Oracle Spatial分区应用研究之二:按县分区与按省分区对比测试报告
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Oracle Spatial分区应用研究之二:按县分区与按省分区对比测试报告,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含2827字,纯文字阅读大概需要5分钟。
内容图文
-
2、实验数据
实验数据为全国2531个区县,要素总数为46982394。根据不同的数据组织+索引形式,形成了3个不同的实验主体:
- 按县分区+本地空间索引
- 按县分区+全局空间索引
- 按省分区+本地空间索引
-
3、实验方法
在1:500、1:2000、1:10000、1:25000、1:50000、1:100000比例尺下,随机从全国范围内选择3个样本范围,作为空间查询时的查询范围。将6*3个样本范围分别与3个实验主体进行空间查询运算,记录每次查询的耗时。
空间查询所用的算法仍然同于上一篇博客《Oracle Spatial分区应用研究之一:分表与分区性能对比》中介绍的、适用于分区的3种算法,即part_query、part_query2、part_query3。同时,本次实验中,还将通过并行框架对3种算法进行衍生,得到另外3种算法,标记为part_query_p、part_query2_p、part_query3_p。
因此,对每一个实验主体来说,在每一种比例尺样本下均需要用6种算法来进行查询运算。另外,因为算法执行有先后顺序,后执行的算法由于缓存的原因,会比先执行的算法有优势。为了尽量避免这种干扰,会将算法以不同的执行顺序进行两组实验。
-
4、实验结果
-
4.1 第一组实验结果
-
第一组实验,其算法执行顺序为:
Part_query→Part_query2→Part_query3→Part_query_p→Part_query2_p→Part_query3_p
执行结果如下图:
说明:表中蓝色区域为按县分区+本地空间索引在不同比例尺、不同算法下的查询效率;同理,红色区域代表按县分区+全局空间索引,绿色区域代表按省分区+本地空间索引。黄色斑块表示该行的最小值。
根据黄色斑块坐落的位置,可知:
- 在所有比例尺下,按省分区+本地空间索引效率最高,所有耗时最小的查询均发生在该区域。
- Part_query_p算法的查询效率最高,18个实验样本,耗时最小命中17次。
-
4.2 第二组实验结果
第二组实验,其算法执行顺序为:
Part_query_p→Part_query2_p→Part_query3_p→Part_query→Part_query2→Part_query3
执行结果如下图:
根据黄色斑块坐落的位置,可知:
- 在所有比例尺下,按省分区+本地空间索引效率最高,所有耗时最小的查询均发生在该区域。
- Part_query算法的查询效率最高,18个实验样本,耗时最小命中18次。
-
4.3 补充说明
两种实验,分别得出Part_query_p与Part_query算法效率最高的结论。这看似矛盾,实际上正是上文提到的,当算法执行有先后顺序时,会受到缓存的原因。那么对于Part_query_p与Part_query,谁的效率更高呢?
在两组实验中,Part_query_p与Part_query分别是最先执行的算法。分别从两组实验结果中取出Part_query_p与Part_query的实验数据,就可几乎完全排除缓存的影响。
两种算法,各命中9次。说明效率相当。但很明显的是,part_query在大比例尺下(大于1:25000)命中率较高;part_query_p在小比例尺下命中率较高。这与我们的认知一致,即在大任务作业时,并行才会体现优势。
-
5、实验结论
- Oracle 12c环境下,在要素量为四千万级别时,按省分区+本地空间索引效率较高。
- 采用按省分区+本地空间数据组织方式时,Part_query算法较为高效。
(未完待续)
Oracle Spatial分区应用研究之二:按县分区与按省分区对比测试报告
标签:round 位置 oracle 排除 优势 12c 测试 分区 通过
本文系统来源:https://www.cnblogs.com/6yuhang/p/8266778.html
内容总结
以上是互联网集市为您收集整理的Oracle Spatial分区应用研究之二:按县分区与按省分区对比测试报告全部内容,希望文章能够帮你解决Oracle Spatial分区应用研究之二:按县分区与按省分区对比测试报告所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。