Ideas clave
Diseña pensando en el rendimiento, porque los ajustes no pueden reparar unos cimientos deficientes
El diseño es lo primero. Una consulta puede devolver la respuesta correcta y, aun así, perjudicar al negocio si tarda demasiado. Faroult sostiene que los desarrolladores, y no solo los administradores de bases de datos, deben incorporar el rendimiento al diseño inicial: por lo general, los ajustes en producción solo mejoran modestamente un sistema, salvo que haya un error grave. Ajustar un servidor concreto no es lo mismo que diseñar código que siga siendo eficiente a medida que crecen los datos, cambia el hardware y evoluciona el software de bases de datos.
La estrategia supera los remiendos. Un procedimiento de fábrica cargaba y reelaboraba repetidamente los mismos datos, y tardaba unos 20 minutos. Reformular la tarea como una sola consulta que combinaba las fuentes y las agregaba redujo la ejecución a unos 20 segundos. La mejora se debió a rediseñar el trabajo, no a configurar hábilmente un parámetro.
Lo más llamativo es el cambio de responsabilidad: el rendimiento se considera una cualidad del sistema en su conjunto, no una solicitud de reparación que se deriva a un especialista. Esto se parece a la ingeniería de seguridad, donde un resultado fiable depende de que la arquitectura, los procedimientos y las condiciones de funcionamiento actúen en conjunto. Una consecuencia útil es que los requisitos de rendimiento deberían probarse junto con la corrección, usando volúmenes de datos y supuestos de crecimiento realistas. La cautela es que optimizar demasiado pronto también puede convertir supuestos equivocados en código difícil de cambiar. El objetivo no es adivinar la carga de trabajo futura perfecta, sino elegir estructuras sólidas y hacer que los supuestos inciertos sean visibles y comprobables.
Modela atómicamente los hechos del negocio para que la base de datos pueda hacer cumplir su significado
Almacena hechos utilizables. Un atributo es atómico cuando el negocio puede buscarlo y razonar sobre él como un todo. Un único campo de texto libre para el equipamiento de seguridad podría indicar que un automóvil tiene frenos antibloqueo, pero las búsquedas se vuelven más lentas, los errores ortográficos eluden las comprobaciones y la base de datos no puede validar la afirmación de manera fiable. Los atributos separados y bien definidos permiten que la base de datos aplique restricciones. La normalización verifica entonces que los atributos dependan de la clave completa y no de otros atributos que no sean clave, reduciendo la duplicación y las actualizaciones contradictorias.
Representa las diferencias directamente. Un cliente puede tener una dirección de facturación, una dirección de envío o varios destinos de entrega. Ocultar estos casos en columnas que admiten valores nulos obliga a las aplicaciones a adivinar qué significan los valores ausentes. Las estructuras separadas para direcciones o subtipos pueden expresar las diferencias con claridad. El libro también advierte que los valores nulos complican la lógica de SQL: una comparación que incluye datos desconocidos puede no ser ni verdadera ni falsa, lo que puede hacer que una consulta devuelva resultados sorprendentes.
La idea de fondo es que un esquema constituye una descripción ejecutable de lo que una organización considera verdadero. Esto conecta el diseño de bases de datos con los sistemas de tipos: un tipo bien especificado impide representar estados no válidos, en lugar de pedirle a cada programa que recuerde las mismas reglas. Esa disciplina también aporta al optimizador más información sobre los datos. Aun así, normalizar no significa que haya que dividirlo todo sin límite. El nivel adecuado de detalle atómico depende de las preguntas reales del negocio, y los sistemas analíticos con muchas lecturas pueden aceptar deliberadamente cierta duplicación una vez que se comprenden sus costos y riesgos para la integridad.
Agrupa el trabajo de la base de datos en lotes en vez de pagar un viaje de ida y vuelta por cada fila
Menos viajes, más trabajo. Las conexiones y los intercambios entre una aplicación y una base de datos conllevan costos de configuración y comunicación. En una prueba, conectarse y desconectarse por cada línea cargaba apenas 7,4 líneas por segundo. Mantener una sola conexión e insertar grupos de 100 elevó la tasa a 9.190 líneas por segundo, unas 1.200 veces más rápido. La mejora se debió a evitar la configuración repetida de conexiones y enviar los datos en lotes, no a cambiar los datos en sí.
