آموزش SQL پیشرفته برای بهینه‌سازی کوئری‌ها و افزایش کارایی دیتابیس - آخرین آپدیت

دانلود Advanced SQL for Query Tuning and Performance Optimization

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: کوئری‌های SQL می‌توانند بسیار سریع و کارآمد باشند، اما در عین حال می‌توانند کند شده و منابع CPU و حافظه بیش از حدی را مصرف کنند. برای بسیاری از برنامه‌نویسان SQL، مواجهه با کوئری‌های طولانی و عملکرد ضعیف دیتابیس امری عادی است. اما با درک بهتر نحوه تبدیل کوئری‌های SQL به برنامه‌های اجرایی (Execution Plans) توسط دیتابیس، می‌توانید از این مشکلات جلوگیری کنید. در این دوره، دن سالیوان به شما آموزش می‌دهد که چگونه برنامه‌های اجرایی کوئری‌ها را تحلیل کرده و از استراتژی‌های مدل‌سازی داده برای افزایش سرعت کوئری‌ها استفاده کنید. وی نحوه اجرای کوئری‌های SQL، انواع مختلف ایندکس‌ها و نقش آن‌ها در بهینه‌سازی، روش‌های مختلف Join، و استفاده از Partitioning و Materialized Views را برای بهبود عملکرد بررسی می‌کند. همچنین، نحوه اجرای PostgreSQL در GitHub Codespaces را به شما نشان می‌دهد تا سریع‌تر یادگیری را آغاز کنید.

سرفصل ها و درس ها

مقدمه Introduction

  • آنچه باید بدانید What you should know

  • کاهش زمان پاسخ‌دهی کوئری با بهینه‌سازی Reduce query response time with query tuning

1. نحوه اجرای کوئری توسط SQL 1. How SQL Executes a Query

  • پارتیشن‌بندی داده‌ها Partitioning data

  • اسکن جداول و ایندکس‌ها Scanning tables and indexes

  • اتصال جداول (Joining) Joining tables

  • راه‌حل: انتخاب روش پارتیشن‌بندی جدول Solution: Choosing how to partition a table

  • چالش: انتخاب روش پارتیشن‌بندی جدول Challenge: Choosing how to partition a table

  • از SQL توصیفی تا برنامه اجرایی رویه‌ای From declarative SQL to a procedural execution plan

2. ابزارهای PostgreSQL برای بهینه‌سازی 2. PostgreSQL Tools for Tuning

  • ایندکس‌ها Indexes

  • چالش: ایجاد یک برنامه اجرایی کوئری Challenge: Generating a query execution plan

  • راه‌حل: ایجاد یک برنامه اجرایی کوئری Solution: Generating a query execution plan

  • دستورات Explain و Analyze Explain and analyze

  • استفاده از PostgreSQL در Codespaces Using PostgreSQL in Codespaces

  • مثال از پلان: انتخاب با استفاده از عبارت WHERE Example plan: Selecting with a WHERE clause

