ધીમી ક્વેરીઓને ઑપ્ટિમાઈઝ કરવું એ એક્ઝીક્યુશન પ્લાનનું વિશ્લેષણ (EXPLAIN) દ્વારા શરૂ થાય છે જેથી બોટલનેક શોધી શકાય, પછી લક્ષ્યબસ્ત ફિક્સ લાગુ કરવું — સૌથી સામાન્ય રીતે ઇન્ડેક્સ ઉમેરવું, ક્વેરી ફરીથી લખવું, અને સામાન્ય એન્ટી-પેટર્નથી બચવું. સૌથી મોટો લાભ સામાન્યતઃ સંપૂર્ણ ટેબલ સ્કેનને ઇન્ડેક્સ લુકઅપમાં ફેરવવું છે.
EXPLAIN ANALYZE
orders customer_id ;
EXPLAIN (અથવા EXPLAIN ANALYZE) બતાવે છે કે ડેટાબેસ ક્વેરીને કેવી રીતે એક્ઝીક્યુટ કરે છે — મહત્તમ રીતે, શું તે સંપૂર્ણ ટેબલ સ્કેન (ધીમું) કરી રહ્યું છે અથવા ઇન્ડેક્સ (ઝડપી) વાપરી રહ્યું છે. ઑપ્ટિમાઈઝ કરતાં પહેલાં હંમેશા પ્રોફાઇલ કરો.
-- if EXPLAIN shows a Seq Scan on a filtered/joined column → add an index
CREATE INDEX idx_orders_customer ON orders(customer_id);
-- turns a full scan into a fast index lookup
સૌથી સામાન્ય અને અસરકારક ફિક્સ: WHERE, JOIN, અને ORDER BY માં ઉપયોગમાં લેવાયેલ કૉલમ પર ઇન્ડેક્સ ઉમેરો. આ સંપૂર્ણ ટેબલ સ્કેનને ઝડપી લુકઅપમાં ફેરવે છે.
-- ❌ functions on a column prevent index use
WHERE UPPER(email) = '[email protected]' -- can't use an index on email
WHERE email = '[email protected]' -- ✅ can use the index
-- ❌ leading wildcard LIKE can't use an index
WHERE name LIKE '%smith' -- ✅ 'smith%' (prefix) can use an index
-- ❌ SELECT * fetches unneeded columns
SELECT * → SELECT only_needed_columns -- less data, may use a covering index
-- ❌ N+1 queries (querying in a loop) → use a single JOIN instead
✓ Fix N+1 queries (one query per row) → use JOINs / batch into one query
✓ Add appropriate indexes (including COMPOSITE for multi-column filters)
✓ Reduce data scanned — filter early, select only needed columns, paginate
✓ Rewrite subqueries as JOINs where more efficient
✓ Use EXISTS instead of IN for existence checks on large subqueries
✓ Keep statistics updated (ANALYZE) so the planner makes good choices
✓ Consider denormalization / materialized views for expensive repeated queries
✓ Watch for missing indexes on FOREIGN KEYS (joins scan without them)
ક્વેરી ઑપ્ટિમાઈઝેશન ડેટાબેસ પરફોર્મન્સ માટે મહત્વપૂર્ણ જ્ઞાન છે — ધીમી ક્વેરીઓ નબળા એપ્લિકેશન પરફોર્મન્સનું અગ્રણી કારણ છે, અને તેમને શોધવા અને ઠીક કરવા કેવી રીતે તે સમજવું એ ડેટાબેસ સાથે કામ કરતા કોઈપણ માટે આવશ્યક સીનિયર-લેવલ કૌશલ્ય છે.
મૂળભૂત શાખા છે EXPLAIN સાથે વિશ્લેષણ (એક્ઝીક્યુશન પ્લાનની તપાસ કરીને વાસ્તવિક બોટલનેક શોધવું — મહત્તમ રીતે શું ક્વેરી ધીમો સંપૂર્ણ ટેબલ સ્કેન કરે છે અથવા ઝડપી ઇન્ડેક્સ લુકઅપ કરે છે) અનુમાનિત કરવાને બદલે — આ માપન-આધારિત પદ્ધતિ તે છે જે ઑપ્ટિમાઈઝેશનને અસરકારક બનાવે છે.
સૌથી મોટો અને સૌથી સામાન્ય જીત છે ફિલ્ટર કરેલ, જોડાયેલ, અને સૉર્ટ કરેલ કૉલમ પર ઇન્ડેક્સ ઉમેરવું (સંપૂર્ણ ટેબલ સ્કેનને ઝડપી લુકઅપમાં ફેરવવું — ક્વેરી સમયને ઘણી તીવ્રતાથી સુધારી રહ્યું છે), ઇન્ડેક્સ જ્ઞાનને ઑપ્ટિમાઈઝેશનના કેન્દ્રમાં બનાવે છે.
સામાન્ય એન્ટી-પેટર્ન સમજવું સમાન રીતે મહત્વપૂર્ણ છે: કૉલમ પર ફંક્શન અને અગ્રણી-વાઇલ્ડકાર્ડ LIKE ઇન્ડેક્સ ઉપયોગ પ્રતિબંધિત કરે છે, SELECT * બિનજરૂરી ડેટા લાવે છે, અને ખાસ કરીને N+1 ક્વેરીઓ (લૂપમાં ક્વેરી કરવી એકલ JOIN ને બદલે — એપ્લિકેશન કોડમાં વારંવાર, ગંભીર પરફોર્મન્સ કિલર) — આને ઓળખવું અને ઠીક કરવું ધીમી ક્વેરીઓના સૌથી સામાન્ય કારણોને સમાધાન કરે છે.
અન્ય તકનીકો (કમ્પોઝિટ ઇન્ડેક્સ, સ્કેન કરેલ ડેટા ઘટાડવો, સબક્વેરીને JOIN તરીકે ફરીથી લખવું, આંકડા અપ્ડેટ રાખવો, મંહેત ક્વેરીઓ માટે મટેરિયલાઇઝ્ડ વ્યુ) ટુલકિટને પૂર્ણ કરે છે.
ક્યારાક ક્વેરી પરફોર્મન્સ એપ્લિકેશન પ્રતિક્રિયાશીલતા અને સ્કેલેબિલિટીને સીધી રીતે અસર કરે છે, અને સ્વયંસંચાલિત પદ્ધતિ (EXPLAIN સાથે વિશ્લેષણ, પછી ફિક્સ — સામાન્યતઃ ઇન્ડેક્સ ઉમેરીને અને N+1 જેવા એન્ટી-પેટર્ન નાબૂદ કરીને) તે છે જે લોડ હેઠળ ડેટાબેસ ઝડપી રાખે છે, ક્વેરી ઑપ્ટિમાઈઝેશનમાં માહિર થવું મહત્વપૂર્ણ, ઉચ્ચ-મૂલ્ય સીનિયર જ્ઞાન છે જે તે ડેવલપરોને અલગ કરે છે જેઓ કર્મક્ષમ, સ્કેલેબલ ડેટાબેસ-સમર્થિત એપ્લિકેશન બનાઈ શકે છે — વારંવાર પ્રાસંગિક, મહત્વપૂર્ણ કૌશલ્ય અને ડેટાબેસ પરફોર્મન્સ માટે સામાન્ય ઇન્ટરવ્યુ વિષય.