Анализировал ли план запросов

Анализ плана запросов (Query Plan Analysis)

Да, я регулярно анализирую планы выполнения запросов к базе данных. Это одна из ключевых практик оптимизации производительности приложений. Анализ планов запросов помогает понять, как СУБД выполняет SQL операции и найти узкие места.

Почему анализ планов запросов важен

Выявление проблем производительности

• Полное сканирование таблицы (table scan) вместо использования индекса
• Дорогие операции объединения (join)
• Неоптимальный порядок выполнения операций
• Проблемы с памятью и кешированием

Оптимизация запросов

• Понимание того, как БД интерпретирует запрос
• Идентификация необходимых индексов
• Переписание запросов для лучшей производительности
• Проверка эффективности существующих индексов

Команды для анализа плана (PostgreSQL)

EXPLAIN — простой анализ

# В Django ORM через raw SQL
from django.db import connection

query = """
EXPLAIN
SELECT * FROM users WHERE email = 'test@example.com';
"""

with connection.cursor() as cursor:
    cursor.execute(query)
    plan = cursor.fetchall()
    for row in plan:
        print(row)

Вывод показывает:

• Тип операции (Seq Scan, Index Scan, Hash Join и т.д.)
• Приблизительное количество строк
• Затраты на начало и завершение

EXPLAIN ANALYZE — анализ с реальным выполнением

Эта команда выполняет запрос и показывает реальные значения, а не估计值。

query = """
EXPLAIN ANALYZE
SELECT u.*, COUNT(p.id) as posts_count
FROM users u
LEFT JOIN posts p ON u.id = p.user_id
WHERE u.status = 'active'
GROUP BY u.id
ORDER BY posts_count DESC
LIMIT 10;
"""

with connection.cursor() as cursor:
    cursor.execute(query)
    results = cursor.fetchall()
    for row in results:
        print(row)

EXPLAIN ANALYZE VERBOSE — подробный анализ

query = """
EXPLAIN (ANALYZE, VERBOSE, TIMING)
SELECT * FROM orders WHERE user_id = 123 AND created_at > NOW() - INTERVAL '30 days';
"""

with connection.cursor() as cursor:
    cursor.execute(query)
    plan = cursor.fetchall()
    for row in plan:
        print(row[0])

Практические примеры анализа

Пример 1: Отсутствие индекса

# Плохой запрос — без индекса на email
query = "SELECT * FROM users WHERE email = 'test@example.com';"

# EXPLAIN показывает:
# Seq Scan on users  (cost=0.00..35.50 rows=1 width=100)
#   Filter: (email = 'test@example.com')

# Решение — добавить индекс
from django.db import models

class User(models.Model):
    email = models.EmailField(db_index=True)  # Добавляем индекс

# Или через миграцию
from django.db import migrations, models

class Migration(migrations.Migration):
    operations = [
        migrations.AlterField(
            model_name='user',
            name='email',
            field=models.EmailField(db_index=True),
        ),
    ]

Пример 2: Неэффективный JOIN

# Плохой запрос
query = """
SELECT u.*, p.* FROM users u
JOIN posts p ON u.id = p.user_id
JOIN comments c ON p.id = c.post_id
WHERE u.id = 123;
"""

# EXPLAIN может показать Hash Join с большим затратам

# Оптимизированный запрос
query = """
SELECT u.*, p.id, p.title, COUNT(c.id) as comments_count
FROM users u
JOIN posts p ON u.id = p.user_id
LEFT JOIN comments c ON p.id = c.post_id
WHERE u.id = 123
GROUP BY u.id, p.id, p.title;
"""

Пример 3: Анализ с Django ORM

from django.db import connection
from django.db.models import Count, Prefetch
from myapp.models import User, Post, Comment

# Запрос с потенциальной проблемой N+1
users = User.objects.all()
for user in users:
    posts = user.posts.all()  # Дополнительный запрос для каждого пользователя!

# Анализ EXPLAIN
query_str = str(User.objects.all().query)
print(query_str)

# Оптимизированный запрос
users = User.objects.prefetch_related('posts', 'posts__comments')
for user in users:
    for post in user.posts.all():
        for comment in post.comments.all():
            pass  # Уже загружено — нет дополнительных запросов

Интерпретация результатов EXPLAIN

Основные метрики:

Пример интерпретации:

Seq Scan on users  (cost=0.00..35.50 rows=1 width=100)
  Filter: (email = 'test@example.com')

-> Seq Scan — полное сканирование таблицы
-> cost=0.00..35.50 — затраты от 0 до 35.50 единиц
-> rows=1 — ожидается 1 результат
-> width=100 — размер строки 100 байт

Лучшие практики анализа планов

1. Анализируй критические запросы

import time

def analyze_slow_queries(query_func, threshold_ms=100):
    """Анализирует медленные запросы"""
    start = time.time()
    result = query_func()
    elapsed = (time.time() - start) * 1000
    
    if elapsed > threshold_ms:
        print(f"Медленный запрос ({elapsed}ms): {query_func.__name__}")
        # Запусти EXPLAIN для анализа
    
    return result

2. Используй инструменты визуализации

• pgAdmin — встроенный EXPLAIN visualizer
• DBeaver — мощный инструмент для анализа
• пояу для PostgreSQL (текстовый визуализатор)
• Django Debug Toolbar — для анализа ORM запросов

3. Регулярно проверяй индексы

# Найти неиспользуемые индексы в PostgreSQL
query = """
SELECT 
    i.relname,
    idx_scan
FROM pg_stat_user_indexes
ORDER BY idx_scan ASC;
"""

# Найти отсутствующие индексы
query = """
SELECT 
    schemaname,
    tablename,
    attname,
    n_distinct,
    correlation
FROM pg_stats
WHERE schemaname NOT IN ('pg_catalog', 'information_schema');
"""

Важные замечания

• EXPLAIN показывает план, но не выполняет запрос
• EXPLAIN ANALYZE выполняет запрос и может модифицировать данные (INSERT/UPDATE/DELETE)
• Кешируй результаты EXPLAIN при тестировании
• Различия в планах между окружениями могут быть из-за разного размера данных

Анализ планов запросов — это постоянная практика в моей работе, особенно при оптимизации высоконагруженных систем.