mysql优化

本文介绍MySQL性能优化的关键方法,包括高效索引设计原则,如独立列、前缀索引及多列索引的使用;索引扫描排序的注意事项;以及查询优化策略,如减少不必要的数据检索、重构查询方式等。
     项目增长很快,数据量越来越大,这几天也是够忙的,是时候再学一遍mysql的优化(之前也就瞟过几眼),写出高质量的sql语句,设计高性能索引,为以后数据量持续增大减坑。
     参考书籍:高性能mysql第三版。
     这部分内容会持续更新,对优化的理解需要经验的沉淀~~~

高性能索引

独立的列
    索引列不能是表达式的一部分,也不能是函数的参数。
//将无法用到索引列
mysql>SELECT id,name FROM table_test WHERE id + 1 = 3 ;
//正确表达应为索引列为独立列
mysql>SELECT id,name FROM table_test WHERE id = 2 ;
前缀索引
    当索引列过长,为节约内存与性能,取能够相对保证此索引长度的选择性接近全列索引的选择性。
//完整列的选择性
mysql>SELECT COUNT(DISTINCT 索引列) /count(*) FROM table_test
//前缀索引的选择性(n = 前缀长度)
mysql>SELECT COUNT(DISTINCT LEFT (索引列,n)) /count(*) FROM table_test
多列索引
     当出现服务器对多个索引做相交操作时(如多个and条件查询),需要创建多个列的索引,并遵循最左前缀的策略,即索引列以最左索引使用叠加。
//索引列,id,name,age
mysql>select * from table where id = 1 and name ='ygy' and age = 15; //使用索引列 id ,name ,age
mysql>select * from table where id = 1 and name ='ygy' ; //使用索引列 id ,name
mysql>select * from table where id = 1  and age = 15; //使用索引列id,未用到age,因为name未被使用。
索引扫描排序
    1.单表查询时,只有当索引的列顺序与orderby字句的顺序完全一致,并且所有列的排序方向必须一致,才会使用索引排序。
    2.多表关联查询时,只有当orderby字句引用的字段全部为第一张表时,才能使用索引排序。
    3.当索引最左前缀为指定值时,可以不遵循最左索引。
// 索引 id name age 
mysql>select * from table_test order by id , name ,age  //使用索引排序
mysql>select * from table_test order by name ,age  //未使用索引排序
mysql>select * from table_test where id = 4 order  by name ,age  //使用索引排序
mysql>select * from table_test where id = 4 order  by name ,address//未使用索引排序(address 不是索引列)

查询性能优化

优化数据访问
确认应用程序是否在检索大量超过需要的数据
    =>检查方式:
        1).减少查询不必要的记录(limit)
        2).减少不需要的列字段查询
        3).缓存相同查询数据

确认mysql服务器层是否在分析大量超过需要的数据
    =>检查方式:
        1).确认响应时间(服务时间、排队时间)
        2)扫描行数和返回的行数之比控制
        3)expalin检查扫描行数和访问类型
重构查询方式
切分查询
    采用分而治之,将大查询切分为小查询,每个查询功能完全一样,只完成一小部分。
int rows = 0 ;
do{
    rows = deleteByLimit(query);    //限制删除数量,减少锁表时间。
}while (rows > 0)
分解关联查询
    将关联查询分解为单表查询:
        1)单表查询缓存效率更高
        2)减少锁竞争
        3)减少冗余记录的查询(多表关联可能重复查询数据)
Python 中集成 Ollama 可以通过使用 `ollama` 官方提供的 Python 客户端库来实现。Ollama 是一个本地运行的大型语言模型(LLM)工具,它支持多种模型,如 Llama 2、Mistral 等,并且可以通过简单的 APIPython 应用程序集成。 ### 安装 Ollama Python 库 首先,需要确保你已经在本地系统上安装了 Ollama。你可以从 [Ollama 官方网站](https://ollama.com/)下载并安装适用于你操作系统的版本。 接下来,安装 Python 客户端库。Ollama 提供了一个官方的 Python 包,可以通过 `pip` 安装: ```bash pip install ollama ``` ### 使用 Ollama Python 库 安装完成后,可以使用 `ollama` 模块来调用 OllamaAPI。以下是一个简单的示例,展示如何使用 Ollama 的 `generate` 方法来生成文本: ```python import ollama # 生成文本 response = ollama.generate(model='llama3', prompt='为什么天空是蓝色的?') # 打印响应 print(response['response']) ``` 在这个例子中,`model` 参数指定了要使用的模型(例如 `llama3`),`prompt` 参数是用户输入的提示词。Ollama 会根据提示词生成相应的文本,并返回一个包含 `response` 字段的字典。 ### 获取模型列表 如果你想查看当前可用的模型,可以使用以下代码: ```python import ollama # 获取模型列表 models = ollama.list() # 打印模型列表 for model in models['models']: print(model['name']) ``` ### 模型对话(Chat) Ollama 还支持更复杂的对话模式,允许你在多轮对话中保持上下文。以下是一个使用 `chat` 方法的示例: ```python import ollama # 开始对话 response = ollama.chat( model='llama3', messages=[ {'role': 'user', 'content': '你好,你能帮我做什么?'}, {'role': 'assistant', 'content': '你好!我可以帮助你回答问题、提供建议,甚至进行简单的创作。有什么我可以帮你的吗?'}, {'role': 'user', 'content': '你能告诉我关于机器学习的基础知识吗?'} ] ) # 打印响应 print(response['message']['content']) ``` 在这个例子中,`messages` 参数是一个包含多个对话记录的列表,每个记录都有一个 `role` 和 `content` 字段。Ollama 会根据这些对话记录生成相应的回复。 ### 错误处理 在实际应用中,建议添加错误处理逻辑,以应对可能出现的网络问题或模型加载失败等情况: ```python import ollama try: response = ollama.generate(model='llama3', prompt='为什么天空是蓝色的?') print(response['response']) except Exception as e: print(f"发生错误: {e}") ``` ### 相关问题
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值