¿SQL Server ignora las ESTADÍSTICAS para columnas varchar como sugiere este artículo?

Oct 04 2020

(No creo que esta pregunta sea un duplicado de esta pregunta de hace 8 años , ya que no estoy preguntando sobre las ventajas de las columnas de gran tamaño, estoy preguntando sobre el comportamiento demostrado en el artículo vinculado a continuación).

Este artículo reciente (2017) de SQLPerformance.com demuestra cómo la variación de la longitud máxima nde una varchar(n)columna afecta las estimaciones del tamaño de fila del plan de consulta y las estimaciones del tamaño del búfer de clasificación que pueden generar un rendimiento deficiente y advertencias de asignación de memoria.

En él, el autor afirma (énfasis mío):

A partir de aquí vemos que, cuanto mayor sea la definición de la columna, mayor será el tamaño estimado de la fila y los datos . En esta consulta simple, el costo de E / S (0.0512731) es el mismo en todas las consultas, independientemente de la definición, porque el escaneo de índice agrupado tiene que leer todos los datos de todos modos.

Pero hay otros escenarios en los que esta fila estimada y el tamaño total de los datos tendrán un impacto: operaciones que requieren recursos adicionales, como ordenamientos.

Cuando leí esa afirmación (en negrita), me sorprendió porque pensé que SQL Server obtendría estimaciones de tamaño de fila bastante precisas a partir de sus STATISTICSobjetos de muestra mantenidos en esas mismas tablas. Especialmente teniendo SELECT AVG(LEN(email))en cuenta que la consulta en el artículo muestra que ninguna columna tiene un valor superior a 77 caracteres.

El artículo también realiza explícitamente un ALTER INDEX ALL ON dbo.Table REBUILD- que esta publicación DB.SE dice que también se actualizará automáticamenteSTATISTICS .

(aunque me sorprende que la palabra "estadísticas" no aparezca en ninguna parte del artículo de SQLPerformance, por lo que tal vez en el caso del autor las estadísticas no se actualizaron en absoluto debido a alguna configuración de la máquina y no se dieron cuenta ?)

¿SQL Server solo usa el varcharlímite de longitud de columna para estimaciones de tamaño de fila? Si no es así, ¿por qué el artículo SQLPerformance describe lo mismo?

Respuestas

9 AMtwo Oct 04 2020 at 18:36

¿SQL Server solo usa el límite de longitud de columna varchar para estimaciones de tamaño de fila? Si no es así, ¿por qué el artículo SQLPerformance describe lo mismo?

Correcto. SQL Server usa solo la longitud varchar (máxima especificada) al estimar el tamaño de la fila. El artículo SQLPerformance describe con precisión la medición del tamaño de fila estimado.

La respuesta mas larga

En su ejemplo en el artículo vinculado, Aaron reconstruye todos los índices para garantizar que todas las versiones de la consulta tengan el mismo campo de juego en cuanto al tamaño del índice y las estadísticas, de modo que los planes de ejecución para todos los casos sean "ideales" y (como demostró el experimento ) casi igual, pero no del todo.

Las estadísticas se utilizan para estimar cuántas filas se devolverán, no cuánta memoria se concede para la ejecución de una consulta.

En el artículo, Aaron dice (énfasis mío):

SQL Server debe tener en cuenta la cantidad de datos que puede haber en una columna. No hace esto basándose en el perfil real de los datos y no puede hacer suposiciones basadas en los valores de paso del histograma <= 201 . En cambio, tiene que estimar que cada fila tiene un valor de la mitad del tamaño de la columna declarada. Entonces, para un varchar (4000), asume que cada dirección de correo electrónico tiene 2,000 caracteres de largo.

La referencia de Aaron a "los valores de paso del histograma" es una referencia al histograma de estadísticas . El histograma de estadísticas contiene el conocimiento de un máximo de 201 valores de datos de la tabla. Conoce la longitud real de esos (hasta 201) valores explícitos, pero no tiene idea de los valores entre ellos.

Además, las estadísticas se basan en una muestra de datos, por lo que puede haber filas que no se analizaron como parte de la muestra, y depender de la longitud mínima / máxima / promedio de los datos de las estadísticas sería otra oportunidad para que las muestras desactualizadas o no representativas afectar la ejecución de la consulta.