V. Approfondissement SQL▲
V-A. Préambule▲
-
Aller encore plus loin :
- tout en évitant le pire.
-
Appréhender de nouveaux objets :
- fonctions utiles,
- vues.
- Utiliser des requêtes préparées.
Notre tour du SQL va se terminer. Il nous reste encore à voir des objets spéciaux, souvent utilisés, comme les vues et les procédures stockées. Nous allons aussi nous intéresser aux requêtes préparées. Nous terminerons avec une liste de recommandations pour éviter une mauvaise utilisation du SQL.
V-A-1. Menu▲
- Fonctions de base.
- Vues.
- Requêtes préparées.
- Index.
- Ce qu’il ne faut pas faire.
V-A-2. Objectifs▲
- Utiliser des objets avancés.
- Gagner en performances.
- Éviter les pièges les plus fréquents.
V-B. Fonctions de base▲
- Transtypage.
- Manipulation de chaînes.
- Manipulation de types numériques.
- Manipulation de dates.
- Génération de jeu de données.
PostgreSQL propose un nombre important de fonctions permettant de manipuler les différents types de données disponibles. Les étudier de façon exhaustive n’est pas l’objet de ce module. Néanmoins, le manuel de PostgreSQL établit une liste complète des fonctions disponibles dans le SGBD.
V-B-1. Transtypage▲
- Conversion d’un type de données vers un autre type de données.
- CAST (expression AS type).
- expression::type.
Les opérateurs de transtypage permettent de convertir une donnée d’un type particulier vers un autre type. La conversion échoue si les types de données sont incompatibles.
Exemples
Transtypage incorrect d’une chaîne de caractères vers un entier :
2.
3.
SELECT
'
toto
'
::integer
;
ERROR
:
invalid input syntax for
integer
: "
toto
"
LINE 1
: SELECT
'
toto
'
::integer
;
V-B-2. Opérations simples sur les chaînes▲
- Concaténation : chaîne1 || chaîne2.
- Longueur de la chaîne : char_length(chaîne).
- Conversion en minuscules : lower(chaîne).
- Conversion en majuscules : upper(chaîne).
L’opérateur de concaténation permet de concaténer deux chaînes de caractères :
SELECT
'
Bonjour
'
|
|
'
,
Monde!
'
;
--
---------------
Bonjour, Monde!
Il permet aussi de concaténer une chaîne de caractères avec d’autres types de données :
SELECT
'
Texte
'
|
|
1
::integer
;
--
-------
Texte 1
La fonction char_length() permet de connaître la longueur d’une chaîne de caractères :
SELECT
char_length
(
'
Texte
'
|
|
1
::integer
)
;
--
-----------
6
Les fonctions lower et upper permettent de convertir une chaîne respectivement en minuscules et en majuscules :
SELECT
lower
(
'
Bonjour,
Monde!
'
)
;
--
---------------
bonjour, monde!
SELECT
upper
(
'
Bonjour,
Monde!
'
)
;
--
---------------
BONJOUR, MONDE!
V-B-3. Manipulations de chaînes▲
- Extrait une chaîne à partir d’une autre : substring(chaîne [from int] [for int]).
- Emplacement d’une sous-chaîne : position(sous-chaîne in chaîne).
La fonction substring permet d’extraire une chaîne de caractères à partir d’une chaîne en entrée. Il faut lui indiquer, en plus de la chaîne source, la position de départ, et la longueur de la sous-chaîne. Par exemple :
2.
3.
4.
5.
SELECT
substring
(
'
Bonjour,
Monde
'
from
5
for
4
)
;
substring
--
---------
our,
(
1
row
)
Notez que vous pouvez aussi utiliser un appel de fonction plus standard :
SELECT
substring
(
'
Bonjour,
Monde
'
, 5
, 4
)
;
substring
--
---------
our,
(
1
row
)
La fonction position indique la position d’une chaîne de caractères dans la chaîne indiquée. Par exemple :
SELECT
position
(
'
,
'
in
'
Bonjour,
Monde
'
)
;
position
--
--------
8
(
1
row
)
La combinaison des deux est intéressante :
2.
3.
4.
5.
6.
7.
8.
9.
10.
SELECT
version
(
)
;
version
--
-----------------------------------------------------------------
PostgreSQL 10
.0
on
x86_64-
pc-
linux-
gnu, compiled by
gcc (
GCC)
...
(
1
row
)
SELECT
substring
(
version
(
)
from
1
for
position
(
'
on
'
in
version
(
)
)
)
;
substring
--
---------------
PostgreSQL 10
.0
V-B-4. Manipulation de types numériques▲
- Opérations arithmétiques.
- Manipulation de types numériques.
- Génération de données.
V-B-5. Opérations arithmétiques▲
- Addition : +.
- Soustraction : -.
- Multiplication : *.
- Division : /.
- Reste (modulo) : %.
L’ensemble des opérations arithmétiques disponibles sont documentées dans le manuel.
V-B-6. Fonctions numériques courantes▲
- Arrondi : round(numeric).
- Troncature : trunc(numeric [, precision]).