Deja que SQL se encargue de los conjuntos. Un bucle que recupera filas, toma decisiones sencillas y devuelve cada resultado a la base de datos suele ocultar trabajo que SQL puede realizar en una sola instrucción. Combinar operaciones también da al optimizador una tarea más amplia que planificar. Hay excepciones, especialmente cuando una instrucción enorme se vuelve difícil de manejar o dominan los costos de recuperación de transacciones, pero el procesamiento fila por fila debería ser una decisión deliberada, no un hábito predeterminado.
Este es un caso de amortización: los costos fijos pesan menos cuando se distribuyen entre una unidad de trabajo mayor. El mismo principio aparece en los protocolos de red, los sistemas de almacenamiento y la producción por lotes. También explica por qué un código que parece modular en la aplicación puede resultar costoso para el sistema en su conjunto. Sin embargo, agrupar en lotes no es automáticamente más seguro. Las transacciones grandes pueden mantener bloqueos durante más tiempo, consumir más espacio de deshacer y complicar la recuperación. Por lo tanto, una agrupación eficaz equilibra la eficiencia de la comunicación con el tamaño de las transacciones y el riesgo operativo.
Mantén las consultas declarativas el tiempo suficiente para que el optimizador explore alternativas
Indica el resultado, no el recorrido. SQL funciona mejor cuando una instrucción describe qué filas se quieren y deja margen al motor de base de datos para decidir cómo encontrarlas. El optimizador puede transformar expresiones relacionales equivalentes y usar índices, organización de tablas, estadísticas y memoria disponible para elegir un plan de ejecución. El código de aplicación que divide una tarea lógica en muchas consultas dependientes impide que el optimizador razone sobre la tarea en su conjunto.
Entiende dónde se reducen las opciones. Ordenar, clasificar y limitar los resultados impone un orden que los conjuntos relacionales no tienen. En Oracle, aplicar un límite de filas antes de ordenar puede devolver cinco empleados elegibles cualesquiera, en vez de los cinco mejor pagados. El patrón seguro consiste en ordenar primero y limitar el conjunto ordenado resultante. Del mismo modo, las funciones escritas por el usuario que ocultan consultas a la base de datos pueden ocultarle trabajo al optimizador.
El optimizador es un decisor con límites, no un oráculo. Su ventaja consiste en comparar alternativas cuando la consulta expone claramente el problema y la base de datos contiene estadísticas y restricciones fiables. Esto se parece a la optimización de compiladores: un compilador solo puede reorganizar operaciones cuando puede demostrar que se conserva el comportamiento. La lección práctica es preservar, cuando sea posible, la libertad semántica y luego medir el resultado. SQL declarativo no garantiza un plan excelente, y los requisitos de presentación, como la clasificación, necesariamente limitan lo que puede reorganizarse.
Crea índices para las rutas de acceso reales, no para cada columna que quizá se busque
Un índice implica una contrapartida. Puede acelerar las lecturas dirigidas, pero cada inserción, eliminación o cambio en un valor indexado puede exigir mantener el índice. En una base de datos contable de 33 GB citada en el libro, los índices representaban más de tres cuartas partes del espacio combinado de tablas e índices. Las pruebas también mostraron que el mantenimiento de índices podía añadir costos comparables a los de insertar en la propia tabla. Por eso conviene examinar con atención las tablas muy indexadas y que se actualizan con frecuencia.
Adapta la consulta a la clave. Un índice compuesto puede servir para búsquedas que usen sus columnas iniciales, pero aplicar una función a una columna indexada suele impedir el uso de un índice convencional. Por ejemplo, en vez de aplicar una función que trunque la fecha a una marca de tiempo, se puede usar un intervalo de fechas acotado. Así se conserva el acceso al índice de la columna y se explicita el intervalo deseado. La utilidad de un índice también depende de dónde se encuentren físicamente las filas coincidentes, no solo de cuántas haya.
