学习. 什么是 ...
- SQL Server如何查看存储过程的执行计划
有时候,我们需要查看存储过程的执行计划,那么我们有什么方式获取存储过程的历史执行计划或当前的执行计划呢? 下面总结一下获取存储过程的执行计划的方法. 1:我们可以通过下面脚本查看存储过程的执行计划,但 ...
- SQL Server 性能优化详解
故事开篇:你和你的团队经过不懈努力,终于使网站成功上线,刚开始时,注册用户较少,网站性能表现不错,但随着注册用户的增多,访问速度开始变慢,一些用户开始发来邮件表示抗议,事情变得越来越糟,为了留住用户, ...
- (转)SQL Server 性能调优(cpu)
摘自:http://www.cnblogs.com/Amaranthus/archive/2012/03/07/2383551.html 研究cpu压力工具 perfom SQL跟踪 性能视图 cpu ...
- SQL Server 性能调优培训引言
原文:SQL Server 性能调优培训引言 大家好,这是我在博客园写的第一篇博文,之所以要开这个博客,是我对MS SQL技术学习的一个兴趣记录. 作为计算机专业毕业的人,自己对技术的掌握总是觉得很肤 ...
- sql server性能调优
转自:https://www.cnblogs.com/woodytu/tag/%E6%80%A7%E8%83%BD%E8%B0%83%E4%BC%98%E5%9F%B9%E8%AE%AD/defaul ...
- [转]SQL Server 性能调优(cpu)
研究cpu压力工具 perfom SQL跟踪 性能视图 cpu相关的wait event Signal wait time SOS_SCHEDULER_YIELD等待 CXPACKET等待 CME ...
- sql server 性能调优 资源等待之内存瓶颈的三种等待类型
原文:sql server 性能调优 资源等待之内存瓶颈的三种等待类型 一.概述 这篇介绍Stolen内存相关的主要三种等待类型以及对应的waittype编号,CMEMTHREAD(0x00B9),S ...
- sql server 性能调优之 资源等待 LCk
一. 概述 这次介绍实例级别资源等待LCK类型锁的等待时间,关于LCK锁的介绍可参考 “sql server 锁与事务拨云见日”.下面还是使用sys.dm_os_wait_stats 来查看,并找出 ...
随机推荐
- 【模板】string中substr函数的运用
substr有两种用法: 假设:string s = "0123456789" ; //下标从0开始 ① string a = s.substr(5) ...
- motto - MySQL - 常用命令
本文搜索关键字:motto mysql 登录数据库 mysql -uroot -proot -P3306 -h127.0.0.1 --prompt "\u@\h \d>" - ...
- DevOps - 版本控制 - GitHub
README Badges 徽章 Shields.io: Quality metadata badges for open source projects 徽章 官网:https://shields ...
- 【vlan-给予mac地址认证】
根据项目需求搭建好如下的路由和交换拓扑图: 1:用pc1 ping pc2 使交换机捕捉到4台pc及的 mac地址 查看交换机学习到的mac地址情况 2:配置交换机和pc机之间的接口,根pc机的ma ...
- hive 学习系列二(数据库的创建删除修改) 拿走,不谢。
database 相当于一个目录或者命名空间,用来更好地进行表的管理 在hdfs 的目录位置大致如下: [root@iZbp12vtv76y9q3d633bh6Z /]# hadoop fs -ls ...
- java应用:csv文件的读写
csv数据特点: csv是文本格式,一行数据是一条记录,每个单元之间用“,”隔开.csv数据可以用Excel打开. 读写csv文件的主要程序如下所示: import java.io.BufferedR ...
- flask迁移
from flask_script import Managerfrom flask_migrate import Migrate, MigrateCommandfrom info import cr ...
- ctf题目writeup(1)
2019/1/28 题目来源:爱春秋 https://www.ichunqiu.com/battalion?t=1 1. 该文件是一个音频文件: 首先打开听了一下,有短促的长的....刚开始以为是摩斯 ...
- 【JDBC】一、JDBC连接数据库
package com.jdbc; import java.sql.Connection; import java.sql.DriverManager; import java.sql.SQLExce ...
- java图片识别 [Tesseract-OCR]
以下链接包含,安装包及程序运行需要的jar 包,中文资源包. 中文包使用方式:找到tessdata安装目录(我本地:C:\Program Files (x86)\Tesseract-OCR\tessd ...