- Entier le plus petit : floor(numeric).
- Entier le plus grand : ceil(numeric).
Ces fonctions sont décrites dans le manuel.
V-B-7. Génération de données▲
- Générer une suite d’entiers : generate_series
(
borne_debut, borne_fin, intervalle)
. - Générer un nombre aléatoire : random().
La fonction generate_series(n, m) est spécifique à PostgreSQL et permet de générer une suite d’entiers compris entre une borne de départ et une borne de fin, en suivant un certain intervalle :
SELECT
generate_series(
1
, 4
)
;
generate_series
--
---------------
1
2
3
4
(
4
rows
)
La déclinaison generate_series(n, m, interval) permet de spécifier un incrément pour chaque itération :
SELECT
generate_series(
1
, 10
, 4
)
;
generate_series
--
---------------
1
5
9
(
3
rows
)
Quant à la fonction random(), elle génère un nombre aléatoire, de type numeric, compris entre 0 et 1.
SELECT
random(
)
;
random
--
-----------------
0
.381810061167926
(
1
row
)
Pour générer un entier compris entre 0 et 100, il suffit de réaliser la requête suivante :
SELECT
round
(
100
*
random(
)
)
::integer
;
round
--
-----
74
(
1
row
)
Il est possible de contrôler la graine du générateur de nombres aléatoires en positionnant le paramètre de session SEED :
SET
SEED =
0
.123
;
ou à l’aide de la fonction setseed() :
SELECT
setseed(
0
.123
)
;
La graine est un flottant compris entre -1 et 1.
Ces fonctions sont décrites dans le manuel de PostgreSQL.
V-B-8. Manipulation de dates▲
- Obtenir la date et l’heure courante.
- Manipuler des dates.
- Opérations arithmétiques.
- Formatage de données.
V-B-9. Date et heure courante▲
- Retourne la date courante : current_date.
- Retourne l’heure courante : current_time.
- Retourne la date et l’heure courante : current_timestamp.
Les fonctions current_date et current_time permettent d’obtenir respectivement la date courante et l’heure courante. La première fonction retourne le résultat sous la forme d’un type date et la seconde sous la forme d’un type time with time zone.
La fonction current_timestamp et son synonyme now() permettent d’obtenir la date et l’heure courante, le résultat étant de type timestamp with time zone.
Les fonctions current_date, current_time et current_timestamp n’ont pas besoin d’être invoquées avec les parenthèses ouvrantes et fermantes typiques de l’appel d’une fonction. En revanche, l’appel de la fonction now() requiert ces parenthèses.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
SELECT
current_date
;
current_date
--
------------
2017
-
10
-
04
(
1
row
)
SELECT
current_time
;
current_time
--
------------------
16
:32
:47
.386689
+
02
(
1
row
)
SELECT
current_timestamp
;
current_timestamp
--
-----------------------------
2017
-
10
-
04
16
:32
:50
.314897
+
02
(
1
row
)
SELECT
now
(
)
;
now
--
-----------------------------
2017
-
10
-
04
16
:32
:53
.684813
+
02
(
1
row
)
Il est possible d’utiliser ces variables comme valeur par défaut d’une colonne :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
CREATE
TABLE
test (
id SERIAL
PRIMARY
KEY
,
dateheure_creation TIMESTAMP
DEFAULT
current_timestamp
,
valeur VARCHAR
)
;
INSERT
INTO
test (
valeur)
VALUES
(
'
Bonjour,
monde!
'
)
;
SELECT
*
FROM
test;
id |
dateheure_creation |
valeur
--
--+----------------------------+-----------------
1
|
2017
-
10
-
04
16
:33
:46
.961088
|
Bonjour, monde!
(
1
row
)
V-B-10. Manipulation des données▲
-
Âge :
- par rapport à la date courante : age(timestamp),
- par rapport à une date de référence : age(timestamp, timestamp).
La fonction age(timestamp) permet de déterminer l’âge de la date donnée en paramètre par rapport à la date courante. L’âge sera donné sous la forme d’un type interval.
La forme age(timestamp, timestamp) permet d’obtenir l’âge d’une date par rapport à une autre date, par exemple pour connaître l’âge de Gaston Lagaffe au 5 janvier 1997 :
SELECT
age(
date
'
1997-01-05
'
, date
'
1957-02-28
'
)
;
age
--
-----------------------
39
years 10
mons 5
days
V-B-11. Tronquer et extraire▲
- Troncature d’une date : date_trunc(text, timestamp).
- Exemple : date_trunc('month' from date_naissance).
- Extrait une composante de la date : extract(text, timestamp).
- Exemple : extract('year' from date_naissance).
La fonction date_trunc(text, timestamp) permet de tronquer la date à une précision donnée. La précision est exprimée en anglais, et autorise les valeurs suivantes :
- microseconds ;
- milliseconds ;
- second ;
- minute ;
- hour ;
- day ;
- week ;
- month ;
- quarter ;
- year ;
- decade ;
- century ;
- millennium.
