今天小編就爲大家分享一篇關於如何在一個千萬級的數據庫查詢中提高查詢的效率?，小編覺得內容挺不錯的，現在分享給大家，具有很好的參考價值，需要的朋友一起跟隨小編來看看吧
在實際項目中，當數據庫的數據達到千萬級別時候，普通查詢效率直線下降，而且當使用的where條件較多，其查詢效率是讓人無法容忍的。假如一個taobao訂單查詢詳情要幾十秒，可想而知的用戶體驗是多差。
下面是一些優化方法：
一、數據庫設計方面
1、對查詢進行優化，應儘量避免全表掃描，首先應考慮在 where 及 order by 涉及的列上建立索引；
2、應儘量避免在 where 子句中對字段進行 null 值判斷，否則將導致引擎放棄使用索引而進行全表掃描，如： select id from t where num is null 可以在num上設置默認值0，確保表中num列沒有null值，然後這樣查詢： select id from t where num = 0；
3、並不是所有索引對查詢都有效，SQL是根據表中數據來進行查詢優化的，當索引列有大量數據重複時，查詢可能不會去利用索引，如一表中有字段sex，male、female幾乎各一半，那麼即使在sex上建了索引也對查詢效率起不了作用；
4、索引並不是越多越好，索引固然可以提高相應的 select 的效率，但同時也降低了 insert 及 update 的效率，因爲 insert 或 update 時有可能會重建索引，所以怎樣建索引需要慎重考慮，視具體情況而定。一個表的索引數最好不要超過6個，若太多則應考慮一些不常使用到的列上建的索引是否有必要；
5、應儘可能的避免更新索引數據列，因爲索引數據列的順序就是表記錄的物理存儲順序，一旦該列值改變將導致整個表記錄的順序的調整，會耗費相當大的資源。若應用系統需要頻繁更新索引數據列，那麼需要考慮是否應將該索引建爲索引；
6、儘量使用數字型字段，若只含數值信息的字段儘量不要設計爲字符型，這會降低查詢和連接的性能，並會增加存儲開銷。這是因爲引擎在處理查詢和連接時會逐個比較字符串中每一個字符，而對於數字型而言只需要比較一次就夠了；
7、儘可能的使用 varchar/nvarchar 代替 char/nchar ，因爲首先變長字段存儲空間小，可以節省存儲空間，其次對於查詢來說，在一個相對較小的字段內搜索效率顯然要高些；
8、儘量使用表變量來代替臨時表。如果表變量包含大量數據，請注意索引非常有限（只有主鍵索引）；
9、避免頻繁創建和刪除臨時表，以減少系統表資源的消耗；
10、臨時表並不是不可使用，適當地使用它們可以使某些例程更有效，例如，當需要重複引用大型表或常用表中的某個數據集時。但是，對於一次性事件，最好使用導出表;
11、在新建臨時表時，如果一次性插入數據量很大，那麼可以使用 select into 代替 create table，避免造成大量 log ，以提高速度；如果數據量不大，爲了緩和系統表的資源，應先create table，然後insert；
12、如果使用到了臨時表，在存儲過程的最後務必將所有的臨時表顯式刪除，先 truncate table ，然後 drop table ，這樣可以避免系統表的較長時間鎖定。
二、SQL語句方面
1、應儘量避免在 where 子句中使用!=或<>操作符，否則將引擎放棄使用索引而進行全表掃描；
2、應儘量避免在 where 子句中使用 or 來連接條件，否則將導致引擎放棄使用索引而進行全表掃描，如： select id from t where num=10 or num=20 可以這樣查詢： select id from t where num=10 union all select id from t where num=20;
3、in 和 not in 也要慎用，否則會導致全表掃描，如： select id from t where num in(1,2,3) 對於連續的數值，能用 between 就不要用 in 了： select id from t where num between 1 and 3；
4、下面的查詢也將導致全表掃描： select id from t where name like ‘%abc%'
5、如果在 where 子句中使用參數，也會導致全表掃描。因爲SQL只有在運行時纔會解析局部變量，但優化程序不能將訪問計劃的選擇推遲到運行時；它必須在編譯時進行選擇。然而，如果在編譯時建立訪問計劃，變量的值還是未知的，因而無法作爲索引選擇的輸入項。如下面語句將進行全表掃描： select id from t where num=@num 可以改爲強制查詢使用索引： select id from t with(index(索引名)) where num=@num；
