【原创】一个亿级数据库优化过程_MySQL

bitsCN.com

第一部分 棉花数据库问题和分析

1.问题sql

数据库的版本是9i,问题sql有两个：

Sql1：

SELECT

c_lotno

FROM b_ctn_normal

WHERE d_prodatetime BETWEEN to_date('2011-07-01', 'yyyy-mm-dd HH24:MI:SS') AND

to_date('2012-07-03', 'yyyy-mm-dd HH24:MI:SS')

AND n_madein = 65

AND rownum

Sql2:

SELECT count(c_bale)

FROM b_ctn_normal

WHERE d_prodatetime BETWEEN to_date('2011-07-01', 'yyyy-mm-dd HH24:MI:SS') AND

to_date('2012-07-03', 'yyyy-mm-dd HH24:MI:SS')

这俩sql其实非常简单，就是一个按照时间的分页查询，一个查询时间范围内的总数据量。

但是这个表的数据量很大，41803656条数据，单表容量超过21G。因此查询非常慢，仅仅查询30条数据就需要耗费十几分钟。甚至查不出结果。

2 表概况

表b_ctn_normal是一个分区表,按照D_VERIFYDATETIME进行了range分区，分区的策略为2010年前每年一个分区,2010年后每月一个分区.该表的数据量为41803656条。

partition by range (D_VERIFYDATETIME)

partition PART_20080101 values less than (TO_DATE(' 2008-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS', 'NLS_CALENDAR=GREGORIAN'))

partition PART_20090101 values less than (TO_DATE(' 2009-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS', 'NLS_CALENDAR=GREGORIAN'))—后续的省略

另外该表上建了大量的索引，见表1：

3.表存在的问题

以下是索引的概况统计信息。

NDEX_NAME	DISTINCT_KEYS	NUM_ROWS	SAMPLE_SIZE
I_CTN_NORMAL_99	4	41805079.0630631	8459008
I_NORMAL_MADEIN1	17	41804897.3546108	9544621
I_CTN_NORMAL_66	80	41767143.7096454	9580744
I_CTN_NORMAL_77	86	41473125.0963043	9479665
I_CTN_NORMAL_22	366	41875654.4438373	9937607
I_CTN_NORMAL_11	889	41867424.9314059	11007070
I_CTN_NORMAL_55	1957	40169648.695544	9058949
I_NORMAL_UPLOADTIME1	17253	41866396.7193889	10087608
I_CTN_NORMAL_33	384472	41842227.8696896	10621842
I_NORMAL_D_COLORGRADETIME	1485863	41727490.2734861	9119757
GLOBAL_INDEX_D_VERIFYDATETIME	21162573	41804256	9592128
PRIMARY1_ID	41804473	41804473	9540784
UNI_NORMAL_C_BALE1	41841809	41841809.1781587	7023237

【表1】索引概况

l 表不是很宽，但是竟然建了13个索引，而且8个索引可选性很差，每个索引都占据不少段空间，极大的浪费了存储空间。

l 索引没有分区，千万级别的数据量，本身查找索引就很耗时，因此应当对索引分区其高索引检索性能。

l 表的索引和表应该建立在不同的表空间分开存放,同时表的分区在不同的表空间存放。

l 分区的记录不均匀，分区不合理

分区的统计信息显示，大量的数据集中在了PART_20100101和PART_20090101分区，分区很不合理，大大削弱了分区表的作用。应该对分区进行细粒度的划分，均匀分布数据。