3. انواع ایندکس‌ها 3. Types of Indexes

  • ایندکس‌های خاص PostgreSQL PostgreSQL-specific indexes

  • چالش: انتخاب ایندکس مناسب Challenge: Choosing an index

  • ایندکس‌های Bloom filter Bloom filter indexes

  • ایندکس‌های B-tree B-tree indexes

  • راه‌حل: انتخاب ایندکس مناسب Solution: Choosing an index

  • ایندکس‌گذاری Indexing

  • مثال از پلان ایندکس Hash Hash index example plan

  • ایندکس‌های Hash Hash indexes

  • مثال از پلان ایندکس B-tree B-tree index example plan

  • ایندکس‌های Bitmap Bitmap indexes

  • مثال از پلان ایندکس Bitmap Bitmap index example plan

4. بهینه‌سازی Joinها 4. Tuning Joins

  • چالش: طراحی یک Join Challenge: Designing a join

  • مثال از پلان Nested loop Nested loop example plan

  • حلقه‌های تودرتو (Nested loops) Nested loops

  • اتصالات هش (Hash joins) Hash joins

  • مقایسه Subqueries و Joins Subqueries vs. joins

  • مثال از Merge join Merge join example

  • انواع Joinها Types of joins

  • مثال از پلان Hash join Hash join example plan

  • راه‌حل: طراحی یک Join Solution: Designing a join

  • اتصالات ادغامی (Merge joins) Merge joins

5. پارتیشن‌بندی داده‌ها (Partitioning) 5. Partitioning Data

  • پارتیشن‌بندی بر اساس هش (Hash) Partition by hash

  • پارتیشن‌بندی افقی در مقابل عمودی Horizontal vs. vertical partitioning

  • مثال پارتیشن‌بندی بر اساس لیست (List) Partition by list example

  • پارتیشن‌بندی بر اساس لیست Partition by list

  • چالش: پارتیشن‌بندی یک جدول Challenge: Partitioning a table

  • راه‌حل: پارتیشن‌بندی یک جدول Solution: Partitioning a table

  • مثال پارتیشن‌بندی بر اساس محدوده (Range) Partition by range example

  • مثال پارتیشن‌بندی بر اساس هش Partition by hash example

  • پارتیشن‌بندی بر اساس محدوده Partition by range

6. ویوهای متریالایز شده (Materialized Views) 6. Materialized Views

  • چالش: ایجاد یک Materialized view Challenge: Creating a materialized view

  • راه‌حل: ایجاد یک Materialized view Solution: Creating a materialized view

  • ویوهای متریالایز شده Materialized views

  • به‌روزرسانی ویوهای متریالایز شده Refreshing materialized views

  • ایجاد ویوهای متریالایز شده Creating materialized views

7. آمار دیتابیس و شناسایی کوئری‌های کند 7. Database Statistics and Identifying Slow Queries

  • تحلیل آمار اجرا با pg_stat_statements Analyzing execution statistics with pg_stat_statements

  • چالش: تحلیل آمار Schema Challenge: Analyze schema statistics

  • راه‌حل: تحلیل آمار Schema Solution: Analyze schema statistics

  • تحلیل‌های تکمیلی با داده‌های pg_stats Additional analysis with other pg_stats data

  • بررسی برنامه‌های اجرایی با ماژول auto_explain Reviewing execution plans with the auto_explain module

  • جمع‌آوری آمار داده‌های موجود در جداول Collect statistics about data in tables

8. سایر تکنیک‌های بهینه‌سازی 8. Other Optimization Techniques

  • بهبود بهره‌وری حافظه کش (Cache) Improving cache utilization

  • راه‌حل: طراحی یک Common Table Expression (CTE) Solution: Design a common table expression

  • اجرای موازی کوئری‌ها Parallel query execution

  • راهنمایی‌های بهینه‌ساز کوئری (Hints) Hints to the Query Optimizer

  • نکات متفرقه Miscellaneous tips

  • استفاده از CTE برای جلوگیری از محاسبات تکراری Using common table expressions to avoid repetitive computation

  • چالش: طراحی یک Common Table Expression Challenge: Design a common table expression

جمع‌بندی Conclusion

  • گام‌های بعدی Next steps

نمایش نظرات

آموزش SQL پیشرفته برای بهینه‌سازی کوئری‌ها و افزایش کارایی دیتابیس
جزییات دوره
2h 9m
63
(آخرین آپدیت)
26,028
- از 5
ندارد
دارد
دارد
Dan Sullivan
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dan Sullivan Dan Sullivan

معمار سازمانی ، کارشناس بزرگ داده دان سالیوان ، دکترای علوم ، یک معمار سازمانی و متخصص داده های بزرگ است.

دان متخصص در معماری داده ، تجزیه و تحلیل ، داده کاوی ، آمار ، مدل سازی داده ها ، داده های بزرگ و رایانش ابری است. علاوه بر این ، او دارای دکترای ژنتیک ، بیوانفورماتیک و زیست محاسباتی است. Dan به طور منظم با Spark ، Oracle ، NoSQL ، MongoDB ، Redis ، R و Python کار می کند. وی تجربه نوشتن گسترده ای در موضوعاتی از جمله رایانش ابری ، داده های بزرگ ، Hadoop و امنیت دارد.

SQL