6、應儘量避免在 where 子句中對字段進行表達式操作，這將導致引擎放棄使用索引而進行全表掃描。如： select id from t where num/2=100 應改爲: select id from t where num=100*2；
7、應儘量避免在where子句中對字段進行函數操作，這將導致引擎放棄使用索引而進行全表掃描。如： select id from t where substring(name,1,3)='abc'–name以abc開頭的id，select id from t where datediff(day,createdate,'2005-11-30′)=0–‘2005-11-30'生成的id 應改爲: select id from t where name like ‘abc%' select id from t where createdate>='2005-11-30′ and createdate<'2005-12-1′
8、不要在 where 子句中的“=”左邊進行函數、算術運算或其他表達式運算，否則系統將可能無法正確使用索引。
9、不要寫一些沒有意義的查詢，如需要生成一個空表結構： select col1,col2 into #t from t where 1=0 這類代碼不會返回任何結果集，但是會消耗系統資源的，應改成這樣： create table #t(…)
10、很多時候用 exists 代替 in 是一個好的選擇： select num from a where num in(select num from b) 用下面的語句替換： select num from a where exists(select 1 from b where num=a.num)
11、任何地方都不要使用 select * from t ，用具體的字段列表代替“*”，不要返回用不到的任何字段。
12、儘量避免使用遊標，因爲遊標的效率較差，如果遊標操作的數據超過1萬行，那麼就應該考慮改寫。
13、儘量避免向客戶端返回大數據量，若數據量過大，應該考慮相應需求是否合理。
14、儘量避免大事務操作，提高系統併發能力。
三、Java方面（重點內容）
1、儘可能的少造對象；
2、合理擺正系統設計的位置。大量數據操作，和少量數據操作一定是分開的。大量的數據操作，肯定不是ORM框架搞定的；
3、使用JDBC鏈接數據庫操作數據；
4、控制好內存，讓數據流起來，而不是全部讀到內存再處理，而是邊讀取邊處理；
5、合理利用內存，有的數據要緩存；
四、如何優化數據庫，如何提高數據庫的性能?
1、硬件調整性能
最有可能影響性能的是磁盤和網絡吞吐量,解決辦法擴大虛擬內存，並保證有足夠可以擴充的空間；把數據庫服務器上的不必要服務關閉掉；把數據庫服務器和主域服務器分開；把SQL數據庫服務器的吞吐量調爲最大；在具有一個以上處理器的機器上運行SQL。
2、調整數據庫
若對該表的查詢頻率比較高，則建立索引；建立索引時，想盡對該表的所有查詢搜索操作， 按照where選擇條件建立索引，儘量爲整型鍵建立爲有且只有一個簇集索引，數據在物理上按順序在數據頁上，縮短查找範圍，爲在查詢經常使用的全部列建立非簇集索引，能最大地覆蓋查詢；但是索引不可太多，執行UPDATE DELETE INSERT語句需要用於維護這些索引的開銷量急劇增加；避免在索引中有太多的索引鍵；避免使用大型數據類型的列爲索引；保證每個索引鍵值有少數行。
3、使用存儲過程（注意：阿里巴巴開發規範中已經明確禁止使用存儲過程了，這裏只是列出，不作爲優化方法！）
應用程序的實現過程中，能夠採用存儲過程實現的對數據庫的操作儘量通過存儲過程來實現，因爲存儲過程是存放在數據庫服務器上的一次性被設計、編碼、測試，並被再次使用，需要執行該任務的應用可以簡單地執行存儲過程，並且只返回結果集或者數值，這樣不僅可以使程序模塊化，同時提高響應速度，減少網絡流量，並且通過輸入參數接受輸入，使得在應用中完成邏輯的一致性實現。
4、應用程序結構和算法
建立查詢條件索引僅僅是提高速度的前提條件，響應速度的提高還依賴於對索引的使用。因爲人們在使用SQL時往往會陷入一個誤區，即太關注於所得的結果是否正確，特別是對數據量不是特別大的數據庫操作時，是否建立索引和使用索引的好壞對程序的響應速度並不大，因此程序員在書寫程序時就忽略了不同的實現方法之間可能存在的性能差異，這種性能差異在數據量特別大時或者大型的或是複雜的數據庫環境中（如聯機事務處理OLTP或決策支持系統DSS）中表現得尤爲明顯。在工作實踐中發現，不良的SQL往往來自於不恰當的索引設計、不充份的連接條件和不可優化的where子句。在對它們進行適當的優化後，其運行速度有了明顯地提高！
總結
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，謝謝大家對神馬文庫的支持。如果你想了解更多相關內容請查看下面相關鏈接