海量資料庫的查詢最佳化及分頁演算法方案集合2/2

FROM publish 
WHERE (id NOT IN 
　　　　(SELECT TOP n-1 id 
　　　　 FROM publish)) 
id 為publish 表的關鍵字 
我當時看到這篇文章的時候，真的是精神為之一振，覺得思路非常得好。等到後來，我在作辦公自動化系統（ASP.NET+ C#＋SQL SERVER）的時候，忽然想起了這篇文章，我想如果把這個語句改造一下，這就可能是一個非常好的分頁預存程序。於是我就滿網上找這篇文章，沒想到，文章還沒找到，卻找到了一篇根據此語句寫的一個分頁預存程序，這個預存程序也是目前較為流行的一種分頁預存程序，我很後悔沒有爭先把這段文字改造成預存程序：
CREATE PROCEDURE pagination2
(
 @SQL nVARCHAR(4000),    --不帶排序語句的SQL語句
 @Page int,              --頁碼
 @RecsPerPage int,       --每頁容納的記錄數
 @ID VARCHAR(255),       --需要排序的不重複的ID號
 @Sort VARCHAR(255)      --排序欄位及規則
)
AS
DECLARE @Str nVARCHAR(4000)
SET @Str='SELECT   TOP '+CAST(@RecsPerPage AS VARCHAR(20))+' * FROM ('+@SQL+') T WHERE T.'+@ID+'NOT IN 
(SELECT   TOP '+CAST((@RecsPerPage*(@Page-1)) AS VARCHAR(20))+' '+@ID+' FROM ('+@SQL+') T9 ORDER BY '+@Sort+') ORDER BY '+@Sort
PRINT @Str
EXEC sp_ExecuteSql @Str
GO
其實，以上語句可以簡化為：
SELECT TOP 頁大小 *
FROM Table1
WHERE (ID NOT IN
          (SELECT TOP 頁大小*頁數 id
         FROM 表
         ORDER BY id))
ORDER BY ID
但這個預存程序有一個致命的缺點，就是它含有NOT IN字樣。雖然我可以把它改造為：
SELECT TOP 頁大小 *
FROM Table1
WHERE not exists
(select * from (select top (頁大小*頁數) * from table1 order by id) b where b.id=a.id )
order by id
即，用not exists來代替not in，但我們前面已經談過了，二者的執行效率實際上是沒有區別的。
既便如此，用TOP 結合NOT IN的這個方法還是比用遊標要來得快一些。
雖然用not exists並不能挽救上個預存程序的效率，但使用SQL SERVER中的TOP關鍵字卻是一個非常明智的選擇。因為分頁最佳化的最終目的就是避免產生過大的記錄集，而我們在前面也已經提到了TOP的優勢，通過TOP 即可實現對資料量的控制。
在分頁演算法中，影響我們查詢速度的關鍵因素有兩點：TOP和NOT IN。TOP可以提高我們的查詢速度，而NOT IN會減慢我們的查詢速度，所以要提高我們整個分頁演算法的速度，就要徹底改造NOT IN，同其他方法來替代它。
我們知道，幾乎任何欄位，我們都可以通過max(欄位)或min(欄位)來提取某個欄位中的最大或最小值，所以如果這個欄位不重複，那麼就可以利用這些不重複的欄位的max或min作為分水嶺，使其成為分頁演算法中分開每頁的參照物。在這裡，我們可以用操作符“>”或“<”號來完成這個使命，使查詢語句符合SARG形式。如：
Select top 10 * from table1 where id>200
於是就有了如下分頁方案：
select top 頁大小 *
from table1 
where id>
      (select max (id) from 
      (select top ((頁碼-1)*頁大小) id from table1 order by id) as T
       )     
  order by id
在選擇即不重複值，又容易分辨大小的列時，我們通常會選擇主鍵。下表列出了筆者用有著1000萬資料的辦公自動化系統中的表，在以GID（GID是主鍵，但並不是叢集索引。）為排序列、提取gid,fariqi,title欄位，分別以第1、10、100、500、1000、1萬、10萬、25萬、50萬頁為例，測試以上三種分頁方案的執行速度：（單位：毫秒）
頁  碼
 方案1
 方案2
 方案3
1
 60
 30
 76
10
 46
 16
 63
100
 1076
 720
 130
500
 540
 12943
 83
1000
 17110
 470
 250
1萬
 24796
 4500
