Oracle中利用函式索引處理資料傾斜案例

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（下面的實驗會證明這一點）。

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。

下面引入一個解決方法

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；

下面透過實驗來證明該方法：

1、構建實驗測試環境

--建立測試資料表tb_wjq

SEIANG@seiang11g>create table tb_wjq as select * from dba_objects where owner in ('SEIANG','PUBLIC','HR','SYSMAN','XDB','BI','SYS');

Table created.

--使用指令碼插入大量資料

begin 
for i in 1..8 loop    
insert /*+ append */ into tb_wjq select * from tb_wjq;
commit; 
end loop;
end;
/

 
SEIANG@seiang11g>select count(*) from tb_wjq;

  COUNT(*)
----------
   9804160

Elapsed: 00:00:01.54

--用於實驗的資料量分佈情況

SEIANG@seiang11g>select owner,count(*) from tb_wjq group by owner;

OWNER                            COUNT(*)
------------------------------ ----------
SEIANG                               3072
PUBLIC                            4352256
HR                                   4352
SYSMAN                             454912
XDB                                149760
BI                                   1024
SYS                               4838784

7 rows selected.

Elapsed: 00:00:02.44

可以看到，九萬多條資料，絕大部分資料集中到了PUBLIC、SYSMAN、SYS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owner列建立常規、函式索引。

SEIANG@seiang11g>create index idx_tb_wjq_owner_normal on tb_wjq(owner);

Index created.

Elapsed: 00:00:24.72


SEIANG@seiang11g>create index func_idx_tb_wjq_owner on tb_wjq(decode (owner,'PUBLIC',null,'SYSMAN',null,'SYS',null,owner));

Index created.

Elapsed: 00:00:12.34

索引func_idx_tb_wjq_owner將PUBLIC、SYSMAN、SYS值轉化為null，剔出了建立索引的過程。不僅可以從上面建立索引所用的時間可以看出，而且從下面的索引段資訊看，兩個索引所佔的空間差異比較大，也證明了這點。

SEIANG@seiang11g>select owner,segment_name,segment_type,bytes/1024/1024,blocks,extents from dba_segments where segment_name='IDX_TB_WJQ_OWNER_NORMAL';

OWNER           SEGMENT_NAME                   SEGMENT_TYPE       BYTES/1024/1024     BLOCKS    EXTENTS
--------------- ------------------------------ ------------------ --------------- ---------- ----------
SEIANG          IDX_TB_WJQ_OWNER_NORMAL        INDEX                          184      23552         94

Elapsed: 00:00:00.01

SEIANG@seiang11g>select owner,segment_name,segment_type,bytes/1024/1024,blocks,extents from dba_segments where segment_name='FUNC_IDX_TB_WJQ_OWNER';

OWNER           SEGMENT_NAME                   SEGMENT_TYPE       BYTES/1024/1024     BLOCKS    EXTENTS
--------------- ------------------------------ ------------------ --------------- ---------- ----------
SEIANG          FUNC_IDX_TB_WJQ_OWNER          INDEX                            3        384         18

由上可以看出，同樣是對一個資料列加索引。普通索引型別IDX_TB_WJQ_OWNER_NORMAL佔據94個區，23552個資料塊，空間約佔184M。而函式索引FUNC_IDX_TB_WJQ_OWNER的空間只用了初始分配的18個區，384個資料塊，空間約佔3M。由此，空間優勢直觀體現！

--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。

SEIANG@seiang11g>exec dbms_stats.gather_table_stats('SEIANG', 'TB_WJQ', cascade => true, estimate_percent => 100,method_opt => 'for all indexed columns');

PL/SQL procedure successfully completed.

Elapsed: 00:00:49.67 

3、檢索效率分析

針對owner資料量149760的XDB取值進行分析。

--直接索引搜尋：

SEIANG@seiang11g>select * from tb_wjq where owner='XDB';

149760 rows selected.

Elapsed: 00:00:01.89

Execution Plan
----------------------------------------------------------
Plan hash value: 3735191644

-------------------------------------------------------------------------------------------------------
| Id  | Operation                   | Name                    | Rows  | Bytes | Cost (%CPU)| Time     |
-------------------------------------------------------------------------------------------------------
|   0 | SELECT STATEMENT            |                         |   149K|    13M|  4708   (1)| 00:00:57 |
|   1 |  TABLE ACCESS BY INDEX ROWID| TB_WJQ                  |   149K|    13M|  4708   (1)| 00:00:57 |
|*  2 |   INDEX RANGE SCAN          | IDX_TB_WJQ_OWNER_NORMAL |   149K|       |   348   (1)| 00:00:05 |
-------------------------------------------------------------------------------------------------------

Predicate Information (identified by operation id):
---------------------------------------------------

   2 - access("OWNER"='XDB')


Statistics
----------------------------------------------------------
          8  recursive calls
          0  db block gets
      26000  consistent gets
       6349  physical reads
          0  redo size
   16482673  bytes sent via SQL*Net to client
     110336  bytes received via SQL*Net from client
       9985  SQL*Net roundtrips to/from client
          0  sorts (memory)
          0  sorts (disk)
     149760  rows processed

發現採用BI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。

SEIANG@seiang11g>select * from tb_wjq where decode (owner,'PUBLIC',null,'SYSMAN',null,'SYS',null,owner)='XDB';

149760 rows selected.