La fonction date_trunc() peut agir sur une donnée de types timestamp, date ou interval. Par exemple, pour arrondir l’âge de Gaston Lagaffe de manière à ne représenter que le nombre d’années :
2.
3.
4.
5.
SELECT
date_trunc(
'
year
'
,
age(
date
'
1997-01-05
'
, date
'
1957-02-28
'
)
)
AS
age_lagaffe;
age_lagaffe
--
-----------
39
years
La fonction extract(text from timestamp) permet d’extraire uniquement une composante donnée d’une date, par exemple l’année. Elle retourne un type de données flottant double precision.
2.
3.
4.
5.
SELECT
extract
(
'
year
'
from
age(
date
'
1997-01-05
'
, date
'
1957-02-28
'
)
)
AS
age_lagaffe;
age_lagaffe
--
-----------
39
V-B-12. Arithmétique sur les dates▲
-
Opérations arithmétiques sur timestamp, time ou date :
- date/time - date/time = interval,
- date/time + time = date/time,
- date/time + interval = date/time.
-
Opérations arithmétiques sur interval :
- interval * numeric = interval,
- interval / numeric = interval,
- interval + interval = interval.
La soustraction de deux types de données représentant des dates permet d’obtenir un intervalle qui représente le délai écoulé entre ces deux dates :
2.
3.
4.
SELECT
timestamp
'
2012-01-01
10:23:10
'
-
date
'
0001-01-01
'
AS
soustraction;
soustraction
--
--------------------
734502
days 10
:23
:10
L’addition entre deux types de données est plus restreinte. En effet, l’expression de gauche est obligatoirement de type timestamp ou date et l’expression de droite doit être obligatoirement de type time. Le résultat de l’addition permet d’obtenir une donnée de type timestamp, avec ou sans information sur le fuseau horaire selon que cette information est présente ou non sur l’expression de gauche.
2.
3.
4.
5.
6.
7.
8.
9.
SELECT
timestamp
'
2001-01-01
10:34:12
'
+
time
'
23:56:13
'
AS
addition;
addition
--
-------------------
2001
-
01
-
02
10
:30
:25
SELECT
date
'
2001-01-01
'
+
time
'
23:56:13
'
AS
addition;
addition
--
-------------------
2001
-
01
-
01
23
:56
:13
L’addition d’une donnée datée avec une donnée de type interval permet d’obtenir un résultat du même type que l’expression de gauche :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
SELECT
timestamp
with
time
zone '
2001-01-01
10:34:12
'
+
interval
'
1
day
1
hour
'
AS
addition;
addition
--
----------------------
2001
-
01
-
02
11
:34
:12
+
01
SELECT
date
'
2001-01-01
'
+
interval
'
1
day
1
hour
'
AS
addition;
addition
--
-------------------
2001
-
01
-
02
01
:00
:00
SELECT
time
'
10:34:24
'
+
interval
'
1
day
1
hour
'
AS
addition;
addition
--
--------
11
:34
:24
Une donnée de type interval peut subir des opérations arithmétiques. Le résultat sera de type interval :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
SELECT
interval
'
1
day
1
hour
'
*
2
AS
multiplication;
multiplication
--
---------------
2
days 02
:00
:00
SELECT
interval
'
1
day
1
hour
'
/
2
AS
division;
division
--
--------
12
:30
:00
SELECT
interval
'
1
day
1
hour
'
+
interval
'
2
hour
'
AS
addition;
addition
--
--------------
1
day
03
:00
:00
SELECT
interval
'
1
day
1
hour
'
-
interval
'
2
hour
'
AS
soustraction;
soustraction
--
---------------
1
day
-
01
:00
:00
V-B-13. Date vers chaîne▲
- Conversion d’une date en chaîne de caractères : to_char(timestamp, text).
- Exemple : to_char(current_timestamp, 'DD/MM/YYYY HH24:MI:SS').
La fonction to_char() permet de restituer une date selon un format donné :
2.
3.
4.
5.
6.
7.
8.
9.
SELECT
current_timestamp
;
current_timestamp
--
-----------------------------
2017
-
10
-
04
16
:35
:39
.321341
+
02
SELECT
to_char
(
current_timestamp
, '
DD/MM/YYYY
HH24:MI:SS
'
)
;
to_char
--
-------------------
04
/
10
/
2017
16
:35
:43
V-B-14. Chaîne vers date▲
- Conversion d’une chaîne de caractères en date : to_date(text, text) to_date('05/12/2000', 'DD/MM/YYYY').
- Conversion d’une chaîne de caractères en timestamp : to_timestamp(text, text) to_timestamp('05/12/2000 12:00:00', 'DD/MM/YYYY HH24:MI:SS') .
- Paramètre datestyle.
Quant à la fonction to_date(), elle permet de convertir une chaîne de caractères dans une donnée de type date. La fonction to_timestamp() permet de réaliser la même chose, mais en donnée de type timestamp.
2.
3.
4.
SELECT
to_timestamp(
'
04/12/2000
12:00:00
'
, '
DD/MM/YYYY
HH24:MI:SS
'
)
;
to_timestamp
--
----------------------
2000
-
12
-
04
12
:00
:00
+
01
Ces fonctions sont détaillées dans la section concernant les fonctions de formatage de données du manuel.
