Desempenho de Leitura Aprimorado: Consultas a Banco de Dados 397x Mais Rápidas com Desnormalização

Ao trabalhar com bancos de dados relacionais, frequentemente nos deparamos com a necessidade de contar registros relacionados em uma tabela. Uma forma de otimizar essas contagens é através da Denormalização de bancos de dados. Este artigo explora como a Denormalização de bancos de dados pode simplificar suas queries e aumentar significativamente a velocidade de suas operações.

Contando Registros Relacionados em Bancos de Dados

Para ilustrar, vamos considerar duas tabelas: orders (pedidos) e order_items (itens de pedido). A tabela orders contém informações sobre os pedidos, como o ID do pedido, a data do pedido e o cliente. A tabela order_items detalha os itens incluídos em cada pedido, com informações como ID do item, ID do pedido, produto e quantidade.

Em um cenário comum, podemos querer saber quantos itens cada pedido contém. Uma abordagem inicial seria utilizar uma subquery (subconsulta) com a função COUNT.

A consulta SQL para realizar essa contagem seria algo como:

SELECT
    o.order_id,
    (SELECT
        COUNT(*) FROM order_items oi
     WHERE oi.order_id = o.order_id
) AS total_items
FROM
    orders o;

Embora essa consulta funcione, ela pode se tornar ineficiente com grandes volumes de dados, pois a subquery é executada para cada linha na tabela orders.

O que é Denormalização de bancos de dados?

**Denormalização de bancos de dados** é o processo de introduzir redundância em um banco de dados previamente normalizado. O objetivo é melhorar o desempenho das operações de leitura (queries). Isso envolve adicionar dados duplicados ou combinar tabelas para reduzir o número de operações necessárias, como joins e contagens. A Denormalização de bancos de dados acelera a recuperação de informações em sistemas onde as leituras são mais frequentes que as escritas.

Em vez de contar os itens cada vez que a query é executada, podemos adicionar um campo total_items diretamente na tabela orders. Sempre que um item for adicionado ou removido, incrementamos ou decrementamos esse campo.

Implementando a Denormalização de bancos de dados

Primeiro, adicionamos a coluna total_items à tabela orders:

ALTER TABLE orders ADD COLUMN total_items INT DEFAULT 0;

Em seguida, atualizamos o campo total_items sempre que itens são adicionados ou removidos. Com isso, a query se torna mais simples e eficiente:

SELECT
    order_id,
    total_items
FROM
    orders;

Validando a Proposta com Dados de Exemplo

Para validar a proposta, podemos inserir dados de exemplo usando a seguinte função:

CREATE OR REPLACE FUNCTION generate_sample_data()
RETURNS VOID AS $$
DECLARE
    order_count INT := 200;
    items_per_order INT := 10;
    current_order_id INT;
    random_customer VARCHAR(100);
    random_product VARCHAR(100);
    random_quantity INT;
BEGIN
    FOR i IN 1..order_count LOOP
        random_customer := 'Customer ' || (floor(random() * 1000)::INT);
        INSERT INTO orders (order_date, customer, total_items)
        VALUES (current_date - (floor(random() * 365)::INT), random_customer, 10)
        RETURNING order_id INTO current_order_id;

        FOR j IN 1..items_per_order LOOP
            random_product := 'Product ' || (floor(random() * 100)::INT);
            random_quantity := (floor(random() * 10)::INT + 1);

            INSERT INTO order_items (order_id, product, quantity)
            VALUES (current_order_id, random_product, random_quantity);
        END LOOP;
    END LOOP;
END;
$$ LANGUAGE plpgsql;

SELECT generate_sample_data();

Este script cria 200 registros na tabela orders e 10 registros correspondentes na tabela order_items para cada pedido.

Para comparar o desempenho, executamos ambas as queries com EXPLAIN ANALYZE:

• Usando Subquery:

Tempo de execução: 28.983ms

• Usando Campo Desnormalizado:

Tempo de execução: 0.073ms (397x mais rápido). Note que este teste usou apenas 200 registros de pedido – os ganhos de desempenho se tornam mais significativos à medida que o volume de dados aumenta.

Se você precisa pausar seu plano pré-pago ou teme não conseguir pagar, veja suas opções.

Vantagens da Denormalização de bancos de dados

• Performance: Evita a execução repetitiva de subqueries.
• Simplicidade: Estrutura de query principal mais limpa.
• Controle: Gerenciamento direto dos valores do contador.

Considerações ao usar a Denormalização de bancos de dados

• Consistência: É crucial garantir que total_items sempre reflita contagens precisas.
• Concorrência: Requer atualizações atômicas em sistemas de alta concorrência.

Este conteúdo foi auxiliado por Inteligência Artificial, mas escrito e revisado por um humano.

Via Dev.to