TABLE_NAME	PARTITION_NAME	NUM_ROWS	SAMPLE_SIZE
B_CTN_NORMAL	PART_20100101	15580400	2883811
B_CTN_NORMAL	PART_20090101	13007483	2420607
B_CTN_NORMAL	PART_20101201	3809673	709735
B_CTN_NORMAL	PART_20110101	2656138	494675
B_CTN_NORMAL	PART_20101101	2641196	492471
B_CTN_NORMAL	PART_20110201	1169697	217919
B_CTN_NORMAL	PART_20100201	1106187	205854
B_CTN_NORMAL	PART_20110401	662618	123426
B_CTN_NORMAL	PART_20110301	271190	50600
B_CTN_NORMAL	PART_20100501	205173	37933
B_CTN_NORMAL	PART_20100401	194223	35804
B_CTN_NORMAL	PART_20100601	154195	28641
B_CTN_NORMAL	PART_20110501	137085	25587
B_CTN_NORMAL	PART_20100301	105747	19575
B_CTN_NORMAL	PART_20101001	64424	11960
B_CTN_NORMAL	PART_20100701	33743	6206
B_CTN_NORMAL	PART_20100801	4044	725
B_CTN_NORMAL	PART_20100901	283	283
B_CTN_NORMAL	PART_20111001	80	80
B_CTN_NORMAL	PART_20080101	53	53
B_CTN_NORMAL	PART_20111201	21	21
B_CTN_NORMAL	PART_20120601	2	2
B_CTN_NORMAL	PART_20120301	1	1
B_CTN_NORMAL	PART_20110601	0
B_CTN_NORMAL	PART_20110701	0
B_CTN_NORMAL	PART_20120401	0
B_CTN_NORMAL	PART_20120801	0
B_CTN_NORMAL	PART_20120701	0
B_CTN_NORMAL	PART_20120501	0
B_CTN_NORMAL	PART_20120201	0
B_CTN_NORMAL	PART_20120101	0
B_CTN_NORMAL	PART_20111101	0
B_CTN_NORMAL	PART_20110801	0
B_CTN_NORMAL	PART_20110901	0

注:以上的统计信息都是最新收集的.

4.分析制定策略

结合问题sql发现, 两个查询共同依赖于d_prodatetime字段的过滤，但是该字段重复值很多，根据统计信息，该列的NUM_DISTINCT为456，因此只依靠索引没有意义，CBO不会选择索引而是全表扫描。执行这两个查询的时候对数据没有区分度，选择了4K万数据进行全表扫描，效率可写而至。

而该查询较为简单，经过仔细的分析并研究目前的分区策略，我认为最佳的策略是增加范围分区字段，将表重新分区，分区条件纳入d_prodatetime字段。这样查询时可以以d_prodatetime进行分区裁减从而减少扫描的数据量。需要分析字段的值的分布区间，平均分配到各分区。经过分析表的数据分布，从节省时间上考虑，就以每两个月为一个范围进行分区。

partition by range (D_VERIFYDATETIME, d_prodatetime)

partition PART_20080101 values less than (TO_DATE(' 2008-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS', 'NLS_CALENDAR=GREGORIAN'), TO_DATE(' 2008-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS', 'NLS_CALENDAR=GREGORIAN'))

partition PART_20090101 values less than (TO_DATE(' 2009-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS', 'NLS_CALENDAR=GREGORIAN'), TO_DATE(' 2009-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS', 'NLS_CALENDAR=GREGORIAN'))

考虑到sql1中有对n_madein的过滤，分析该字段，字段值总共为17种，为number类型，而且该字段值在字段D_VERIFYDATETIME, d_prodatetime表示的区间中分布很均匀，因此，在上述分区基础上增加list分区，使分区策略变为Rang-list复合分区：

partition by range (D_VERIFYDATETIME, d_prodatetime)

subpartition by list(N_MADEIN)

partition PART_20080101 values less than (range1,range2)

(

subpartition p31 values(64),

subpartition p32 values(37),

subpartition p33 values(48),

subpartition p34 values(55),

……………

),

partition PART_20090101 values less than (range3,range4)

(

subpartition p31 values(64),

subpartition p32 values(37),

subpartition p33 values(48),

subpartition p34 values(55),

…………..

),

)

这样，sql1在执行时，会首先根据d_prodatetime裁减掉部分数据，然后再根据N_MADEIN再次裁减掉一部分，这样sql1的性能应该会得到很大提升。而对于仅仅含有N_MAADIN的过滤条件的查询，都会进行分区裁减，减少数据量。具体性能提高多少，需要测试。

同时，之前的分区字段D_VERIFYDATETIME的粒度应该适当的减小。因为d_prodatetime的重复值较多，以之前的分区粒度，2010年前的是每年一个分区，这样会导致d_prodatetime分区后数据会很不均匀，若查询2010年之前的数据，则d_prodatetime裁减的效果会不好，因此需要考虑d_prodatetime的字段值，重新规划分区粒度。分区粒度的大小需要考虑到d_prodatetime的范围分布情况。通过分析决定和d_prodatetime字段使用同样的分区范围。