Le paramètre DateStyle contrôle le format de saisie et de restitution des dates et heures. La documentation de ce paramètre permet de connaître les différentes valeurs possibles. Il reste néanmoins recommandé d’utiliser les fonctions de formatage de date qui permettent de rendre l’application indépendante de la configuration du SGBD.
La norme ISO impose le format de date “année/mois/jour”. La norme SQL est plus permissive et permet de restituer une date au format “jour/mois/année” si DateStyle est égal à 'SQL, DMY'.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
SET
datestyle =
'
ISO,
DMY
'
;
SELECT
current_timestamp
;
now
--
-----------------------------
2017
-
10
-
04
16
:36
:38
.189973
+
02
SET
datestyle =
'
SQL,
DMY
'
;
SELECT
current_timestamp
;
now
--
-------------------------------
04
/
10
/
2017
16
:37
:04
.307034
CEST
V-B-15. Génération de données▲
- Générer une suite de timestamps : generate_series(timestamp_debut, timestamp_fin, intervalle)
La fonction generate_series(date_debut, date_fin, interval) permet de générer des séries de dates :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
SELECT
generate_series(
date
'
2012-01-01
'
,date
'
2012-12-31
'
,interval
'
1
month
'
)
;
generate_series
--
----------------------
2012
-
01
-
01
00
:00
:00
+
01
2012
-
02
-
01
00
:00
:00
+
01
2012
-
03
-
01
00
:00
:00
+
01
2012
-
04
-
01
00
:00
:00
+
02
2012
-
05
-
01
00
:00
:00
+
02
2012
-
06
-
01
00
:00
:00
+
02
2012
-
07
-
01
00
:00
:00
+
02
2012
-
08
-
01
00
:00
:00
+
02
2012
-
09
-
01
00
:00
:00
+
02
2012
-
10
-
01
00
:00
:00
+
02
2012
-
11
-
01
00
:00
:00
+
01
2012
-
12
-
01
00
:00
:00
+
01
(
12
rows
)
V-C. Vues▲
-
Tables virtuelles :
- définies par une requête SELECT,
- définition stockée dans le catalogue de la base de données.
-
Objectifs :
- masquer la complexité d’une requête,
- masquer certaines données à l’utilisateur.
Les vues sont des tables virtuelles qui permettent d’obtenir le résultat d’une requête SELECT. Leur définition est stockée dans le catalogue système de la base de données.
De cette façon, il est possible de créer une vue à destination de certains utilisateurs pour combler différents besoins :
- permettre d’interroger facilement une vue qui exécute une requête complexe, lourde à écrire et utilisée fréquemment ;
- masquer certaines lignes ou certaines colonnes aux utilisateurs, pour amener un niveau de sécurité complémentaire ;
- rendre les données plus intelligibles, en nommant mieux les colonnes d’une vue et/ou en simplifiant la structure de données.
En plus de cela, les vues permettent d’obtenir facilement des valeurs dérivées d’autres colonnes. Ces valeurs dérivées pourront alors être utilisées simplement en appelant la vue plutôt qu’en réécrivant systématiquement le calcul de dérivation à chaque requête qui le nécessite.
V-C-1. Création d’une vue▲
-
Une vue porte un nom au même titre qu’une table :
- elle sera nommée avec les mêmes règles.
- Ordre de création d’une vue : CREATE VIEW vue (colonne ...) AS SELECT ....
Bien qu’une vue n’ait pas de représentation physique directe, elle est accédée au même titre qu’une table avec SELECT et dans certains cas avec INSERT, UPDATE et DELETE. La vue logique ne distingue pas les accès à une vue des accès à une table. De cette façon, une vue doit utiliser les mêmes conventions de nommage qu’une table.
Une vue est créée avec l’ordre SQL CREATE VIEW :
2.
3.
4.
CREATE
[
OR
REPLACE
]
[
TEMP
|
TEMPORARY
]
[
RECURSIVE
]
VIEW
nom
[
(
nom_colonne
[,
...
]
)
]
[
WITH
(
nom_option_vue
[=
valeur_option_vue
]
[
,
...
]
)
]
AS
requete
Le mot-clé CREATE VIEW permet de créer une vue. Si elle existe déjà, il est possible d’utiliser CREATE OR REPLACE VIEW qui aura pour effet de créer la vue si elle n’existe pas ou de remplacer la définition de la vue si elle existe déjà. Attention, les colonnes et les types de données retournés par la vue ne doivent pas changer.
La clause nom permet de nommer la vue. La clause nom_colonne, ... permet lister explicitement les colonnes retournées par une vue ; cette clause est optionnelle, mais recommandée pour mieux documenter la vue.
La clause requete correspond simplement à la requête SELECT exécutée lorsqu’on accède à la vue.
Exemples :
2.
3.
4.
5.
6.
7.