 140
10萬
 38326
 42283
 1553
25萬
 28140
 128720
 2330
50萬
 121686
 127846
 7168
從上表中，我們可以看出，三種預存程序在執行100頁以下的分頁命令時，都是可以信任的，速度都很好。但第一種方案在執行分頁1000頁以上後，速度就降了下來。第二種方案大約是在執行分頁1萬頁以上後速度開始降了下來。而第三種方案卻始終沒有大的降勢，後勁仍然很足。
在確定了第三種分頁方案後，我們可以據此寫一個預存程序。大家知道SQL SERVER的預存程序是事先編譯好的SQL語句，它的執行效率要比通過WEB頁面傳來的SQL語句的執行效率要高。下面的預存程序不僅含有分頁方案，還會根據頁面傳來的參數來確定是否進行資料總數統計。
-- 擷取指定頁的資料
CREATE PROCEDURE pagination3
@tblName   varchar(255),       -- 表名
@strGetFields varchar(1000) = '*',  -- 需要返回的列 
@fldName varchar(255)='',      -- 排序的欄位名
@PageSize   int = 10,          -- 頁尺寸
@PageIndex  int = 1,           -- 頁碼
@doCount  bit = 0,   -- 返回記錄總數, 非 0 值則返回
@OrderType bit = 0,  -- 設定排序類型, 非 0 值則降序
@strWhere  varchar(1500) = ''  -- 查詢條件 (注意: 不要加 where)
AS
declare @strSQL   varchar(5000)       -- 主語句
declare @strTmp   varchar(110)        -- 臨時變數
declare @strOrder varchar(400)        -- 排序類型
if @doCount != 0
  begin
    if @strWhere !=''
    set @strSQL = "select count(*) as Total from [" + @tblName + "] where "+@strWhere
    else
    set @strSQL = "select count(*) as Total from [" + @tblName + "]"
end  
--以上代碼的意思是如果@doCount傳遞過來的不是0，就執行總數統計。以下的所有代碼都是@doCount為0的情況
else
begin
if @OrderType != 0
begin
    set @strTmp = "<(select min"
set @strOrder = " order by [" + @fldName +"] desc"
--如果@OrderType不是0，就執行降序，這句很重要！
end
else
begin
    set @strTmp = ">(select max"
    set @strOrder = " order by [" + @fldName +"] asc"
end
if @PageIndex = 1
begin
    if @strWhere != ''   
    set @strSQL = "select top " + str(@PageSize) +" "+@strGetFields+ "  from [" + @tblName + "] where " + @strWhere + " " + @strOrder
     else
     set @strSQL = "select top " + str(@PageSize) +" "+@strGetFields+ "  from ["+ @tblName + "] "+ @strOrder
--如果是第一頁就執行以上代碼，這樣會加快執行速度
end
else
begin
--以下代碼賦予了@strSQL以真正執行的SQL代碼
set @strSQL = "select top " + str(@PageSize) +" "+@strGetFields+ "  from ["
    + @tblName + "] where [" + @fldName + "]" + @strTmp + "(["+ @fldName + "]) from (select top " + str((@PageIndex-1)*@PageSize) + " ["+ @fldName + "] from [" + @tblName + "]" + @strOrder + ") as tblTmp)"+ @strOrder
if @strWhere != ''
    set @strSQL = "select top " + str(@PageSize) +" "+@strGetFields+ "  from ["
