تجزیه‌وتحلیل اجرای پُرسمان با Query Explain

این صفحه نحوه بازیابی اطلاعات اجرای پُرسمان را هنگام اجرای پُرسمان شرح می‌دهد.

استفاده از Query Explain

می‌توانید از Query Explain برای درک نحوه اجرای پُرسمان‌هایتان استفاده کنید. این گزارش جزئیاتی ارائه می‌دهد که می‌توانید از آن‌ها برای بهینه‌سازی پُرسمان‌هایتان استفاده کنید.

می‌توانید از Query Explain ازطریق کنسول Google Cloud یا فرمان explain استفاده کنید.

Analysis

خروجی Query Explain شامل دو مؤلفه اصلی است: «آمار خلاصه» و «درخت اجرا». این پُرسمان را به‌عنوان نمونه درنظر بگیرید:

db.orders.aggregate(
 [
   { "$match": { "user_id": 1234 } },
   { "$sort": { "date_placed": 1 } }
 ]
)

آمار خلاصه

بالای برونداد توضیح‌داده‌شده حاوی خلاصه‌ای از آمار اجرا است. از این آمار برای تعیین اینکه آیا پُرسمان تأخیر یا هزینه بالایی دارد استفاده کنید. همچنین حاوی آمار حافظه است که به شما اطلاع می‌دهد پُرسمان شما چقدر به محدودیت‌های حافظه نزدیک است.

Execution:
 results returned: 35
 query id: 7e7b37ea1a259d79
 request peak memory usage: 45.56 KiB (46,656 B)
 data bytes read: 24.58 KiB (25,175 B)
 entity row scanned: 265

Billing:
 read units: 7

درخت اجرا

درخت اجرا، اجرای پُرسمان را به‌صورت مجموعه‌ای از گره‌ها توصیف می‌کند. گره‌های پایینی (گره‌های برگ) داده‌ها را از لایه ذخیره‌سازی بازیابی می‌کنند که برای تولید پاسخ پُرسمان، درخت را به‌سمت بالا طی می‌کند.

برای جزئیات مربوط به هر گره اجرا، به مرجع اجرا مراجعه کنید.

برای جزئیات درباره نحوه استفاده از این اطلاعات برای بهینه‌سازی پُرسمان‌هایتان، بهینه‌سازی اجرای پُرسمان را ببینید.

در زیر نمونه‌ای از درخت اجرا آورده شده است:

Execution:
 results returned: 35
 query id: 7e7b37ea1a259d79
 request peak memory usage: 45.56 KiB (46,656 B)
 data bytes read: 24.58 KiB (25,175 B)
 entity row scanned: 265

Billing:
 read units: 7

Tree:
• Compute
|  $out_1: map_set($record_1, "__id__", $__id___1, "__key__", unset)
|  is query result: true
|
|  Execution:
|   records returned: 35
|   latency: 204.87 ms (local 7.64 ms)
|
└── • Compute
    |  $__id___1: _id($__key___2)
    |
    |  Execution:
    |   records returned: 35
    |   latency: 197.23 ms (local 2.04 ms)
    |
    └── • MajorSort
        |  fields: [$v_5 ASC]
        |  output: [$__key___2, $record_1]
        |
        |  Execution:
        |   records returned: 35
        |   latency: 195.20 ms (local 28.42 ms)
        |   peak memory usage: 45.56 KiB (46,656 B)
        |
        └── • Compute
            |  $v_5: offset($v_4, 0L)
            |
            |  Execution:
            |   records returned: 35
            |   latency: 166.78 ms (local 14.84 ms)
            |
            └── • Compute
                |  $v_4: sortPaths(array($date_placed_1), [date_placed ASC])
                |
                |  Execution:
                |   records returned: 35
                |   latency: 151.94 ms (local 5.43 ms)
                |
                └── • TableScan
                       source: **/orders
                       order: STABLE
                       filter: $eq($user_id_1, 1,234)
                       output bindings: {$__key___2=row().__key__, $date_placed_1=row().date_placed, $record_1=row[* - { __create_time__, __update_time__ }](), $user_id_1=row().user_id}
                       output: [$__key___2, $date_placed_1, $record_1]

                       Execution:
                        records returned: 35
                        latency: 146.50 ms
                        data bytes returned: 3.25 KiB (3,325 B)
                        post-filtered rows: 230
                        records scanned: 265
                        data bytes read: 24.58 KiB (25,175 B)

حالا چه می‌شود

• برای آشنایی با گره‌های درخت اجرا، به مرجع اجرای پُرسمان مراجعه کنید.
• برای آشنایی با نحوه بهینه‌سازی پُرسمان‌ها، به بهینه‌سازی اجرای پُرسمان مراجعه کنید.