CREATE
TABLE
phone_data (
person text
, phone text
, private
boolean
)
;
CREATE
VIEW
phone_number (
person, phone)
AS
SELECT
person, CASE
WHEN
NOT
private
THEN
phone END
AS
phone
FROM
phone_data;
GRANT
SELECT
ON
phone_number TO
secretary;
V-C-2. Lecture d’une vue▲
-
Une vue est lue comme une table :
- SELECT * FROM vue; .
Une vue est lue de la même façon qu’une table. On utilisera donc l’ordre SELECT pour le faire. L’optimiseur de PostgreSQL remplacera l’appel à la vue par la définition de la vue pendant la phase de réécriture de la requête. Le plan d’exécution prendra alors compte des particularités de la vue pour optimiser les accès aux données.
Exemples :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
CREATE
TABLE
phone_data (
person text
, phone text
, private
boolean
)
;
CREATE
VIEW
phone_number (
person, phone)
AS
SELECT
person, CASE
WHEN
NOT
private
THEN
phone END
AS
phone
FROM
phone_data;
INSERT
INTO
phone_data (
person, phone, private
)
VALUES
(
'
Titi
'
, '
0123456789
'
, true
)
;
INSERT
INTO
phone_data (
person, phone, private
)
VALUES
(
'
Rominet
'
, '
0123456788
'
, false
)
;
SELECT
person, phone FROM
phone_number;
person |
phone
--
-------+------------
Titi |
Rominet |
0123456788
(
2
rows
)
V-C-3. Sécurisation d’une vue▲
-
Sécuriser une vue :
- droits avec GRANT et REVOKE.
-
Utiliser les vues comme moyen de filtrer les lignes est dangereux :
- option security_barrier.
Il est possible d’accorder (ou de révoquer) à un utilisateur les mêmes droits sur une vue que sur une table :
2.
3.
4.
5.
GRANT
{ { SELECT
|
INSERT
|
UPDATE
|
DELETE
|
TRUNCATE
|
REFERENCES
|
TRIGGER
}
[
,
...
]
|
ALL
[
PRIVILEGES
]
}
ON
{ [
TABLE
]
nom_table [
,
...
]
|
ALL
TABLES
IN
SCHEMA
nom_schéma [
,
...
]
}
TO
{ [
GROUP
]
nom_rôle |
PUBLIC
} [
,
...
]
[
WITH
GRANT
OPTION
]
Le droit SELECT autorise un utilisateur à lire une table. Les droits INSERT, UPDATE et DELETE permettent de contrôler les accès en mise à jour à une vue.
Les droits TRUNCATE et REFERENCES n’ont pas d’utilité avec une vue. Ils ne sont tout simplement pas supportés, car TRUNCATE n’agit que sur une table et une clé étrangère ne peut être liée d’une table qu’à une autre table.
Les vues sont parfois utilisées pour filtrer les lignes pouvant être lues par l’utilisateur. Cette protection peut être contournée si l’utilisateur a la possibilité de créer une fonction. À partir de PostgreSQL 9.2, l’option security_barrier permet d’éviter ce problème.
Exemples :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
postgres=
#
CREATE
TABLE
elements
(id
serial,
contenu
text,
prive
boolean);
CREATE
TABLE
postgres=
#
INSERT
INTO
elements
(contenu,
prive)
VALUES
(
'
a
'
, false
)
, (
'
b
'
, false
)
, (
'
c
super
prive
'
, true
)
,
(
'
d
'
, false
)
, (
'
e
prive
aussi
'
, true
)
;
INSERT
0
5
postgres=
#
SELECT
*
FROM
elements;
id |
contenu |
prive
--
--+---------------+-------
1
|
a |
f
2
|
b |
f
3
|
c super
prive |
t
4
|
d |
f
5
|
e prive aussi |
t
(
5
rows
)
La table elements contient cinq lignes, trois considérées comme privées. Nous allons donc créer une vue permettant de ne voir que les lignes publiques.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
postgres=
#
CREATE
OR
REPLACE
VIEW
elements_public
AS
SELECT
*
FROM
elements
WHERE
CASE
WHEN
current_user
=
'
postgres
'
THEN
TRUE
ELSE
NOT
prive END
;
CREATE
VIEW
postgres=
#
SELECT
*
FROM
elements_public;
id |
contenu |
prive
--
--+---------------+-------
1
|
a |
f
2
|
b |
f
3
|
c super
prive |
t
4
|
d |
f
5
|
e prive aussi |
t
(
5
rows
)
postgres=
#
CREATE
USER
u1;
CREATE
ROLE
postgres=
#
GRANT
SELECT
ON
elements_public
TO
u1;
GRANT
postgres=
#
\c
-
u1
You are now
connected to
database
"
postgres
"
as
user
"
u1
"
.
postgres=
>
SELECT
*
FROM
elements;
ERROR
:
permission denied for
relation elements
postgres=
>
SELECT
*
FROM
elements_public ;
id |
contenu |
prive
--
--+---------+-------
1
|
a |
f
2
|
b |
f
4
|
d |
f
(
3
rows
)
L’utilisateur u1 n’a pas le droit de lire directement la table elements, mais a le droit d’y accéder via la vue elements_public, uniquement pour les lignes dont le champ prive est à false.
