问题标签 [database-tuning]

在使用分区表 SQL 功能时，我遇到了奇怪的行为。似乎使用while循环将行插入表中比将行插入临时表中，然后立即从临时表插入到原始表中更好。

我将尝试说明情况。

我已经在 CourtID 列上的表 TestTabela 上启用了分区。

我现在尝试在 CourtID 1（第一个分区）中插入 100.000 行，同时在 CourtID 2（第二个分区）中插入单行。

第一种情况的示例：

我会将行插入到临时表中，然后复制到原始表中。

第二种情况的示例：

使用 while 循环将行直接插入表中。

在这两种情况下，我都尝试在单独的窗口中执行以下命令：

在第一次测试中，插入等待提交。在第二种情况下，立即插入第二个分区。

我想找到一种使用第一种情况仅锁定一个分区的方法。可能吗？

顺便说一句，我正在使用 SQLServer 2012R2...

我的简单更新查询执行时间太长。大约有 1000 万条记录——其中我只为 1k 条记录执行。

语句是这样的：

该语句执行大约需要 70 分钟。

我还col7 ||'_'|| col8为此创建了索引。虽然需要这么多时间。

编辑：这里 'VAL_0' 来自其他结果集（数据表）

有什么建议可以让我的查询更快地运行。我尝试在 (col10) 和 ( col7 ||'_'|| col8) 上使用索引，但执行起来需要大量时间。您建议的其他调音技术？

谢谢

我必须根据下表的块计算存储要求：

Bill(billno number(7),billdate date,ccode varchar2(20),amount number(9,2))

表存储属性为：

PCTFREE=20，INITRANS=4，PCTUSED=60，BLOCKSIZE=8K，行数=100000

我在互联网上搜索了很多，参考了很多书，但没有得到任何东西。

被查询的表有数十亿条记录，并且选择查询的 where 子句基于非索引列。因此，普通的选择查询会进行全表扫描，因此需要更多时间。我正在尝试使用并行功能来查看它是否有助于缩短时间。但是想知道，如果并行对使用非索引列上的 where 子句的单个表上的 Select 查询真的有帮助吗？

例子 ：

我在 Amazon RDS 上托管我的两个 MySql 数据库，即 db.m3.medium 和 db.r3.large 具有 5.6.27 innodb 引擎。现在我想知道，这些实例可以处理多少个并发连接？如何加载测试呢？如果 1000 个并发用户访问数据库会有什么影响？

我对“IS NULL” MySQL 检查感到怀疑。我有这两个查询。第一个运行大约 300 秒。第二个跑不到1秒！

慢查询：

快速查询：

所有连接条件都使用外键索引列。表 ips_usuario 有大约 20.000 条记录，而表 ips_fatura 有大约 500.000 条记录。

我们在生产中面临性能问题。mv referh 程序运行时间很长，差不多 13 到 14 个小时。

在 MV 中引用程序试图引用 5 个 MV。其中一个MV正在运行很长时间。

以下是长时间运行的 MV 脚本。

Shipment 表包含数百万条记录，以上查询试图提取几乎 60% 到 70% 的数据。我们怀疑数据负载是原因。我们正在努力提高上述脚本的性能。所以我们添加了日期过滤器来限制数据。

对于 1 年的配置文件，它显示出一些改进，但如果我们给出 2 年的范围，它比以前的查询更差。

任何提高性能的建议。

请帮忙

我想运行 sql profiler 来查看我的数据库 Sql Server 2008 的性能，但我担心在同一台机器上运行 profiler 会影响服务器的性能，我不想减慢服务器的速度.

很久以前，我从一位 DBA 那里听说，他从连接到 sql 服务器的笔记本电脑上运行分析器，以不影响服务器性能的方式。

基本上我的问题是如何从外部计算机运行 Sql profiler 而不会导致 sql server 性能下降？

我们正在分析 Oracle 12c 数据库上的 sql 语句。我们注意到以下语句通过运行几次得到了改善。如何解释它通过第二次和第三次执行而得到改善？

• 第一次运行：24 秒。
• 第二轮：17秒。
• 第三轮：7秒。
• 第四轮：7秒。
• 通过使用结果现金调整：0,003 秒。

晕，首先，我要说谢谢你之前帮我解决了我的问题。我真的是使用 Postgresql 的新手。

现在我有新问题，我选择这样的语句：

当我看到查询时pg_stat_statements，我得到这样的查询： select * from company where id=?;

从结果中缺少 id 的值，我怎样才能在不丢失值的情况下获得完整的查询？

谢谢 ：）