Diagnoseabfragen zur Abfrageoptimierung

Verwenden Sie die folgenden Abfragen, um Probleme bei Abfragen oder bei den zugrundeliegenden Tabellen zu identifizieren, die zu einer Beeinträchtigung der Abfrageleistung führen können. Wir empfehlen, diese Abfragen zusammen mit dem Abfrageoptimierungsprozess in Analysieren und Verbessern von Abfragen zu verwenden.

Identifizieren der Top-Kandidaten zur Optimierung unter den Abfragen

Die folgende Abfrage identifiziert die 50 zeitaufwändigsten Anweisungen, die in den letzten 7 Tagen ausgeführt wurden. Sie können die Ergebnisse verwenden, um Abfragen zu identifizieren, die ungewöhnlich lange dauern. Sie können auch Abfragen identifizieren, die häufig ausgeführt wurden (die mehrmals in der Ergebnismenge vorkommen). Diese Abfragen sind häufig gute Kandidaten für Abfragen, deren Optimierung die Systemleistung verbessern kann.

Diese Abfrage zählt außerdem die Warnereignisse für die einzelnen identifizierten Abfragen. Diese Warnmeldungen können Detailinformationen enthalten, mit denen Sie die Abfrageleistung verbessern können. Weitere Informationen finden Sie unter Überprüfen von Abfragewarnungen.

select trim(database) as db, count(query) as n_qry, 
max(substring (qrytext,1,80)) as qrytext, 
min(run_minutes) as "min" , 
max(run_minutes) as "max", 
avg(run_minutes) as "avg", sum(run_minutes) as total,  
max(query) as max_query_id, 
max(starttime)::date as last_run, 
sum(alerts) as alerts, aborted
from (select userid, label, stl_query.query, 
trim(database) as database, 
trim(querytxt) as qrytext, 
md5(trim(querytxt)) as qry_md5, 
starttime, endtime, 
(datediff(seconds, starttime,endtime)::numeric(12,2))/60 as run_minutes,     
alrt.num_events as alerts, aborted 
from stl_query 
left outer join 
(select query, 1 as num_events from stl_alert_event_log group by query ) as alrt 
on alrt.query = stl_query.query
where userid <> 1 and starttime >=  dateadd(day, -7, current_date)) 
group by database, label, qry_md5, aborted
order by total desc limit 50;

Identifizieren von Tabellen mit verzerrter Datenverteilung oder unsortierten Zeilen

Mit der folgenden Abfrage können Sie Tabellen identifizieren, die eine ungleichmäßige („verzerrte“) Datenverteilung oder einen hohen Prozentsatz an unsortierten Zeilen aufweisen.

Ein geringer skew-Wert weist darauf hin, das die Tabellendaten ordnungsgemäß verteilt sind. Wenn eine Tabelle für skew einen Wert von 4,00 oder höher hat, sollten Sie erwägen, den Datenverteilungsstil zu ändern. Weitere Informationen finden Sie unter Suboptimale Datenverteilung.

Wenn eine Tabelle für pct_unsorted einen Wert über 20 Prozent hat, sollten Sie ggf. den Befehl VACUUM ausführen. Weitere Informationen finden Sie unter Unsortierte oder falsch sortierte Zeilen.

Sie sollten auch die mbytes- und pct_of_total-Werte für jede Tabelle überprüfen. Diese Spalten geben die Größe einer Tabelle an, sowie den Prozentsatz des verfügbaren Bruttospeicherplatzes auf dem Datenträger, den die Tabelle verbraucht. Der Roh-Festplattenspeicherplatz schließt den Platz ein, der von Amazon Redshift für die interne Verwendung reserviert ist, ist also größer als die nominelle Festplattenkapazität, bei der es sich um den Festplattenspeicherplatz handelt, der dem Benutzer zur Verfügung steht. Verwenden Sie diese Informationen, um zu verifizieren, dass der verfügbare Speicherplatz auf dem Datenträger mindestens um den Faktor 2,5 größer ist als Ihre größte Tabelle. Dieser verfügbare Speicherplatz reicht dafür aus, dass das System bei der Verarbeitung von komplexen Abfragen Zwischenergebnisse auf den Datenträger schreiben kann.

