WedX - журнал о программировании и компьютерных науках

Разбиение на страницы в спящем режиме: ScrollableResult против setMaxResult() + setFirstResult()

Я уже давно использую фреймворки ORM, но я новичок в Hibernate.

Предположим, у вас есть запрос (запрос или критерий, не имеет значения), который извлекает отличный набор результатов, и вы хотите разбить его на страницы. Вы бы предпочли использовать комбинацию методов setMaxResult() и setFirstResult() или ScrollableResult?

Каков наилучший подход в отношении производительности (время выполнения и потребление памяти)?

25.04.2012

Ответы:


1

Если вы реализуете веб-приложение, которое обслуживает отдельные страницы результатов в отдельных циклах запроса-ответа, вы не сможете использовать ScrollableResult с какой-либо выгодой. Используйте setFirst/Max/Result. Однако это может стать настоящим убийцей производительности, в зависимости от точного запроса и общего размера результата. Особенно, если бедный db должен каждый раз сортировать весь набор результатов, чтобы он мог вычислить, какие записи являются 100-110-ми.

25.04.2012

2

На днях у нас были те же вопросы, и мы остановились на setMaxResult(..) и setFirstResult(..). Проблем две:

  • ScrollableResult может выполнять один запрос для каждого вызова next(), если ваш драйвер jdbc или база данных не обрабатывают его должным образом. У нас так было (MySQL)
  • это специфично для спящего режима, а не стандарт JPA.
25.04.2012
  • ScrollableResult ничего подобного не делает (то есть в любой приличной базе данных), на самом деле он довольно эффективен. Он напрямую сопоставляется с поддержкой прокрутки JDBC, а это сопоставляется с собственными курсорами db. Может быть, ваш опыт связан с работой с БД, которая не поддерживает курсоры? Тогда это определенно была бы настоящая катастрофа. 25.04.2012
  • хм, возможно, драйвер mysql jdbc не справляется с этим должным образом 25.04.2012
  • Новые материалы

    Как проанализировать работу вашего классификатора?
    Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

    Работа с цепями Маркова, часть 4 (Машинное обучение)
    Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

    Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
    Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

    Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
    Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

    Учебные заметки: создание моего первого пакета Node.js
    Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

    Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
    Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..

    ИИ в аэрокосмической отрасли
    Каждый полет – это шаг вперед к великой мечте. Чтобы это происходило в их собственном темпе, необходима команда астронавтов для погони за космосом и команда технического обслуживания..


    Для любых предложений по сайту: [email protected]