Elapsed: 00:00:01.54

Execution Plan
----------------------------------------------------------
Plan hash value: 3652333940

-----------------------------------------------------------------------------------------------------
| Id  | Operation                   | Name                  | Rows  | Bytes | Cost (%CPU)| Time     |
-----------------------------------------------------------------------------------------------------
|   0 | SELECT STATEMENT            |                       |   149K|    13M|  7091   (1)| 00:01:26 |
|   1 |  TABLE ACCESS BY INDEX ROWID| TB_WJQ                |   149K|    13M|  7091   (1)| 00:01:26 |
|*  2 |   INDEX RANGE SCAN          | FUNC_IDX_TB_WJQ_OWNER |   149K|       |   316   (1)| 00:00:04 |
-----------------------------------------------------------------------------------------------------

Predicate Information (identified by operation id):
---------------------------------------------------

   2 - access(DECODE("OWNER",'PUBLIC',NULL,'SYSMAN',NULL,'SYS',NULL,"OWNER")='XDB')


Statistics
----------------------------------------------------------
          0  recursive calls
          0  db block gets
      25998  consistent gets
          0  physical reads
          0  redo size
    9017261  bytes sent via SQL*Net to client
     110336  bytes received via SQL*Net from client
       9985  SQL*Net roundtrips to/from client
          0  sorts (memory)
          0  sorts (disk)
     149760  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XDB的列有149760行，可以看出明顯的效能最佳化。但是當我們選擇值有1024條資料的BI值時，這種最佳化趨勢可以看到，但是明顯程度降低（實驗結果如下所示）。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。

--直接索引

SEIANG@seiang11g>select * from tb_wjq where owner='BI';

1024 rows selected.

Elapsed: 00:00:00.03

Execution Plan
----------------------------------------------------------
Plan hash value: 3735191644

-------------------------------------------------------------------------------------------------------
| Id  | Operation                   | Name                    | Rows  | Bytes | Cost (%CPU)| Time     |
-------------------------------------------------------------------------------------------------------
|   0 | SELECT STATEMENT            |                         |  1024 |    98K|    35   (0)| 00:00:01 |
|   1 |  TABLE ACCESS BY INDEX ROWID| TB_WJQ                  |  1024 |    98K|    35   (0)| 00:00:01 |
|*  2 |   INDEX RANGE SCAN          | IDX_TB_WJQ_OWNER_NORMAL |  1024 |       |     5   (0)| 00:00:01 |
-------------------------------------------------------------------------------------------------------

Predicate Information (identified by operation id):
---------------------------------------------------

   2 - access("OWNER"='BI')


Statistics
----------------------------------------------------------
          0  recursive calls
          0  db block gets
        280  consistent gets
        151  physical reads
          0  redo size
      98579  bytes sent via SQL*Net to client
       1271  bytes received via SQL*Net from client
         70  SQL*Net roundtrips to/from client
          0  sorts (memory)
          0  sorts (disk)
       1024  rows processed 

--函式索引

SEIANG@seiang11g>select * from tb_wjq where decode (owner,'PUBLIC',null,'SYSMAN',null,'SYS',null,owner)='BI';

1024 rows selected.

Elapsed: 00:00:00.01

Execution Plan
----------------------------------------------------------
Plan hash value: 3652333940

-----------------------------------------------------------------------------------------------------
| Id  | Operation                   | Name                  | Rows  | Bytes | Cost (%CPU)| Time     |
-----------------------------------------------------------------------------------------------------
|   0 | SELECT STATEMENT            |                       |  1024 |    98K|    50   (0)| 00:00:01 |
|   1 |  TABLE ACCESS BY INDEX ROWID| TB_WJQ                |  1024 |    98K|    50   (0)| 00:00:01 |
|*  2 |   INDEX RANGE SCAN          | FUNC_IDX_TB_WJQ_OWNER |  1024 |       |     3   (0)| 00:00:01 |
-----------------------------------------------------------------------------------------------------

Predicate Information (identified by operation id):
---------------------------------------------------

   2 - access(DECODE("OWNER",'PUBLIC',NULL,'SYSMAN',NULL,'SYS',NULL,"OWNER")='BI')


Statistics
----------------------------------------------------------
          0  recursive calls
          0  db block gets
        279  consistent gets
          3  physical reads
          0  redo size
      33969  bytes sent via SQL*Net to client
       1271  bytes received via SQL*Net from client
         70  SQL*Net roundtrips to/from client
          0  sorts (memory)
          0  sorts (disk)
       1024  rows processed

但是如果是對SYS、PUBLIC或SYSMAN進行查詢時，將會跳過所有的索引，直徑進行全表掃描。

SEIANG@seiang11g>select * from tb_wjq where owner='SYS';

4838784 rows selected.

Elapsed: 00:00:45.85

Execution Plan
----------------------------------------------------------
Plan hash value: 1501781665

----------------------------------------------------------------------------
| Id  | Operation         | Name   | Rows  | Bytes | Cost (%CPU)| Time     |
----------------------------------------------------------------------------
|   0 | SELECT STATEMENT  |        |  4838K|   452M| 39893   (1)| 00:07:59 |
|*  1 |  TABLE ACCESS FULL| TB_WJQ |  4838K|   452M| 39893   (1)| 00:07:59 |
----------------------------------------------------------------------------

Predicate Information (identified by operation id):
---------------------------------------------------

   1 - filter("OWNER"='SYS')


Statistics
----------------------------------------------------------
          8  recursive calls
          0  db block gets
     457638  consistent gets
     139684  physical reads
          0  redo size
  255169095  bytes sent via SQL*Net to client
    3548958  bytes received via SQL*Net from client
     322587  SQL*Net roundtrips to/from client
          0  sorts (memory)
          0  sorts (disk)
    4838784  rows processed

 
作者：SEian.G（苦練七十二變，笑對八十一難）