A menudo se habla de los índices como si las lecturas fueran gratuitas y las escrituras un detalle secundario. El análisis que hace el libro del almacenamiento y el mantenimiento vuelve concreto el costo de oportunidad: cada atajo para quien lee crea trabajo para el sistema que modifica los datos. Es un problema de equilibrio, porque un índice puede ayudar a una consulta crítica y, al mismo tiempo, perjudicar el rendimiento general de las escrituras. La regla sencilla no es reducir los índices a ciegas, sino vincular cada uno con una carga de trabajo observada y reconsiderarlo periódicamente a medida que esta cambie.
Agrupa las lecturas, distribuye las escrituras y particiona solo para una carga de trabajo medida
La disposición física cambia el panorama. Colocar filas unas cerca de otras puede acelerar mucho las consultas por intervalos. En una prueba, una organización agrupada hizo que un análisis de intervalo fuera unas 20 veces más rápido, pero la inserción aleatoria en esa estructura se realizó aproximadamente a la mitad de la velocidad que en una tabla normal. Un diseño que ayuda a quienes leen puede hacer que quienes escriben paguen el costo en forma de movimientos adicionales y contención.
Particiona según una propiedad útil. Dividir una tabla por fecha puede permitir que la base de datos ignore intervalos de tiempo irrelevantes, sobre todo cuando hay muchos datos históricos y se consultan de forma selectiva. Sin embargo, particionar por la fecha actual puede dirigir todas las inserciones simultáneas a la misma zona sobrecargada. Los esquemas en estrella analíticos implican otra contrapartida: las dimensiones desnormalizadas y los numerosos índices pueden simplificar las consultas de lectura, pero complican la preparación y la carga de datos. El diseño físico debería servir a la combinación de tareas del sistema, no a una sola consulta atractiva.
Este es un problema clásico de investigación operativa: la eficiencia local puede reducir la eficiencia global cuando distintas cargas de trabajo compiten por los mismos recursos. Una estrategia de almacenamiento debe evaluarse en función de los patrones de lectura, los de escritura, la concurrencia y las ventanas de mantenimiento. El contraste que plantea el libro entre las lecturas agrupadas y las escrituras dispersas es especialmente útil, porque evita un error común: juzgar un diseño físico a partir de una sola prueba de rendimiento. Además, las cargas de trabajo modernas cambian con el tiempo, por lo que los beneficios medidos deben revisarse y no considerarse una propiedad permanente del esquema.
Haz que cada consulta empiece por su filtro más selectivo y agrega una sola vez
Deja que la selectividad marque el camino. Pensemos en encontrar clientes de Gotham que hayan comprado recientemente un Batimóvil. Si pocos clientes viven en Gotham, puede ser eficaz empezar por los clientes. Si pocos clientes compraron ese artículo, quizá sea mejor empezar por las líneas de pedido correspondientes. La dirección adecuada depende de la distribución de los datos, los índices disponibles y la manera en que esos factores cambien con el tiempo. El orden escrito de una consulta no es necesariamente el mejor orden de ejecución, pero su estructura puede influir en el optimizador.
Elimina el trabajo innecesario cuanto antes. Filtrar antes de ordenar o agregar reduce los datos que deben procesar las etapas posteriores. En un ejemplo contable, tres vistas distintas analizaban la misma tabla para calcular totales relacionados. La agregación condicional obtuvo los conteos necesarios en una sola pasada y se ejecutó unas cuatro veces más rápido. Hay que tener especial cuidado con las subconsultas correlacionadas cuando repiten la misma búsqueda para muchas filas externas.
El libro convierte el diseño de consultas en el ejercicio de preguntarse: «¿Cuál es la entrada más estrecha a estos datos?». Esta perspectiva es más duradera que memorizar una sintaxis de unión preferida. Coincide con los métodos de planificación de consultas usados en la recuperación de información, donde se reducen los conjuntos candidatos antes de aplicar operaciones costosas de clasificación o combinación. Sin embargo, las estimaciones de selectividad pueden ser erróneas, sobre todo si los datos están sesgados o las estadísticas desactualizadas. El método práctico consiste en formular una hipótesis a partir de los datos, inspeccionar el trabajo real y probar valores de parámetros representativos, en lugar de confiar en una regla universal.
