MD5 и скорость выборки

Мы профессиональная команда, которая на рынке работает уже более 2 лет и специализируемся исключительно на лучших продуктах.

У нас лучший товар, который вы когда-либо пробовали!

Наши контакты:

Telegram:

https://t.me/happystuff

Внимание! Роскомнадзор заблокировал Telegram ! Как обойти блокировку:

http://telegra.ph/Kak-obojti-blokirovku-Telegram-04-03-2

ВНИМАНИЕ!!! В Телеграмм переходить только по ссылке, в поиске много фейков!

Если есть два сообшения с одинаковым максимумом -- вывести оба. Не все юзеры обязательно должны иметь сообшения, но вывести надо всех. Использование переменных select count 1 cnt from select aid, name, p3. М1 неравенство с фильтром на нул хорошо работает на начальном и среднем участке тестируемых обьемов. Однако производительность с ускорением падает на больших обьемах. М2 прямой подселект на начальном етапе был в два раза медленее чем М1. Однако производительность етого метода падает медлено с ростом обьема и на К обгоняет М1. М3 переменные На малых обьемах переменные вполне конкурентно-способные и даже обошли М2, но далее, выше 3К начинает заметно проигрывать М1 и М2. Например вместо сканирования таблицы может произвести сканирование индекса. Да, имено ето и имелось ввиду, но я недосмотрел -- надо было сделать вере по неиндексному полю. Попробовал -- тотже результат, то есть результаты выше валидные. Изменим задачу следующим образом: Для всех Юзеров лефт жоинт надо выдать масимум один или ничего Пост с наибольшей оценкой. При наличии двух постов с наибольшей оценкой -- выбрать более поздний с большим Пост. Метод М1 неравенство с фильтром на нул был довольно легко изменен и отработал практически без изменений в скорости по сравнению с изначальной задачей. Метод М2 прямой подселект был изменен ибо теперь надо иметь два 'макс' занчения, по оценке, и, если они равны, по ИД. Было испытано два варианта: К3А -- полная выборка из обоих таблиц, нумерация и фильтрация К3Б -- полная выборка из Юзер и только Пост. Будет интересно, если кто знает другие варианты решения данной задачи или улучшения любого приведенного варианта. Основное наблюдения -- разные методы становятся лидерами в той или иной ситуации. Ету довольно банальную истину иногда забывают: Вопросо-задающие ищут 'лучшего' варианта а ответо-раздающие советуют 'лучший' вариант. Истина, как всегда посередине: Неравенство и филтр на нул М1,К1 прекрасно работают когда родители имеют небольщое количесво подчиненых записей n: По определению, етот метод перемножает детей в родительской групе. При росте количества детей работа растет теоретически в квадрате. Результаты подтверждают заметное замедление на больших n: Метод -- довольно простой и легкий для понимания. Признаюсь -- совершено неожидано для меня, неплохо выступили прямые подазапросы М2, К2А,Б. Включение серверного профайлинга подтвердили что сервер реально выполняет 20К или даже больше запросов! Однако все идет в памяти, каждый запрос по индексу занимает несколько наносекунд. Хотя и уступает в скорости М1,К1 на малых обьемах -- етот метод имеет солидную стабильность. При росте постов с 20 до тысяч время возросло всего в раза. Ето и понятно, количество запросов зависит только от количества родителей а скорость каждого подзапроса на максимум по индексу теоретически вполне стабильно. Метод вполне простой при простой первой задаче но становится чуть более сложным при выборке по более одного параметра например оценка и ИД. Варианты К2А и К2Б показали разную динамику: Ордер бай начинает относительно медлено но на больших обьемах показывает очень стабильно-быстрый результат. Метод с 'Переменными' является самым сложным и, без-относительно к скорости, часто пугает новичков. Результаты для М3 были довольно посредственными кроме как на больших выборках , но К3А и К3Б показали прекрасные результаты. На самом деле разница не совсем понятная. Етот метод отличается от первых двух тем, что перебирает все записи 'сразу'. Тут постерегает опасность перегруза памяти. Запрос К3А на К постов ударил по харддрайву и занял десяток секунд. Почти такой-же запрос К3Б прекрасно отработал, выбирая только Пост. ИД и не затягивая в память весь Пост рекорд. Метод с переменными можно рекомендовать если скорости других методов не устраивают и имеется желание копаться в нестандартном СКЛ. Для каждого постящего юзера выдать наиболее оцененый пост. Задача отличается от предыдушей тем что нас НЕ инстересуют юзеры без постов. Ето дает возможность использовать простой а не левый жоинт. А значит можно оптимизировать выборку по постам, использовать етот подселект как драйвер и затем выбирать из юзеров. Ето абсолютно неефективно при левом жоинте. Новая N-серия селектов была создана на базе выше описаных M-серии и К-серии. В некоторых случаях просто был убран ЛЕФТ, но в большинстве случаях квери были переписаны для оптимизации выборки по таблицы Пост и последующем жоинте на Юзер. Удалось использовать 'агрегатный' способ N4, который показал самые лучшие результаты. Я буду рад если кто-нибудь предложит улучшения запросов. N1A -- неравенство с фильтром на нул. Експлаин показывает порядок джоинтов юзер-пост-пост select count 1 cnt from select u. Порядок дхоинтов форсирован пост-пост-юзер select count 1 cnt from select u. Примемен небольшой изврат с максимумом по двум параметрам и модулем. Победителем на всем тестируемом участке оказался агрегационный метод Н4. На втором месте -- переменные Н3Б2. До середины неплохо выступил неравенство-филтр Н1Б. Опять приятно удивил улучшеный прямой подселект Н2Ц. Далеко не самый быстрый в начале участка К , етот метод выходит на второе место на уровне К. Сравнивая динамику Н4 и Н2Ц можно предположить что на очень большой выборке прямой подселект может и выиграть. Кстати, результаты К-серии довольно похожи на Н-серию для аналогичных селектов. Если подставить Н2Ц в таблицу К-серии -- ето будет победитель на больших выборках. В продолжении недавней дискусии о выборке из парент-чайлд таблиц где подчиненые записи надо выбрать по какому-то агрегированому правилу. Все СКЛ были окружены каунтом с ничего незначащим фильтром -- ето гарантирует полную выборку результатов но исключает трансфер тысяч строчек на клиента -- возвращается только каунт. Все СКЛ были окружены каунтом с ничего незначащим фильтром. Повторение результатов на другой машине: И еше пару результатов: Продолжаем изучать скорость выборки из двух таблиц, которые описаны выше. Квери К1 неравенство с фильтром на нул select count 1 cnt from select u. Ну и завершает ету минисерию еще одна похожая задача:

Купить закладки LSD в Магнитогорске