光环大数据分享 如何巧用函数索引解决数据倾斜列查询
光环大数据（大数据培训的专业机构），了解到通常来说，索引选取的数据列最好为分散度高、选择性好。从索引树结构的角度看，列值都是分布在叶节点位置。这样，通过树结构搜索得到的叶节点数量效率比较高。实际中，我们常常遇到数据列值倾斜的情况。就是说，整个 ...
SQL Java Hadoop Oracle 培训 函数
通常来说，索引选取的数据列较好为分散度高、选择性好。从索引树结构的角度看，列值都是分布在叶节点位置。这样，通过树结构搜索得到的叶节点数量效率比较高。 实际中，我们常常遇到数据列值倾斜的情况。就是说，整个列数据取值有限。但是大部分数据值都集中在少数一两个取值里，其他取值比例极少。比如：一个数据列值有 “N”、“B”、“M”、“P”、“Q” 几个取值，其中 55% 数据行取值为 “N”，40% 数据行取值为 “B”，剩下的取值分布在 5% 的数据行中。对于这种结构的数据列加索引，是存在一些问题的。 首先，默认数据库是会为所有的列值（非空）建立索引结构。也就意味着无论是高频度取值，还是低频度取值，都会在索引结构的叶节点上出现。当然，这样的大部分叶节点都是这些重复值。 其次，在 CBO（基于成本优化器）的作用下，对高频度取值的搜索一般都不会选择索引作为搜索路径，因为进行全表扫描可能效率更高。我们为数据列建立了索引，但高频词的查询永远不会走到索引路径。 最后，建立的索引空间和时间消耗比较大。建立的索引涵盖所有取值，对海量数据表而言，占有的空间势必较大。同时，在进行小频度数据查询的时候，虽然会去走索引路径，但是引起的逻辑物理读也是有一些损耗。 引入一个解决方法，思路：既然高频度值在查询的时候不会走到索引路径，可以考虑将其剔出构建索引的过程，只为那些低频度数据值建立索引结构。这样，建立的索引树结构相对较小，而且索引查询的效率也能提升。 具体的方法是使用 decode 函数。decode(a,b,c,d,e…f) 含义：如果 a=b，则返回 c, 等于 d, 返回 e, 最后没有匹配的情况下，返回 f。针对上面的例子，可以使用 decode(列名，‘N’, null, ‘B’, null, 列名)，含义是，如果该列取值为 N 或者 B，直接设置为 null，否则才返回列值。并且以此建立函数索引。 这样做借助了 Oracle 两个功能：1、对 null 值不生成索引；2、函数索引； 下面的实验证明了该方法：
1、 构建数据环境// 数据准备SQL> create table t as select * from dba_objects where 1=0;
Table created// 构造大数据环境，使用脚本declare i number;begin for i in 1..40 loop insert /*+ append */ into t select * from dba_objects; commit; end loop;end;/
SQL> select count(*) from t;
COUNT(*)---------- 4759209
Executed in 15.522 seconds 整理后的数据环境如下：// 投入实验的数据状态SQL> select secondary, count(*) from t group by secondary;
SECONDARY COUNT(*)--------- ----------W 273Q 9D 273T 421230J 1866592E 99S 2470733
7 rows selected
Executed in 18.002 seconds 可以看到，近五百万数据两种，绝大部分数据集中到了 S、T、J 上，其他数据取值频数较小。数据倾斜趋势明显。
2、建索引分别对 secondary 列建立常规、函数索引。
SQL>create index IND_SEC_NORMAL on t(secondary);Index createdSQL> create index ind_t_fun on t(decode (secondary, 'S', null, 'J', null, 'T', null, secondary));Index createdExecuted in 28.049 seconds 索引 ind_t_fun 将 S、T、J 值转化为 null，剔出了建立索引的过程。从索引段信息看，两个索引所占的空间差异比较大，也证明了这点。 SQL> select * from dba_segments where segment_name='IND_SEC_NORMAL';
OWNER SEGMENT_NAME SEGMENT_TYPE BYTES BLOCKS EXTENTS------- ------------- ------------------ ---------- ---------- ----------SYS IND_T_FUN INDEX 75497472 9216 80
Executed in 0.733 seconds
SQL> select * from dba_segments where segment_name=upper('ind_t_fun');
OWNER SEGMENT_NAME SEGMENT_TYPE BYTES BLOCKS EXTENTS------ ------------- -------------- ---------- ---------- ----------SYS IND_T_FUN INDEX 65536 8 1
Executed in 0.156 seconds
注：本结果经过额外处理，用于方便显示； 可以看出，同样是对一个数据列加索引。普通索引类型 Ind_sec_normal 占据 80 个区，9216 个数据块，空间约占 75.5M。而函数索引 ind_t_fun 的空间只用了初始分配的 1 个区，8 个数据块，空间约占 65K。由此，空间优势立现！ 收集统计数据，由于是实验性质，而且数据量大，采用高采样率收集统计信息。SQL> exec dbms_stats.gather_table_stats(user, 'T', cascade => true, estimate_percent => 100,method_opt => 'for all indexed columns');
PL/SQL procedure successfully completed
Executed in 60.403 seconds
3、检索效率分析针对数据量 273 的 W 取值进行分析。直接索引搜索：
SQL> select * from t where secondary='W';
已选择 273 行。
已用时间: 00: 00: 00.37
执行计划----------------------------------------------------------Plan hash value: 1573525374