Prueba el rendimiento de las consultas bajo carga, porque la velocidad aislada oculta la cola
Una respuesta rápida aún puede ser costosa. En una máquina de prueba, una búsqueda que usaba una columna indexada de una tabla de 50.000 filas podía ejecutarse unas 5.000 veces por segundo, mientras que un análisis basado en una columna sin índice apenas alcanzaba las 25. Una sola ejecución no permitía apreciar fácilmente la diferencia, pero la repetición revelaba una gran brecha de capacidad. Bajo carga concurrente, las consultas más lentas ocupaban capacidad de servicio y también retrasaban las más rápidas.
Mide la transacción completa. Los bloqueos pueden serializar los cambios en filas compartidas, y las transacciones largas mantienen esos bloqueos indisponibles durante más tiempo. Las consultas repetidas, las comprobaciones innecesarias y los viajes de ida y vuelta también aumentan el tiempo que cada solicitud ocupa el sistema. Por eso, las pruebas de rendimiento deberían medir el rendimiento del negocio —por ejemplo, los pedidos procesados por hora— además del tiempo de respuesta, e incluir niveles realistas de concurrencia y cargas máximas.
La teoría de colas aclara por qué las ineficiencias pequeñas pueden hacerse visibles de repente: cuando las solicitudes llegan cerca de la capacidad de servicio del sistema, incluso un pequeño aumento del trabajo promedio puede generar largas esperas. El síntoma visible puede ser que todo vaya lento, aunque solo algunas operaciones sean ineficientes. Por eso, los percentiles de tiempo de respuesta y el rendimiento del negocio son más informativos que un único promedio. El hardware sigue siendo importante, pero no puede eliminar la serialización causada por los bloqueos ni compensar indefinidamente las solicitudes que consumen tiempo de servicio innecesario.
Elige representaciones de jerarquías según el recorrido y los cálculos necesarios
No existe un modelo de árbol universal. El modelo de adyacencia almacena el nodo padre de cada nodo y funciona de forma natural con las funciones de recorrido recursivo. El modelo de ruta materializada almacena con cada nodo la ruta de sus antepasados, lo que facilita ciertas búsquedas de descendientes y antepasados. El modelo de conjuntos anidados asigna a cada nodo valores de apertura y cierre, lo que puede hacer que la recuperación de subárboles sea directa, pero exige renumerar muchos valores cuando cambia la estructura.
Adapta la representación a la pregunta. Encontrar la ubicación de un archivo implica recorrer la jerarquía hacia arriba; listar todo lo que depende de un gerente implica recorrerla hacia abajo; calcular las proporciones de ingredientes en recetas anidadas exige propagar valores entre niveles. En las pruebas del libro, realizadas con un ejemplo de unas 800 filas, el recorrido por adyacencia resultó eficaz, mientras que una expresión de tabla común recursiva se adaptaba mejor a la propagación de cálculos. En muchas implementaciones, recorrer un árbol es intrínsecamente secuencial, por lo que las jerarquías grandes requieren pruebas a escala realista.
El diseño de jerarquías pone de manifiesto una verdad más amplia sobre las bases de datos: la representación determina qué preguntas resultan baratas. Los mismos datos pueden organizarse para facilitar los recorridos, la simplicidad de las actualizaciones o las agregaciones, pero rara vez se optimizan las tres cosas por igual. Esto se parece a elegir una representación de grafo en algoritmos, donde una lista de adyacencia y una matriz favorecen operaciones distintas. La advertencia del libro contra las respuestas universales está bien fundada. Hay además otra limitación: la gobernanza. Si una jerarquía cambia con frecuencia, la carga operativa de mantener rutas almacenadas o intervalos anidados puede superar el beneficio de unas lecturas más rápidas.
Evalúa SQL por el rendimiento útil para el negocio, no por lo ordenado de los planes de ejecución
Mide el trabajo significativo. La supervisión debería vincular las instrucciones con los módulos de aplicación que las ejecutaron y con eventos del negocio, como pedidos o reclamaciones. Un número de consultas a la base de datos muy superior al de elementos del negocio procesados puede revelar trabajo repetido e innecesario. Las visitas a páginas, los costos de análisis, las filas afectadas y el tiempo transcurrido ayudan a explicar la carga, pero no significan nada sin saber qué trabajo útil completó el sistema.