Avec une simple fonction, cela peut changer :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
postgres=
>
CREATE
OR
REPLACE
FUNCTION
abracadabra(
integer
, text
, boolean
)
RETURNS
bool
AS
$$
BEGIN
RAISE
NOTICE '
%
-
%
-
%
'
, $ 1
, $ 2
, $ 3
;
RETURN
true
;
END
$$
LANGUAGE
plpgsql
COST 0
.0000000000000000000001
;
CREATE
FUNCTION
postgres=
>
SELECT
*
FROM
elements_public WHERE
abracadabra(
id, contenu, prive)
;
NOTICE
:
1
-
a -
f
NOTICE
:
2
-
b -
f
NOTICE
:
3
-
c super
prive -
t
NOTICE
:
4
-
d -
f
NOTICE
:
5
-
e prive aussi -
t
id |
contenu |
prive
--
--+---------+-------
1
|
a |
f
2
|
b |
f
4
|
d |
f
(
3
rows
)
Que s’est-il passé ? pour comprendre, il suffit de regarder l’EXPLAIN de cette requête :
2.
3.
4.
5.
6.
7.
8.
9.
postgres=
>
EXPLAIN
SELECT
*
FROM
elements_public
WHERE
abracadabra(
id, contenu, prive)
;
QUERY
PLAN
--
----------------------------------------------------------------------------
Seq Scan on
elements (
cost=
0
.00
..28
.15
rows
=
202
width=
37
)
Filter
: (
abracadabra(
id, contenu, prive)
AND
CASE
WHEN
(
"
current_user
"
(
)
=
'
u1
'
::name
)
THEN
(
NOT
prive)
ELSE
true
END
)
(
2
rows
)
La fonction abracadabra a un coût si faible que PostgreSQL l’exécute avant le filtre de la vue. Du coup, la fonction voit toutes les lignes de la table.
Seul moyen d’échapper à cette optimisation du planificateur, utiliser l’option security_barrier en 9.2 :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
postgres=
>
\c -
postgres
You are now
connected to
database
"
postgres
"
as
user
"
postgres
"
.
postgres=
#
CREATE
OR
REPLACE
VIEW
elements_public
WITH
(security_barrier)
AS
SELECT
*
FROM
elements
WHERE
CASE
WHEN
current_user
=
'
postgres
'
THEN
true
ELSE
NOT
prive END
;
CREATE
VIEW
postgres=
#
\c
-
u1
You are now
connected to
database
"
postgres
"
as
user
"
u1
"
.
postgres=
>
SELECT
*
FROM
elements_public WHERE
abracadabra(
id, contenu, prive)
;
NOTICE
:
1
-
a -
f
NOTICE
:
2
-
b -
f
NOTICE
:
4
-
d -
f
id |
contenu |
prive
--
--+---------+-------
1
|
a |
f
2
|
b |
f
4
|
d |
f
(
3
rows
)
postgres=
>
EXPLAIN
SELECT
*
FROM
elements_public WHERE
abracadabra(
id, contenu, prive)
;
QUERY
PLAN
--
-----------------------------------------------------------------------------------------
Subquery Scan on
elements_public (
cost=
0
.00
..34
.20
rows
=
202
width=
37
)
Filter
: abracadabra(
elements_public.id, elements_public.contenu,
elements_public.prive)
-
>
Seq Scan on
elements (
cost=
0
.00
..28
.15
rows
=
605
width=
37
)
Filter
: CASE
WHEN
(
"
current_user
"
(
)
=
'
u1
'
::name
)
THEN
(
NOT
prive)
ELSE
true
END
(
4
rows
)
Voir aussi cet article de blog.
V-C-4. Mise à jour des vues▲
- Trigger INSTEAD OF.
- Updatable view (PostgreSQL 9.3).
La mise à jour des vues était impossible auparavant sans programmation complémentaire.
Depuis PostgreSQL 9.3, le moteur gère lui-même la possibilité de mettre à jour des vues simples. Les critères permettant de déterminer si une vue peut être mise à jour ou non sont assez simples à résumer : la vue doit reprendre la définition de la table avec éventuellement une clause WHERE pour restreindre les résultats. Attention néanmoins, la clause WITH CHECK OPTION n’est pas encore supportée par PostgreSQL. L’absence de support de cette clause permet à l’utilisateur d’insérer des données qui ne satisfont pas les critères de filtrage de la vue. Par exemple, il est possible d’insérer un numéro de téléphone privé alors que la vue ne permet pas d’afficher les numéros privés.
Pour gérer les cas plus complexes, PostgreSQL permet de créer des triggers INSTEAD OF sur des vues. Cette fonctionnalité est disponible depuis la version 9.1. Une alternative est d’utiliser le système de règles (RULES), mais cette pratique est peu recommandée du fait de la difficulté de débogage et de la maintenance que cela entraîne.
Un trigger INSTEAD OF permet de déclencher une fonction utilisateur lorsqu’une opération de mise à jour est déclenchée sur une vue. Le code de la fonction sera exécuté en lieu et place de la mise à jour.