由于需要对表重新分区，因此需要重建表。如果在已有的分区策略下增加分区，则直接alter表即可，oracle提供了丰富的方法为不同的分区增加新的分区；但是修改分区策略，必须重建表。而表数据量巨大，单表超过20G，因此数据的加载成为头疼的问题，如果在生产环境，产生的日志也很巨大。

第二部分 试验过程结果及分析

为了能试验本文预测的效果,于是我在我本机腾出了30G的空间,将库置于非归档模式，然后用database link以insert append的方式直接加载数据。通过仔细的权衡，我创建的分区表如下（限于时间关系，将所有表分区和索引分区建在一个表空间内）：

--ddl过长，省略(见附件)

（注：复合分区可以为二级分区创建一个template，从而减少建表DDL的篇幅）

考虑只有本文开头的两个查询问题突出，因此我只建立了俩索引，选择了全局范围分区索引。

--创建分区索引GLOBAL_INDEX_D_VERIFYDATETIME

CREATE INDEX GLOBAL_INDEX_D_VERIFYDATETIME ON b_ctn_normal(D_VERIFYDATETIME)

GLOBAL PARTITION BY RANGE(D_VERIFYDATETIME)(

partition part_index_0 values less than(to_date('2008-03-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_1 values less than(to_date('2008-05-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_2 values less than(to_date('2008-07-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_3 values less than(to_date('2008-09-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_4 values less than(to_date('2008-11-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_5 values less than(to_date('2009-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_6 values less than(to_date('2009-03-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_7 values less than(to_date('2009-05-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_8 values less than(to_date('2009-07-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_9 values less than(to_date('2009-09-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_10 values less than(to_date('2009-11-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_11 values less than(to_date('2010-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_12 values less than(to_date('2010-03-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_13 values less than(to_date('2010-05-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_14 values less than(to_date('2010-07-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_15 values less than(to_date('2010-09-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_16 values less than(to_date('2010-11-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_17 values less than(to_date('2011-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_18 values less than(to_date('2011-03-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_19 values less than(to_date('2011-05-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_20 values less than(to_date('2011-07-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_21 values less than(to_date('2011-09-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_22 values less than(to_date('2011-11-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_23 values less than(to_date('2012-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_24 values less than(to_date('2012-03-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_25 values less than(to_date('2012-05-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_26 values less than(to_date('2012-07-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_27 values less than(to_date('2012-09-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_28 values less than(to_date('2012-11-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index_29 values less than(maxvalue)

)

注：分区索引也可以使用本地前缀索引，可以减少DDL篇幅

考虑到D_PRODATETIME的值较多，当查询来临时，oracle首先以查询where条件中的D_PRODATETIME进行裁减，到目标分区之后，如果有索引的话，应该可以进行INDEX RANGE SCAN进行扫描，因此先建立分区索引试试。同样选择了全局范围分区索引。

--创建分区索引GLOBAL_INDEX_D_PRODATETIME

CREATE INDEX GLOBAL_INDEX_D_PRODATETIME ON b_ctn_normal(D_PRODATETIME)

GLOBAL PARTITION BY RANGE(D_PRODATETIME)(

partition part_index1_0 values less than(to_date('2008-03-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_1 values less than(to_date('2008-05-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_2 values less than(to_date('2008-07-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_3 values less than(to_date('2008-09-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_4 values less than(to_date('2008-11-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_5 values less than(to_date('2009-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_6 values less than(to_date('2009-03-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_7 values less than(to_date('2009-05-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_8 values less than(to_date('2009-07-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_9 values less than(to_date('2009-09-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_10 values less than(to_date('2009-11-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_11 values less than(to_date('2010-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_12 values less than(to_date('2010-03-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_13 values less than(to_date('2010-05-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_14 values less than(to_date('2010-07-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_15 values less than(to_date('2010-09-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_16 values less than(to_date('2010-11-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_17 values less than(to_date('2011-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_18 values less than(to_date('2011-03-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_19 values less than(to_date('2011-05-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_20 values less than(to_date('2011-07-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_21 values less than(to_date('2011-09-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_22 values less than(to_date('2011-11-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_23 values less than(to_date('2012-01-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_24 values less than(to_date('2012-03-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_25 values less than(to_date('2012-05-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_26 values less than(to_date('2012-07-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_27 values less than(to_date('2012-09-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_28 values less than(to_date('2012-11-01 00:00:00', 'SYYYY-MM-DD HH24:MI:SS')),

partition part_index1_29 values less than(maxvalue)

))

下面是加载数据以及实施步骤：

l 表数据加载

创建db link “ctn”.

