从开发人员到审阅者:初级开发人员审阅数据库查询的清单
作为开发人员,提供高质量的代码至关重要,这些代码不仅要实用,还要针对性能进行优化。在开发人员领域的三年里,我从一名实践开发人员转变为审阅者角色。我在评审过程中关注的关键领域之一是数据库查询优化。
为什么要关注数据库查询?
数据库查询可以显着影响应用程序的性能。编写得好的查询可以有效地获取数据,而编写得不好的查询可能会导致数据库命中过多,从而降低整个系统的速度。作为初级开发人员,您可能想知道如何在代码审查期间评估这些查询的性能。这是我的首选清单。
检查数据库查询的清单
-
数据库点击次数:
- 第一步是确定一段代码命中了多少数据库。对数据库的每次命中都会增加延迟,因此较少的命中通常意味着更好的性能。
- 专业提示:使用Django的connection.queries和reset_queries来跟踪执行的查询数量以及每个查询所花费的时间。例如:
-
减少点击次数:
- 一旦知道点击次数,下一步就是看看是否可以减少点击次数。减少数据库命中通常可以通过优化查询或将多个查询合并为一个来实现。
- 关键技术:
- 延迟加载与急切加载:了解何时评估查询。延迟加载将查询延迟到真正需要数据时才进行,但这可能会导致 N+1 查询问题。热切加载,使用 select_lated 或 prefetch_lated,在单个查询中获取相关对象,从而减少命中总数。
- 联接:如果您需要相关表中的数据,请考虑使用联接查询。 Django 的 select_lated (用于外键关系)和 prefetch_lated (用于多对多或反向外键关系)是你的朋友。
-
避免冗余查询:
- 检查冗余查询,即同一查询被执行多次。这通常可以通过缓存结果或重构代码来避免。
- 示例:不要在循环内查询相关对象,而是在循环之前获取所有相关对象一次。
-
内存注意事项:
- 虽然减少数据库点击很重要,但也要考虑内存使用情况。将大量数据集加载到内存中可能会导致应用程序速度减慢或崩溃。旨在仅提取您需要的记录/数据。
结论
检查数据库查询的性能是一项随着时间和经验的增长而发展的技能。作为初级开发人员,首先要关注基础知识 - 计算数据库命中率并找到减少命中率的方法。在此过程中,connection.queries、reset_queries 和 Django 的 ORM 功能等工具非常有用。随着时间的推移,您将形成一种仅通过查看代码即可发现性能问题的直觉。在此之前,请依靠此处讨论的工具和技术来指导您。
其他提示:
- 了解执行计划: 通过了解 ORM 查询生成的 SQL 执行计划来更深入地了解。 SQL 中的 EXPLAIN 等工具可以帮助您了解数据库引擎如何执行查询,从而深入了解潜在的优化。
给新手开发者的提示:
要开始审查其他人的代码,您不需要了解系统的每个流程。首先检查代码质量和优化等小事情。从第一遍开始,专注于基础知识,最终,您将成为一名出色的审稿人。
另外,在审阅时,请尽量保持礼貌并在评论中提供帮助,而不是傲慢。请记住,目标是改进代码并帮助您的团队,而不仅仅是指出错误。
以上是从开发人员到审阅者:初级开发人员审阅数据库查询的清单的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

本教程演示如何使用Python处理Zipf定律这一统计概念,并展示Python在处理该定律时读取和排序大型文本文件的效率。 您可能想知道Zipf分布这个术语是什么意思。要理解这个术语,我们首先需要定义Zipf定律。别担心,我会尽量简化说明。 Zipf定律 Zipf定律简单来说就是:在一个大型自然语言语料库中,最频繁出现的词的出现频率大约是第二频繁词的两倍,是第三频繁词的三倍,是第四频繁词的四倍,以此类推。 让我们来看一个例子。如果您查看美国英语的Brown语料库,您会注意到最频繁出现的词是“th

本文解释了如何使用美丽的汤库来解析html。 它详细介绍了常见方法,例如find(),find_all(),select()和get_text(),以用于数据提取,处理不同的HTML结构和错误以及替代方案(SEL)

处理嘈杂的图像是一个常见的问题,尤其是手机或低分辨率摄像头照片。 本教程使用OpenCV探索Python中的图像过滤技术来解决此问题。 图像过滤:功能强大的工具 图像过滤器

Python是数据科学和处理的最爱,为高性能计算提供了丰富的生态系统。但是,Python中的并行编程提出了独特的挑战。本教程探讨了这些挑战,重点是全球解释

本文比较了Tensorflow和Pytorch的深度学习。 它详细介绍了所涉及的步骤:数据准备,模型构建,培训,评估和部署。 框架之间的关键差异,特别是关于计算刻度的

本教程演示了在Python 3中创建自定义管道数据结构,利用类和操作员超载以增强功能。 管道的灵活性在于它能够将一系列函数应用于数据集的能力,GE

Python 对象的序列化和反序列化是任何非平凡程序的关键方面。如果您将某些内容保存到 Python 文件中,如果您读取配置文件,或者如果您响应 HTTP 请求,您都会进行对象序列化和反序列化。 从某种意义上说,序列化和反序列化是世界上最无聊的事情。谁会在乎所有这些格式和协议?您想持久化或流式传输一些 Python 对象,并在以后完整地取回它们。 这是一种在概念层面上看待世界的好方法。但是,在实际层面上,您选择的序列化方案、格式或协议可能会决定程序运行的速度、安全性、维护状态的自由度以及与其他系

Python的statistics模块提供强大的数据统计分析功能,帮助我们快速理解数据整体特征,例如生物统计学和商业分析等领域。无需逐个查看数据点,只需查看均值或方差等统计量,即可发现原始数据中可能被忽略的趋势和特征,并更轻松、有效地比较大型数据集。 本教程将介绍如何计算平均值和衡量数据集的离散程度。除非另有说明,本模块中的所有函数都支持使用mean()函数计算平均值,而非简单的求和平均。 也可使用浮点数。 import random import statistics from fracti