Exemples :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
CREATE
TABLE
phone_data (
person text
, phone text
, private
boolean
)
;
CREATE
VIEW
maj_phone_number (
person, phone, private
)
AS
SELECT
person, phone, private
FROM
phone_data
WHERE
private
=
false
;
CREATE
VIEW
phone_number (
person, phone)
AS
SELECT
person, CASE
WHEN
NOT
private
THEN
phone END
AS
phone
FROM
phone_data;
INSERT
INTO
phone_number VALUES
(
'
Titi
'
, '
0123456789
'
)
;
ERROR
:
cannot insert
into
column
"
phone
"
of
view
"
phone_number
"
DETAIL
:
View
columns
that are not
columns
of
their base relation are not
updatable.
HINT
:
To
make the view
insertable, provide an unconditional ON
INSERT
DO
INSTEAD rule or
an INSTEAD OF
INSERT
trigger
.
INSERT
INTO
maj_phone_number VALUES
(
'
Titi
'
, '
0123456789
'
, false
)
;
CREATE
OR
REPLACE
FUNCTION
phone_number_insert_row(
)
RETURNS
TRIGGER
LANGUAGE
plpgsql
AS
$function
$
BEGIN
INSERT
INTO
phone_data (
person, phone, private
)
VALUES
(
NEW
.person, NEW
.phone, false
)
;
RETURN
NEW
;
END
;
$function
$;
CREATE
TRIGGER
view_insert
INSTEAD OF
INSERT
ON
phone_number
FOR
EACH
ROW
EXECUTE
PROCEDURE
phone_number_insert_row(
)
;
INSERT
INTO
phone_number VALUES
(
'
Rominet
'
, '
0123456788
'
)
;
SELECT
*
FROM
phone_number;
person |
phone
--
-------+------------
Titi |
0123456789
Rominet |
0123456788
(
2
rows
)
V-C-5. Mauvaises utilisations▲
-
Prolifération des vues :
- créer une vue doit se justifier,
- ne pas créer une vue par table.
La création d’une vue doit être pensée préalablement et doit se justifier du point de vue de l’application ou d’une règle métier. Toute vue créée doit être documentée, au moins en plaçant un commentaire sur la vue .
Bien qu’une vue n’ait pas de représentation physique, elle occupe malgré tout de l’espace disque. En effet, le catalogue système comporte une entrée pour chaque vue créée, autant d’entrées qu’il y a de colonnes à la vue, etc. Trop de vues entraînent donc malgré tout l’augmentation de la taille du catalogue système, donc une empreinte mémoire plus importante, car ce catalogue reste en général systématiquement présent en cache.
V-D. Requêtes préparées▲
-
Exécution en deux temps :
- préparation du plan d’exécution de la requête,
- exécution de la requête en utilisant le plan préparé.
-
Objectif :
- éviter simplement les injections SQL,
- améliorer les performances.
Les requêtes préparées, aussi appelées requêtes paramétrées, permettent de séparer la phase de préparation du plan d’exécution de la phase d’exécution. Le plan d’exécution qui est alors généré est générique, car les paramètres de la requête sont inconnus à ce moment-là.
L’exécution est ensuite commandée par l’application, en passant l’ensemble des valeurs des paramètres de la requête. De plus, ces paramètres sont passés de façon à éviter les injections SQL.
L’exécution peut être ensuite commandée plusieurs fois, sans avoir à préparer le plan d’exécution. Cela permet un gain important en termes de performances, car l’étape d’analyse syntaxique et de recherche du plan d’exécution optimal n’est plus à faire.
L’utilisation de requêtes préparées peut toutefois être contre-performante si les sessions ne sont pas maintenues et les requêtes exécutées une seule fois. En effet, l’étape de préparation oblige à un premier aller-retour entre l’application et la base de données et l’exécution oblige à un second aller- retour, ajoutant ainsi une surcharge qui peut devenir significative.
V-D-1. Utilisation▲
- PREPARE, préparation du plan d’exécution d’une requête.
- EXECUTE, passage des paramètres de la requête et exécution réelle.
-
L’implémentation dépend beaucoup du langage de programmation utilisé :
- le connecteur JDBC supporte les requêtes préparées,
- le connecteur PHP/PDO également.
L’ordre PREPARE permet de préparer le plan d’exécution d’une requête. Le plan d’exécution prendra en compte le contexte courant de l’utilisateur au moment où la requête est préparée, et notamment le search_path. Tout changement ultérieur de ces variables ne sera pas pris en compte à l’exécution.
L’ordre EXECUTE permet de passer les paramètres de la requête et de l’exécuter.
La plupart des langages de programmation mettent à disposition des méthodes qui permettent d’employer les mécanismes de préparation de plans d’exécution directement. Les paramètres des requêtes seront alors transmis un à un à l’aide d’une méthode particulière.
Voici comment on prépare une requête :
PREPARE
req1 (
text
)
AS
SELECT
person, phone FROM
phone_number WHERE
person =
$1
;
Le test suivant montre le gain en performance qu’on peut attendre d’une requête préparée :
- Préparation de la table :
2.