Los planes son pruebas, no puntuaciones. En un ejemplo, un plan de ejecución compuesto casi por completo por accesos a índices tardó 72 segundos, mientras que otro con análisis completos tardó 27 segundos. En otra versión, el plan más rápido tardó un segundo. En pantallas de búsqueda flexibles también puede ayudar generar dinámicamente solo las uniones necesarias para los criterios proporcionados; el enlace de parámetros permite reutilizar las consultas y bloquea la inyección de SQL. Mide el resultado en vez de premiar la apariencia del plan.
La idea operativa más sólida del libro es que el rendimiento debe contabilizarse en unidades que la organización valore. Esto se parece al cálculo de costos basado en actividades: el esfuerzo técnico solo tiene sentido cuando se relaciona con el servicio que permite prestar. Los planes de ejecución siguen siendo herramientas de diagnóstico valiosas, pero sus operadores no son unidades de costo intercambiables entre distintas distribuciones de datos y distintos equipos. Este enfoque también evita un problema frecuente de incentivos: que los equipos optimicen una consulta visible mientras ignoran miles de llamadas repetitivas. La mejor métrica combina la experiencia del usuario, el rendimiento del negocio y los recursos consumidos para ofrecerlo.
Análisis
El argumento central del libro es que el rendimiento de SQL es una propiedad del sistema. Surge de la interacción entre la semántica del negocio, el diseño del esquema, la estructura de las consultas, la distribución de los datos, el almacenamiento físico, la concurrencia y la medición operativa. Por eso, los ejemplos más convincentes no son demostraciones de sintaxis oscura. Muestran cómo replantear el trabajo — por ejemplo, sustituir consultas repetidas por una sola operación sobre conjuntos — puede producir mejoras de varios órdenes de magnitud, mientras que los ajustes convencionales se limitan a pulir un diseño equivocado.
Su herramienta conceptual más útil es la distinción entre el trabajo relacional y el trabajo de presentación. El optimizador a menudo puede transformar filtros y uniones de manera segura; ordenar, clasificar y limitar impone una secuencia y reduce esas opciones. Esto ayuda a explicar tanto por qué SQL es declarativo en principio como por qué su rendimiento práctico depende de cómo se expresa una instrucción. El modelo es valioso, aunque no describe por completo todos los optimizadores modernos, que pueden adelantar predicados, reescribir subconsultas o aprovechar funciones que varían según el producto y la versión.
Las analogías estratégicas del libro respaldan una disciplina práctica: identificar el objetivo del negocio, comprender los datos, elegir una ruta de acceso y probar en condiciones reales. Su insistencia reiterada en basarse en pruebas de la carga de trabajo es más perdurable que sus recomendaciones específicas para ciertos productos. Muchos ejemplos proceden de sistemas y equipos de la época de 2006, por lo que los tiempos exactos, ciertas funciones de bases de datos y algunos supuestos de ajuste no deberían trasladarse sin más a las plataformas actuales. El método general sigue siendo sólido: comparar el motor, la forma de los datos y el nivel de concurrencia reales.
Otra virtud es que el libro se niega a convertir los buenos principios en consignas. Normaliza para preservar la integridad, pero reconoce las ventajas de los modelos dimensionales orientados a la lectura. Usa índices, pero contabiliza el costo de las escrituras. Prefiere las operaciones sobre conjuntos, pero tiene en cuenta la recuperación y la duración de los bloqueos. La perspectiva resultante es menos un recetario que una forma de plantear mejores preguntas de ingeniería. Considera el rendimiento como la búsqueda de trabajo útil por unidad de capacidad compartida, no como una competencia para que una consulta parezca elegante o un plan de ejecución resulte familiar.
Resumen de reseñas
The Art of SQL recibe reseñas mayoritariamente positivas. Los lectores elogian su contenido avanzado y su singular estilo de presentación, inspirado en El arte de la guerra de Sun Tzu. A los usuarios de SQL con experiencia les resulta esclarecedor y valioso para mejorar el rendimiento de las bases de datos. También se elogian la profundidad, la organización y el estilo ameno del libro. Sin embargo, a algunos lectores les parece difícil o poco cohesionado. Muchos lo recomiendan a expertos en SQL que quieran ampliar sus habilidades, aunque advierten que puede ser demasiado avanzado para principiantes.