--------------------------------------------------------------------------------| Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time |---------------------------------------------------------------------------------------| 0 | SELECT STATEMENT | | 273 | 25935 | 11 (0)| 00:00:01 || 1 | TABLE ACCESS BY INDEX ROWID| T | 273 | 25935 | 11 (0)| 00:00:01 ||* 2 | INDEX RANGE SCAN | IND_SEC_NORMAL | 273 | | 3 (0)| 00:00:01 |----------------------------------------------------------------------------------------Predicate Information (identified by operation id):--------------------------------------------------- 2 - access("SECONDARY"='W')
统计信息---------------------------------------------------------- 775 recursive calls 0 db block gets 272 consistent gets 21 physical reads 0 redo size 28339 bytes sent via SQL*Net to client 583 bytes received via SQL*Net from client 20 SQL*Net roundtrips to/from client 16 sorts (memory) 0 sorts (disk) 273 rows processed 发现采用 W 作为搜索值时，是进行了索引搜索。下面是用函数索引搜索进行对比。
SQL> select * from t where decode(secondary,'S',null,'J',null,'T',null,secondary)='W';
已选择 273 行。
已用时间: 00: 00: 00.04
执行计划----------------------------------------------------------Plan hash value: 3192598969-----------------------------------------------------------------------------------------| Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time |-----------------------------------------------------------------------------------------| 0 | SELECT STATEMENT | | 273 | 25935 | 116 (0)| 00:00:02 || 1 | TABLE ACCESS BY INDEX ROWID| T | 273 | 25935 | 116 (0)| 00:00:02 ||* 2 | INDEX RANGE SCAN | IND_T_FUN | 273 | | 1 (0)| 00:00:01 |-----------------------------------------------------------------------------------------Predicate Information (identified by operation id):--------------------------------------------------- 2 - access(DECODE("SECONDARY",'S',NULL,'J',NULL,'T',NULL,"SECONDARY")='W')
统计信息---------------------------------------------------------- 45 recursive calls 0 db block gets 140 consistent gets 0 physical reads 0 redo size 13225 bytes sent via SQL*Net to client 583 bytes received via SQL*Net from client 20 SQL*Net roundtrips to/from client 1 sorts (memory) 0 sorts (disk) 273 rows processed 对比后，我们可以发现，使用函数索引的方法，在执行时间、物理逻辑读、CPU 使用上有一定差异。
结论：使用函数索引处理偏值方法，在一定长度上优化查询效率和索引结构。上表的数据表明，会使逻辑物理读的消耗很大程度的减少（索引结构简化），同时连带影响执行时间的缩小。因为使用函数要进行计算，CPU 使用率相对较高，在可以接受的范围内。 但是，这种方法是存在一些限制的，应用前一定要仔细规划。首先，数据表数据要保证较大。因为毕竟函数索引的建立和搜索较普通索引消耗大，如果数据表小，带来的优化程度不能弥补消耗的成本，结果可能得不偿失。笔者进行的一系列实验中，也发现在数据量中等偏小时，这种性能优势不能凸显。 其次，列值倾斜趋势明显。通过开篇的讨论我们不难发现，列值倾斜的程度越高，使用函数索引剔出的数据量也就越大，生成的索引树结构也就越小越优化。这一点是本方法的核心！ 最后，使用函数索引搜索时，搜索的取值频数越高，优化效果越好。在本例中，取值 W 的列有 273 行，可以看出明显的性能优化。当我们选择值有 9 条数据的 Q 值时，这种优化趋势可以看到，但是明显程度降低（实验结果略）。这里的原因可能是数据量小时，两种方法逻辑物理读的差异度缩小。
大数据+时代，大数据培训机构，就选光环大数据！
原创文章，转载请注明出处：光环大数据官网。
大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请专业的大数据领域知名讲师，确保教学的整体质量与教学水准。讲师团及时掌握时代潮流技术，将前沿技能融入教学中，确保学生所学知识顺应时代所需。通过深入浅出、通俗易懂的教学方式，指导学生更快的掌握技能知识，成就上万个高薪就业学子。 更多问题咨询，欢迎点击------>>>>在线客服！