select trim(pgn.nspname) as schema, 
trim(a.name) as table, id as tableid, 
decode(pgc.reldiststyle,0, 'even',1,det.distkey ,8,'all') as distkey, dist_ratio.ratio::decimal(10,4) as skew, 
det.head_sort as "sortkey", 
det.n_sortkeys as "#sks", b.mbytes,  
decode(b.mbytes,0,0,((b.mbytes/part.total::decimal)*100)::decimal(5,2)) as pct_of_total, 
decode(det.max_enc,0,'n','y') as enc, a.rows, 
decode( det.n_sortkeys, 0, null, a.unsorted_rows ) as unsorted_rows , 
decode( det.n_sortkeys, 0, null, decode( a.rows,0,0, (a.unsorted_rows::decimal(32)/a.rows)*100) )::decimal(5,2) as pct_unsorted 
from (select db_id, id, name, sum(rows) as rows, 
sum(rows)-sum(sorted_rows) as unsorted_rows 
from stv_tbl_perm a 
group by db_id, id, name) as a 
join pg_class as pgc on pgc.oid = a.id
join pg_namespace as pgn on pgn.oid = pgc.relnamespace
left outer join (select tbl, count(*) as mbytes 
from stv_blocklist group by tbl) b on a.id=b.tbl
inner join (select attrelid, 
min(case attisdistkey when 't' then attname else null end) as "distkey",
min(case attsortkeyord when 1 then attname  else null end ) as head_sort , 
max(attsortkeyord) as n_sortkeys, 
max(attencodingtype) as max_enc 
from pg_attribute group by 1) as det 
on det.attrelid = a.id
inner join ( select tbl, max(mbytes)::decimal(32)/min(mbytes) as ratio 
from (select tbl, trim(name) as name, slice, count(*) as mbytes
from svv_diskusage group by tbl, name, slice ) 
group by tbl, name ) as dist_ratio on a.id = dist_ratio.tbl
join ( select sum(capacity) as  total
from stv_partitions where part_begin=0 ) as part on 1=1
where mbytes is not null 
order by  mbytes desc;

Identifizieren von Abfragen mit verschachtelten Schleifen

Die folgende Abfrage identifiziert Abfragen, für die Warnereignisse zu verschachtelten Schleifen protokolliert wurden. Informationen zur Vorgehensweise, um Probleme bei verschachtelten Schleifen zu beheben, finden Sie unter Verschachtelte Schleife.

select query, trim(querytxt) as SQL, starttime 
from stl_query 
where query in (
select distinct query 
from stl_alert_event_log 
where event like 'Nested Loop Join in the query plan%') 
order by starttime desc;

Überprüfen der Wartezeiten von Abfragen in Warteschlangen

Die folgende Abfrage zeigt, wie lange kürzlich ausgeführte Abfragen auf einen freien Platz in einer Abfragewarteschlange gewartet haben, bis sie ausgeführt wurden. Wenn Sie eine Tendenz erkennen, dass die Wartezeiten eher lang sind, können Sie die Abfragewarteschlangen modifizieren, um den Durchsatz zu verbessern. Weitere Informationen finden Sie unter Implementieren von manuellem WLM.

select trim(database) as DB , w.query, 
substring(q.querytxt, 1, 100) as querytxt,  w.queue_start_time, 
w.service_class as class, w.slot_count as slots, 
w.total_queue_time/1000000 as queue_seconds, 
w.total_exec_time/1000000 exec_seconds, (w.total_queue_time+w.total_Exec_time)/1000000 as total_seconds 
from stl_wlm_query w 
left join stl_query q on q.query = w.query and q.userid = w.userid 
where w.queue_start_Time >= dateadd(day, -7, current_Date) 
and w.total_queue_Time > 0  and w.userid >1   
and q.starttime >= dateadd(day, -7, current_Date) 
order by w.total_queue_time desc, w.queue_start_time desc limit 35;

Überprüfen von Abfragewarnungen nach Tabelle

Die folgende Abfrage identifiziert Tabellen, für die Warnereignisse protokolliert wurden, und gibt an, welche Arten von Warnungen am häufigsten ausgelöst wurden.

Wenn in einer aufgeführten Tabelle der minutes-Wert für eine Zeile besonders hoch ist, überprüfen Sie, ob für die betreffende Tabelle routinemäßige Wartungsaufgaben durchgeführt werden können, beispielsweise durch Ausführen von ANALYZE oder VACUUM für die betreffende Tabelle.

Wenn der Wert count für eine Zeile hoch ist, gleichzeitig der Wert table aber Null, führen Sie für den zugehörigen event-Wert eine Abfrage über STL_ALERT_EVENT_LOG durch, um herauszufinden, warum die Warnung so oft ausgelöst wird.

select trim(s.perm_table_name) as table, 
(sum(abs(datediff(seconds, s.starttime, s.endtime)))/60)::numeric(24,0) as minutes, trim(split_part(l.event,':',1)) as event,  trim(l.solution) as solution, 
max(l.query) as sample_query, count(*) 
from stl_alert_event_log as l 
left join stl_scan as s on s.query = l.query and s.slice = l.slice 
and s.segment = l.segment and s.step = l.step
where l.event_time >=  dateadd(day, -7, current_Date) 
group by 1,3,4 
order by 2 desc,6 desc;

Identifizieren von Tabellen mit fehlender Tabellenstatistik

Die folgende Abfrage zählt die Abfragen, die über Tabellen mit fehlender Tabellenstatistik ausgeführt wurden. Wenn diese Abfrage Zeilen zurückgibt, achten Sie auf den Wert von plannode, um die betreffende Tabelle zu ermitteln, und führen Sie dann über dieser Tabelle den Befehl ANALYZE aus.

select substring(trim(plannode),1,100) as plannode, count(*) 
from stl_explain 
where plannode like '%missing statistics%' 
group by plannode 
order by 2 desc;