Insert /*+append*/ into b_ctn_normal select * from b_ctn_normal@ctn;

加载速度还可以，大概30分钟加载完,加载数据量4400W。

l 分别按照上述的策略创建分区索引

GLOBAL_INDEX_D_VERIFYDATETIME和GLOBAL_INDEX_D_PRODATETIME

索引创建约为30分钟

l 执行sql1和sql2和原始库进行对比

Sql1的测试结果对比：

	返回行数	Pl/sql查询	Sqlplus跟踪
优化前	30	>15分钟	00: 04: 31.62
优化后	30		00: 00: 00.03

Sql2的测试结果对比：

	返回行数	Pl/sql查询	Sqlplus跟踪
优化前	5529	？	00: 05: 42.67
优化后	5529		00: 00: 00.01

通过以上对比结果，显示新的分区策略带来了巨大的性能提升，显示了oracle分区技术的强大威力。原来十几分钟甚至返回不了结果的查询现在毫秒就返回数据。

下面分析优化后的执行计划：

Sql1执行计划:

通过执行计划可以看出，查询正确的使用了d_prodatetime字段进行了分区裁减，然后使用到了该列的分区索引，但是并没有使用n_madein进行裁减。于是改变了下查询条件，将查询的数据量增大：

SELECT

c_lotno

FROM b_ctn_normal

WHERE d_prodatetime BETWEEN to_date('2011-07-01', 'yyyy-mm-dd HH24:MI:SS') AND

to_date('2012-07-03', 'yyyy-mm-dd HH24:MI:SS')

AND n_madein = 65

AND rownum

这次，查询使用了二级分区裁减。先是对一级分区进行裁减，然后又对二级分区进行裁减，最后对二级分区使用N_MADEIN进行全表扫描。执行计划显示，查询5000条数据时耗时增加了很多，因为扫描的数据量实在太大了，查询需要扫描很多分区。这样只能通过减少一次查询的数据量来保证性能。通过和开发人员确认，一次查询一般不用返回这么多数据。

Sql2执行计划:

执行计划已经显示的很明确，一级分区按照新分区的字段进行裁减，然后使用建立的分区索引，性能很高。

虽然新的分区策略显示了巨大的性能提升，有效的解决了性能问题，但是仔细分析一下，仍然存在一些问题：

u 分区较多，在4K万级别的表上，分区多达493个，这有些过分了。需要减少分区数量。目前的分区是每俩月一个分区，目前的数据分布比重新分区前均匀了很多，但是仍然存在不均匀现象，而且每俩月一个分区仍然较多。因此需要维持现在的范围分区字段不变，将现在的俩月一个分区的条件变化一下，分析数据的分布区间，制定一个不均匀的分区条件。如2010年8月的数据很多，那可以分别以2010-08-01~2010-08-15~2010-08-30为区间划分。如果2010年9-12月数据很少，那么可以将9-12月合并为一个分区。尽可能的均匀划分分区记录数，也减少分区数量。

u 评估二级分区的必要性。总的分区数是1级分区和二级分区的乘积，为M*N的关系。二级分区的增加，大大增加了分区数。分析发现，有接近一半的二级分区是空闲的，并没有记录装入，浪费了大量的空间。而且目前的sql并没有使用到二级分区裁减，因此需要评估二级分区带来的性能提高。然后考虑是否将二级分区去掉只采用范围分区。去掉二级分区，目前对性能是没有坏处的，而且未来如果用到对N_MADEIN字段的裁剪，直接alter表即可增加二级分区，不用重建。因此建议去掉。

l 总结

分区是处理大表的首要应对策略，但是分区字段的选取和分区的方法需要仔细权衡，一般第一想到的分区字段都是合理的，但是一些隐含的字段没有考虑到，未来数据量上去了，这些隐含的条件造成的性能问题就暴露出来了，因此还是需要全面的分析。

对表进行了分区，相应的也要对索引进行分区，这样可以裁减掉部分索引,然后裁减掉记录,虽然是海量数据,但是却拥有极高的查询速度。记得在一本书上看过，作者说，正是因为有了分区技术，oracle才敢号称是海量数据库。

Reference:

【http://docs.oracle.com/cd/B19306_01/server.102/b14231/partiti.htm#i1009216】

bitsCN.com