zoukankan      html  css  js  c++  java
  • SQL Server 2005对海量数据处理(1)

    2.4 创建分区表

      建立好分区函数和分区方案后,就可以创建分区表了。分区表是通过定义分区键值和分区方案相联系的。插入记录时,SQL SERVER会根据分区键值的不同,通过分区函数的定义将数据放到相应的分区。从而把分区函数、分区方案和分区表三者有机的结合起来。创建分区表的代码如下:

    CREATE TABLE SendSMSLog

      ([ID] [int] IDENTITY(1,1) NOT NULL,

      [IDNum] [nvarchar](50) NULL,

      [SendContent] [text] NULL

      [SendDate] [datetime] NOT NULL,

      ) ON SendSMSPS(SendDate)

      2.5 查看分区表信息

      系统运行一段时间或者把以前的数据导入分区表后,我们需要查看数据的具体存储情况,即每个分区存取的记录数,那些记录存取在那个分区等。我们可以通过$partition.SendSMSPF来查看,代码如下:

      SELECT $partition.SendSMSPF(o.SendDate)

      AS [Partition Number]

      , min(o.SendDate) AS [Min SendDate]

      , max(o.SendDate) AS [Max SendDate]

      , count(*) AS [Rows In Partition]

      FROM dbo.SendSMSLog AS o

      GROUP BY $partition.SendSMSPF(o.SendDate)

      ORDER BY [Partition Number]

      在查询分析器里执行以上脚本,结果如图1所示:

      图1 分区表信息

      

      2.6 维护分区

      分区的维护主要设计分区的添加、减少、合并和在分区间转换。可以通过ALTER PARTITION FUNCTION的选项SPLIT,MERGE和ALTER TABLE的选项SWITCH来实现。SPLIT会多增加一个分区,而MEGRE会合并或者减少分区,SWITCH则是逻辑地在组间转换分区。

      3 性能对比

      我们对2650万数据,存储空间占用约4G的单表进行性能对比,测试环境为IBM365,CPU 至强2.7G*2、内存 16G、硬盘 136G*2,系统平台为Windows 2003 SP1+SQL Server 2005 SP1。测试结果如表1:

      表1:分区和未分区性能对比表(单位:毫秒)

      测试项目 分区 未分区

      1 16546 61466

      2 13 33

      3 20140 61546

      4 17140 61000

      说明:

      1:根据时间检索某一天记录所耗时间

      2:单条记录插入所耗时间

      3:根据时间删除某一天记录所耗时间

      4:统计每月的记录数所需时间

      从表1可以看出,对分区表进行操作比未分区的表要快,这是因为对分区表的操作采用了CPU和I/O的并行操作,检索数据的数据量也变小了,定位数据所耗时间变短。

      4 结束语

      对海量数据的处理一直是一个令人头痛的问题。分离的技术是所有设计者们首先考虑的问题,不管是分离应用程序功能还是分离数据访问,如果加以了合理规划,都能十分有效的解决大数据表的运行效率低和维护成本高等问题。SQL Server 2005新增的表分区功能,可以对数据进行合理分区,当用户在访问部分数据时,SQL Server最佳化引擎可以根据数据的实体存放,找出最佳的执行方案,而不至于大海捞针。

  • 相关阅读:
    跨域是什么
    【剑指offer】05-替换空格
    【剑指offer】04-二维数组中的查找
    【剑指offer】03-变态跳台阶
    【剑指offer】02-青蛙跳台阶
    【剑指offer】01-斐波那契数列
    python面向对象-类和实例
    LibreOffice字体问题解决;从window复制到Ubuntu
    Far manager界面混乱问题解决
    Ubuntu-18.04.2-几个启动错误解决办法
  • 原文地址:https://www.cnblogs.com/lvfeilong/p/dsfjdk.html
Copyright © 2011-2022 走看看