巧用函式索引解決資料傾斜列查詢

首先宣告：本方法是受到dbsnake的指導，再次感謝指點。

 

通常來說，索引選取的資料列最好為分散度高、選擇性好。從索引樹結構的角度看，列值都是分佈在葉節點位置。這樣，透過樹結構搜尋得到的葉節點數量效率比較高。

 

實際中，我們常常遇到資料列值傾斜的情況。就是說，整個列資料取值有限。但是大部分資料值都集中在少數一兩個取值裡，其他取值比例極少。比如：一個資料列值有“N”、“B”、“M”、“P”、“Q”幾個取值，其中55%資料行取值為“N”，40%資料行取值為“B”，剩下的取值分佈在5%的資料行中。對於這種結構的資料列加索引，是存在一些問題的。

 

首先，預設資料庫是會為所有的列值（非空）建立索引結構。也就意味著無論是高頻度取值，還是低頻度取值，都會在索引結構的葉節點上出現。當然，這樣的大部分葉節點都是這些重複值。

 

其次，在CBO（基於成本最佳化器）的作用下，對高頻度取值的搜尋一般都不會選擇索引作為搜尋路徑，因為進行全表掃描可能效率更高。我們為資料列建立了索引，但高頻詞的查詢永遠不會走到索引路徑。

 

最後，建立的索引空間和時間消耗比較大。建立的索引涵蓋所有取值，對海量資料表而言，佔有的空間勢必較大。同時，在進行小頻度資料查詢的時候，雖然會去走索引路徑，但是引起的邏輯物理讀也是有一些損耗。

 

 

引入一個解決方法，思路：既然高頻度值在查詢的時候不會走到索引路徑，可以考慮將其剔出構建索引的過程，只為那些低頻度資料值建立索引結構。這樣，建立的索引樹結構相對較小，而且索引查詢的效率也能提升。

 

具體的方法是使用decode函式。decode(a,b,c,d,e…f)含義：如果a=b，則返回c,等於d,返回e,最後沒有匹配的情況下，返回f。針對上面的例子，可以使用decode(列名，‘N’, null, ‘B’, null, 列名)，含義是，如果該列取值為N或者B，直接設定為null，否則才返回列值。並且以此建立函式索引。

 

這樣做藉助了Oracle兩個功能：1、對null值不生成索引；2、函式索引；

 

下面的實驗證明了該方法：

 

1、  構建資料環境

 

//資料準備

SQL> create table t as select * from dba_objects where 1=0;

 

Table created

//構造大資料環境，使用指令碼

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

 

整理後的資料環境如下：

 

//投入實驗的資料狀態

SQL> select secondary, count(*) from t group by secondary;

 

SECONDARY   COUNT(*)

--------- ----------

W                273

Q                  9

D                273

T             421230

J            1866592

E                 99

S            2470733

 

7 rows selected

 

Executed in 18.002 seconds

 

可以看到，近五百萬資料兩種，絕大部分資料集中到了S、T、J上，其他資料取值頻數較小。資料傾斜趨勢明顯。

 

2、  建索引

分別對secondary列建立常規、函式索引。

 

SQL>create index IND_SEC_NORMAL on t(secondary);

Index created

SQL> create index ind_t_fun on t(decode (secondary, 'S', null, 'J', null, 'T', null, secondary ));

Index created

Executed in 28.049 seconds

 

索引ind_t_fun將S、T、J值轉化為null，剔出了建立索引的過程。從索引段資訊看，兩個索引所佔的空間差異比較大，也證明了這點。

 

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：本結果經過額外處理，用於方便顯示；

 

可以看出，同樣是對一個資料列加索引。普通索引型別Ind_sec_normal佔據80個區，9216個資料塊，空間約佔75.5M。而函式索引ind_t_fun的空間只用了初始分配的1個區，8個資料塊，空間約佔65K。由此，空間優勢立現！

 

收集統計資料，由於是實驗性質，而且資料量大，採用高取樣率收集統計資訊。

 

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、  檢索效率分析

 

針對資料量273的W取值進行分析。

直接索引搜尋：

 

SQL> select * from t where secondary='W';

 

已選擇273行。

 

已用時間:  00: 00: 00.37

 

執行計劃

----------------------------------------------------------

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')

 

統計資訊

----------------------------------------------------------

        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

 

發現採用W作為搜尋值時，是進行了索引搜尋。下面是用函式索引搜尋進行對比。

 

SQL> select * from t where decode(secondary,'S',null,'J',null,'T',null,secondary)='W';

 

已選擇273行。

 

已用時間:  00: 00: 00.04

 

執行計劃

----------------------------------------------------------

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')

 

統計資訊

----------------------------------------------------------

         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

 

對比後，我們可以發現，使用函式索引的方法，在執行時間、物理邏輯讀、CPU使用上有一定差異。

 

 

結論：使用函式索引處理偏值方法，在一定長度上最佳化查詢效率和索引結構。上表的資料表明，會使邏輯物理讀的消耗很大程度的減少（索引結構簡化），同時連帶影響執行時間的縮小。因為使用函式要進行計算，CPU使用率相對較高，在可以接受的範圍內。

 

但是，這種方法是存在一些限制的，應用前一定要仔細規劃。

首先，資料表資料要保證較大。因為畢竟函式索引的建立和搜尋較普通索引消耗大，如果資料表小，帶來的最佳化程度不能彌補消耗的成本，結果可能得不償失。筆者進行的一系列實驗中，也發現在資料量中等偏小時，這種效能優勢不能凸顯。

 

其次，列值傾斜趨勢明顯。透過開篇的討論我們不難發現，列值傾斜的程度越高，使用函式索引剔出的資料量也就越大，生成的索引樹結構也就越小越最佳化。這一點是本方法的核心！

 

最後，使用函式索引搜尋時，搜尋的取值頻數越高，最佳化效果越好。在本例中，取值W的列有273行，可以看出明顯的效能最佳化。當我們選擇值有9條資料的Q值時，這種最佳化趨勢可以看到，但是明顯程度降低（實驗結果略）。這裡的原因可能是資料量小時，兩種方法邏輯物理讀的差異度縮小。