QueryProcessing_INDEX

聚合(聚集)索引____非聚合(聚集)索引

聚合(聚集)索引____Order of data records is the same as the order of index data entries(只能有一个)

聚合(聚集)索引____Otherwise


1.  估算结果记录集大小

expected size of the result (number of tuples and/or number of pages)

size of relation * PAI (reduction factors  =  RF)             PAI相当于连续相乘


• Sailors (S):

–Each tuple is 50 bytes long, 80 tuples per page, 500 pages

–N = NPages(S) = 500, pS=NTuplesPerPage(S) = 80

–NTuples(S) = 500*80 = 40000

• Reserves (R):

–Each tuple is 40 bytes long, 100 tuples per page, 1000 pages

–M= NPages(R) = 1000, pR=NTuplesPerPage(R) =100

–NTuples(R) = 100000

2.  no index, unsorted:

Cost = Number of Pages of Relation, i.e. NPages(R)

Example: Reserves cost(R)= 1000 IO (1000 pages)

3.  no index, but file is sorted:

Cost = log2(NPages(R)) + (RF*NPages(R))

Example: Reserves cost(R)= 10 I/O + (RF*NPages(R))

4.  Clustered index:

Cost = (NPages(I) + NPages(R))*RF            NPages(I):索引页数

5.  Unclustered index:  

Cost = (NPages(I) + NTuples(R))*RF

6. B树

B树:二叉搜索(查找)树

B-树是一种平衡的多路查找树(并不是二叉的)。关键字集合分布在整颗树中。在非叶子节点,可以查找成功并结束。

B+树:是B-树的一种变形。所有关键字都在叶子结点出现。不保存数据,只用于索引,不可能在非叶子结点命中。


下面我们就来看一下在1000万条数据量的情况下各种查询的速度表现(3个月内的数据为25万条):      

(1)仅在主键上建立聚集索引,并且不划分时间段:      

Select gid,fariqi,neibuyonghu,title from tgongwen  用时:128470毫秒(即:128秒)      

(2)在主键上建立聚集索引,在fariq上建立非聚集索引:     

select gid,fariqi,neibuyonghu,title from Tgongwen where  fariqi> dateadd(day,-90,getdate())   用时:53763毫秒(54秒)      

(3)将聚合索引建立在日期列(fariqi)上:     

select gid,fariqi,neibuyonghu,title from Tgongwen where  fariqi> dateadd(day,-90,getdate()) 用时:2423毫秒(2秒)  

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,258评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,335评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,225评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,126评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,140评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,098评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,018评论 3 417
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,857评论 0 273
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,298评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,518评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,678评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,400评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,993评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,638评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,801评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,661评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,558评论 2 352

推荐阅读更多精彩内容