系统篇——1.查询处理和查询优化
1 查询处理
1.1 查询处理的步骤
与编译器进行编译的步骤有点像，先对内容进行解析，优化然后执行。实际上执行查询的步骤就是对SQL语句进行编译并且执行的步骤。
查询分析
对语句进行扫描、词法分析和语法分析。从查询语句中识别出语言符号。处理语法错误。
1 | graph TB |
查询检查
对合法的查询语句进行语义检查。名称是否存在、视图操作转化为基本表操作、用户权限和完整性检查。将数据库对象的外部名称抓华为内部表示，生成等价的关系代数表达式，使用查询树(语法分析树)来扩展关系代数表达式。
1 | graph TB |
查询优化
每个查询都会有许多可供选择的执行策略和操作算法，查询优化就是选择一个搞笑执行的查询处理策略。
代数优化指关系代数表达式的优化，按照一定的规则，通过对关系代数表达式进行等价变化，改变代数表达式中操作的次序和组合，使得查询效率更加高效。
物理优化指存取路径和底层操作算法的选择。选择可以使基于规则、代价、语义的。
1 | graph TB |
查询执行
依据优化器得到的执行策略生成查询执行计划。由代码生成器生成执行查询计划，回送查询结果。
1.2 查询操作的算法示例
选择操作的实现
连接操作的实现
- 嵌套循环算法
- 排序-合并算法
- 索引连接算法
- hash join算法
2 查询优化
查询优化可以分为代数优化、物理优化。也就是逻辑优化和非代数优化。
代数优化是指关系代数表达式的优化，物理优化则是通过存取路径和底层操作算法的选择进行优化。
今天已经很累了，下次学习数据库的时候进行补充。
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Estom的博客！
相关推荐
2021-03-09
基础篇——4.SQL
1 数据库基本对象DDL（数据库定义语言） sql 不提供修改模式定义和修改视图定义的操作。如果想要更改，智能删除重建。数据库中操作的基本对象主要有以下内容：模式、表、视图、索引 1.1 基本对象概述 主要包括增删改。没有针对基本对象的查询。就像你会查询表中的数据，但是不会查询存在的某一张表。查询表不存在，应该是查询表中的数据。 操作对象 创建 删除 修改 模式SCHEMA CREATE SCHEMA DROP SCHEMA 表TABLE CREATE TABLE DROP TABLE ALTER TABLE 视图VIEW CREATE VIEW DROP VIEW 索引INDEX CREATE INDEX DROP INDEX ALTER INDEX 字段COLUMN ADD COLUMN DROP COLUMN ALTER COLUMN 12345graph LR模式Schema-->表Table模式Schema-->视图View表Table-->索引Index表Table-->字段Colume 基本对象的...
2020-09-25
1概述
量的定义 定义n维数组，并且在数组上进行简单的变换与操作。 名称 标量，单个数据，零阶张量， 向量，一维数组，一阶张量， 矩阵，二维数组，二阶张量 张量，高维数组，张量， 关系 可以使用向量，来定义n维线性空间、n维向量空间。向量，以数学的方式描述n维线性空间。标量、向量、矩阵、张量是对n维线性空间的暴力展开。 维数：数组总共有多少个维度。3维 维度：数组每个维的长度是多少。维度是(2,3,4) 范数：用来衡量数组的特征。F1范数，绝对值之和。F2范数，平方和。 列表和张量不同。列表的低维的维度可以不同。[[1],[1,2]]。张量，相同维的维度必须一致。 对于张量的描述可以使三阶，一阶二维，二阶三维，三阶四维。 对于数组的描述，应该是三维数组，一维维度是2，二维维度是3，三维维度是4 向量描述n维线性空间，向量的维度描述线性空间维度的个数，向量的数据描述每个维度的大小。 高维是外层的，低维是内层的。高维包含多个低维。低维能锁定更精确的数据。高维可以索引低维。 运算 同维度的四则运算，对应位运算。 不同维度的四则运算，进行广播。 点乘，同维度，同位置相乘相加。点乘，不同...
2021-03-20
10
3.2 – 区分类型 (分类 Classification)这次我们也是用最简单的途径来看看神经网络是怎么进行事物的分类. 建立数据集我们创建一些假数据来模拟真实的情况. 比如两个二次分布的数据, 不过他们的均值都不一样. 123456789101112131415161718192021222324import torchfrom torch.autograd import Variableimport matplotlib.pyplot as plt# 假数据n_data = torch.ones(100, 2) # 数据的基本形态x0 = torch.normal(2*n_data, 1) # 类型0 x data (tensor), shape=(100, 2)y0 = torch.zeros(100) # 类型0 y data (tensor), shape=(100, 1)x1 = torch.normal(-2*n_data, 1) # 类型1 x data (tensor), shape=(100, ...
2022-07-23
03 JDBCTemplate
Data Access简介概述DataAccess模块主要包括 JDBC ORM OXM JDBCTemplate对JDBC进行封装，很方便的实现对数据库进行操作。 自己开发项目也应该这样做。首先进行设计，把接口、实现、属性、方法定义好。遵循从上到下的设计。然后进行开发，根据具体的业务逻辑实现方法的内容。遵循从下到上的开发。 准备工作 引入相关的jar包 数据库连接池 1234567<bean id="dataSource" class="com.alibaba.druid.pool.DruidDataSource"> <property name="driverClassName" value="com.mysql.jdbc.Driver"></property> <property name="url" value="jdbc:mysql://localhost:3310/user">...
2020-10-13
9_Backpropagation
Backpropagation Backpropagation(反向传播)，就是告诉我们用gradient descent来train一个neural network的时候该怎么做，它只是求微分的一种方法，而不是一种新的算法 Gradient Descentgradient descent的使用方法，跟前面讲到的linear Regression或者是Logistic Regression是一模一样的，唯一的区别就在于当它用在neural network的时候，network parameters $\theta=w_1,w_2,…,b_1,b_2,…$里面可能会有将近million个参数 所以现在最大的困难是，如何有效地把这个近百万维的vector给计算出来，这就是Backpropagation要做的事情，所以Backpropagation并不是一个和gradient descent不同的training的方法，它就是gradient descent，它只是一个比较有效率的算法，让你在计算这个gradient的vector的时候更有效率 Chain RuleBack...
2020-09-26
legend_demo
图例（Legend）演示在Matplotlib中绘制图例。 在Matplotlib中有很多方法可以创建和自定义图例。 下面我们将展示一些如何操作的示例。 首先，我们将展示如何为特定线条制作图例。 1234567891011121314151617181920212223import matplotlib.pyplot as pltimport matplotlib.collections as mcolfrom matplotlib.legend_handler import HandlerLineCollection, HandlerTuplefrom matplotlib.lines import Line2Dimport numpy as npt1 = np.arange(0.0, 2.0, 0.1)t2 = np.arange(0.0, 2.0, 0.01)fig, ax = plt.subplots()# note that plot returns a list of lines. The "l1, = plot" usage# extracts...
