WedX - журнал о программировании и компьютерных науках

Проблема с производительностью самостоятельного присоединения Jpa

Я реализовал отношения самосоединения jpa в одном из моих проектов. У нас более 200 тыс. записей в этой таблице. Я также использую аннотацию удаления сирот. Теперь, когда мое приложение пытается удалить потерянные объекты, которые имеют это самосоединение, удаление записей в БД занимает слишком много времени. Наш индекс проверки dba и все остальное.

Может кто-нибудь объяснить, что может вызвать эту проблему с производительностью? Глядя на запрос, я полагаю, что он сканирует всю таблицу, чтобы проверить родительские дочерние отношения перед удалением этих записей.

performance jpa
23.05.2014

Ответы:


1

Для огромных таблиц и самостоятельного соединения обычно простые запросы на соединение, сгенерированные инструментами ORM, неэффективны. Чтобы подтвердить, вы можете зарегистрировать sql, созданный ORM, а затем запустить EXPLAIN PLAN FOR или EXPLAIN (в зависимости от того, является ли база данных oracle или mysql) и проанализировать вывод. Это даст вам четкое представление о том, что не так. Возможно, вам придется написать альтернативный SQL-запрос и настроить его, а затем использовать функцию NativeQuery JPA для эффективного получения результата запроса.

23.05.2014
  • Итак, вы рекомендуете удалять потерянные записи с помощью собственного запроса? 25.05.2014
    • Новые материалы
    Объяснение документов 02: BERT
    BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
    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..
    Для любых предложений по сайту: wedx@cp9.ru