        + @tblName + "] where [" + @fldName + "]" + @strTmp + "(["
        + @fldName + "]) from (select top " + str((@PageIndex-1)*@PageSize) + " ["
        + @fldName + "] from [" + @tblName + "] where " + @strWhere + " "
        + @strOrder + ") as tblTmp) and " + @strWhere + " " + @strOrder
end 
end   
exec (@strSQL)
GO
上面的這個預存程序是一個通用的預存程序，其注釋已寫在其中了。
在大資料量的情況下，特別是在查詢最後幾頁的時候，查詢時間一般不會超過9秒；而用其他預存程序，在實踐中就會導致逾時，所以這個預存程序非常適用於大容量資料庫的查詢。
筆者希望能夠通過對以上預存程序的解析，能給大家帶來一定的啟示，並給工作帶來一定的效率提升，同時希望同行提出更優秀的即時資料分頁演算法。
四、叢集索引的重要性和如何選擇叢集索引
在上一節的標題中，筆者寫的是：實現小資料量和海量資料的通用分頁顯示預存程序。這是因為在將本預存程序應用於“辦公自動化”系統的實踐中時，筆者發現這第三種預存程序在小資料量的情況下，有如下現象：
1、分頁速度一般維持在1秒和3秒之間。
2、在查詢最後一頁時，速度一般為5秒至8秒，哪怕分頁總數只有3頁或30萬頁。
雖然在超大容量情況下，這個分頁的實現過程是很快的，但在分前幾頁時，這個1－3秒的速度比起第一種甚至沒有經過最佳化的分頁方法速度還要慢，借使用者的話說就是“還沒有ACCESS資料庫速度快”，這個認識足以導致使用者放棄使用您開發的系統。
筆者就此分析了一下，原來產生這種現象的癥結是如此的簡單，但又如此的重要：排序的欄位不是叢集索引！
本篇文章的題目是：“查詢最佳化及分頁演算法方案”。筆者只所以把“查詢最佳化”和“分頁演算法”這兩個聯絡不是很大的論題放在一起，就是因為二者都需要一個非常重要的東西――叢集索引。
在前面的討論中我們已經提到了，叢集索引有兩個最大的優勢：
1、以最快的速度縮小查詢範圍。
2、以最快的速度進列欄位排序。
第1條多用在查詢最佳化時，而第2條多用在進行分頁時的資料排序。
而叢集索引在每個表內又只能建立一個，這使得叢集索引顯得更加的重要。叢集索引的挑選可以說是實現“查詢最佳化”和“高效分頁”的最關鍵因素。
但要既使叢集索引列既符合查詢列的需要，又符合排序列的需要，這通常是一個矛盾。
筆者前面“索引”的討論中，將fariqi，即使用者發文日期作為了叢集索引的起始列，日期的精確度為“日”。這種作法的優點，前面已經提到了，在進行劃時間段的快速查詢中，比用ID主鍵列有很大的優勢。
但在分頁時，由於這個叢集索引列存在著重複記錄，所以無法使用max或min來最為分頁的參照物，進而無法實現更為高效的排序。而如果將ID主鍵列作為叢集索引，那麼叢集索引除了用以排序之外，沒有任何用處，實際上是浪費了叢集索引這個寶貴的資源。
為解決這個矛盾，筆者後來又添加了一個日期列，其預設值為getdate()。使用者在寫入記錄時，這個列自動寫入當時的時間，時間精確到毫秒。即使這樣，為了避免可能性很小的重合，還要在此列上建立UNIQUE約束。將此日期列作為叢集索引列。
有了這個時間型叢集索引列之後，使用者就既可以用這個列尋找使用者在插入資料時的某個時間段的查詢，又可以作為唯一列來實現max或min，成為分頁演算法的參照物。
經過這樣的最佳化，筆者發現，無論是大資料量的情況下還是小資料量的情況下，分頁速度一般都是幾十毫秒，甚至0毫秒。而用日期段縮小範圍的查詢速度比原來也沒有任何遲鈍。
叢集索引是如此的重要和珍貴，所以筆者總結了一下，一定要將叢集索引建立在：
1、您最頻繁使用的、用以縮小查詢範圍的欄位上；
2、您最頻繁使用的、需要排序的欄位上。
結束語：
本篇文章彙集了筆者近段在使用資料庫方面的心得，是在做“辦公自動化”系統時實踐經驗的積累。希望這篇文章不僅能夠給大家的工作帶來一定的協助，也希望能讓大家能夠體會到分析問題的方法；最重要的是，希望這篇文章能夠拋磚引玉，掀起大家的學習和討論的興趣，以共同促進，共同為公安科技強警事業和金盾工程做出自己最大的努力。
最後需要說明的是，在實驗中，我發現使用者在進行大資料量查詢的時候，對資料庫速度影響最大的不是記憶體大小，而是CPU。在我的P4 2.4機器上實驗的時候，查看“資源管理員”，CPU經常出現持續到100%的現象，而記憶體用量卻並沒有改變或者說沒有大的改變。即使在我們的HP ML 350 G3伺服器上實驗時，CPU峰值也能達到90%，一般持續在70%左右。
本文的實驗資料都是來自我們的HP ML 350伺服器。伺服器配置：雙Inter Xeon 超執行緒 CPU 2.4G，記憶體1G，作業系統Windows Server 2003 Enterprise Edition，資料庫SQL Server 2000 SP3。