También leyeron
Glosario
capa relacional
Núcleo de consultas basadas en conjuntosTérmino de Faroult para la parte del trabajo en SQL que utiliza operaciones relacionales para identificar y combinar filas, como filtrar y unir. El optimizador a menudo puede transformar este trabajo sin alterar el resultado. Operaciones como ordenar, clasificar y limitar imponen requisitos de presentación o de conjuntos finitos, lo que reduce la libertad del optimizador.
particionamiento basado en los datos
Particiones elegidas según los valores de los datosOrganización física en la que los valores de una o más columnas determinan la partición donde se almacena cada fila. El particionamiento por rangos puede agrupar períodos de tiempo, mientras que el particionamiento por hash distribuye las claves entre las particiones. A veces la base de datos puede omitir las particiones irrelevantes, pero la clave elegida debe corresponder a la carga de trabajo y evitar sesgos perjudiciales o puntos de congestión de escritura.
transformación en estrella
Los filtros de dimensión se cruzan con las filas de hechosOptimización para consultas sobre esquemas en estrella que aplica filtros independientes a las dimensiones para identificar los identificadores de las filas coincidentes de la tabla de hechos y luego combina esos identificadores antes de recuperar las filas de hechos. Los índices de mapa de bits pueden hacer que las intersecciones sean especialmente eficientes en sistemas orientados a la lectura. Este enfoque depende de que haya índices adecuados y, en general, no es apropiado para tablas transaccionales que se actualizan con frecuencia.
modelo de adyacencia
Cada nodo almacena su nodo padreRepresentación de una jerarquía que almacena el identificador del nodo padre junto a cada nodo. Es sencilla de mantener y permite recorridos recursivos mediante funciones de la base de datos, como CONNECT BY de Oracle o expresiones de tabla comunes recursivas. Las consultas que necesitan muchos descendientes o cálculos agregados repetidos pueden requerir recorridos reiterados, por lo que el rendimiento depende de la tarea y de la implementación.
modelo de ruta materializada
Cada nodo almacena su ascendenciaRepresentación de una jerarquía que registra la posición de un nodo mediante una ruta que contiene los identificadores de sus antepasados. Las comparaciones de prefijos permiten identificar nodos relacionados, y la ruta puede proporcionar un orden para el recorrido. No se debe confundir la ruta con la identidad empresarial del nodo; cambiarlo de lugar puede requerir actualizar las rutas almacenadas.
modelo de conjuntos anidados
Los intervalos codifican la ascendencia en el árbolRepresentación de una jerarquía que asigna a cada nodo valores de izquierda y derecha, de modo que el intervalo de un nodo padre engloba los intervalos de sus descendientes. Una prueba de rango permite recuperar un subárbol sin seguir recursivamente cada vínculo entre nodos padres e hijos. Las inserciones o los cambios estructurales pueden exigir renumerar muchos nodos, por lo que mantener esta representación resulta costoso en jerarquías cambiantes.
tabla dinámica
Números auxiliares para expandir filasEn el uso que le da Faroult, una tabla que contiene una secuencia de números y que puede unirse a otra tabla para repetir filas un número controlado de veces. SQL puede utilizar cada número para dividir una cadena delimitada, generar una secuencia o reestructurar datos. Es una solución práctica para datos almacenados en un formato poco conveniente, no un sustituto de un esquema bien diseñado.
variables de enlace
Parámetros suministrados por separadoMarcadores de parámetros en una instrucción SQL cuyos valores reales se suministran por separado durante la ejecución. Reutilizar el mismo patrón de instrucción puede reducir el trabajo repetido de análisis y optimización. El enlace también evita que el texto proporcionado por el usuario se convierta en SQL ejecutable, lo que reduce el riesgo de inyección SQL. Es especialmente útil cuando varían los valores de búsqueda, pero la estructura de la consulta se mantiene similar.
nueve situaciones
Taxonomía de patrones de consulta habitualesConjunto organizador de problemas recurrentes de SQL que presenta el libro, entre ellos las búsquedas selectivas, los criterios amplios cuya intersección es reducida, los conjuntos de resultados grandes, las uniones de una tabla consigo misma, las agregaciones, las búsquedas por fecha y las búsquedas de datos ausentes. Estas categorías ayudan al desarrollador a determinar qué cuestiones de filtrado, indexación y estructuración de consultas son relevantes antes de elegir una expresión SQL.
Descargar PDF
Descargar EPUB
.epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.