3.
CREATE
TABLE
t1 (
c1 integer
primary
key
, c2 text
)
;
INSERT
INTO
t1 select
i, md5
(
random(
)
::text
)
FROM
generate_series(
1
, 1000000
)
AS
i;
- Préparation de deux scripts SQL, une pour les requêtes standards, l’autre pour les requêtes préparées :
2.
3.
4.
5.
$ for
i in
$(
seq 1
100000
)
; do
echo "
SELECT
*
FROM
t1
WHERE
c1=$i;
"
;
done >
requetes_std.sql
echo "
PREPARE
req
AS
SELECT
*
FROM
t1
WHERE
c1=\$1;
"
>
requetes_prep.sql
for
i in
$(
seq 1
100000
)
; do
echo "
EXECUTE
req($i);
"
; done >
>
requetes_prep.sql
- Exécution du test (deux fois pour s’assurer que les temps d’exécution sont réalistes) :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
$ time
psql -
f requetes_std.sql
postgres >
/
dev/
null
real
0m12.742s
user
0m2.633s
sys 0m0.771s
$ time
psql -
f requetes_std.sql
postgres >
/
dev/
null
real
0m12.781s
user
0m2.573s
sys 0m0.852s
$ time
psql -
f requetes_prep.sql
postgres >
/
dev/
null
real
0m10.186s
user
0m2.500s
sys 0m0.814s
$ time
psql -
f requetes_prep.sql
postgres >
/
dev/
null
real
0m10.131s
user
0m2.521s
sys 0m0.808s
Le gain est de 16 % dans cet exemple. Il peut être bien plus important. En lisant 500000 lignes (et non pas 100000), on arrive à 25 % de gain.
V-E. Indexation▲
- Comment gagner en performances.
-
Index :
- représentation valeur / pointeur,
- arbre de valeurs.
Quand on cherche à récupérer une ou plusieurs valeurs sur une très grosse table, il serait dommage de devoir lire toutes les lignes de la table. Un peu comme lorsqu’on cherche un nom dans un annuaire, avoir une table des matières indiquant à quelle page se trouvent les noms commençant par telle ou telle lettre permet de trouver plus rapidement le nom recherché.
Un index est donc tout simplement ça : un moyen rapide de trouver l’information recherchée. Il est construit généralement sous la forme d’un arbre, car c’est la forme la plus aboutie pour trouver rapidement une valeur. Lorsque la valeur est trouvée, le pointeur vers la table est disponible et permet de ne lire que le (ou les) bloc(s) concerné(s) de la table.
V-E-1. Créer un index▲
2.
3.
4.
5.
6.
CREATE
[
UNIQUE
]
INDEX
[
CONCURRENTLY
]
[
name
]
ON
table_name
(
{ column_name
|
(
expression )
}
[
ASC
|
DESC
]
[
NULLS
{
FIRST
|
LAST
}
]
[
,
...
]
)
[
TABLESPACE
tablespace_name
]
[
WHERE
predicate
]
Le plus simple moyen de créer un index est d’indiquer la ou les colonnes à indexer et le nom de la table. Voici un exemple :
CREATE
INDEX
i_c1_t1 on
t1(
c1)
;
Cependant, il existe beaucoup d’autres options. Il est possible d’indiquer l’ordre des valeurs (ascendant ou descendant), ainsi que l’emplacement des valeurs NULL.
V-E-2. Lecture avec index▲
- L’index permet une recherche plus rapide.
-
Il n’y a besoin de lire que quelques blocs :
- et non pas la table entière.
L’index contient des informations redondantes. Il contient uniquement les données disponibles dans la tête. Son intérêt n’est donc pas ce qu’il stocke, mais la façon dont il le fait. Le stockage réalisé par l’index est optimisé pour la recherche.
L’exemple suivant montre la rapidité pour trouver un élément dans une table en contenant un million, avec un index et sans index :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
CREATE
TABLE
t1 (
c1 integer
, c2 text
)
;
INSERT
INTO
t1 SELECT
i, '
Ligne
'
|
|
i FROM
generate_series(
1
, 1000000
)
AS
i;
\timing
Timing is
on
.
select
*
from
t1 where
c1=
500000
;
c1 |
c2
--
------+--------------
500000
|
Ligne 500000
(
1
row
)
Time
:
109
.569
ms
select
*
from
t1 where
c1=
500000
;
c1 |
c2
--
------+--------------
500000
|
Ligne 500000
(
1
row
)
Time
:
109
.386
ms
CREATE
INDEX
ON
t1(
c1)
;
SELECT
*
FROM
t1 WHERE
c1=
500000
;
c1 |
c2
--
------+--------------
500000
|
Ligne 500000
(
1
row
)
Time
:
0
.675
ms
Donc il faut 100 millisecondes pour trouver une ligne parmi un million sans index, et 0,7 milliseconde avec un index. Le gain est appréciable.
V-E-3. Insertion avec index▲
-
Accélère la recherche :
- mais ralentit les écritures.
- Une écriture dans la table doit mettre à jour l’index.
- Faire attention à ne pas créer des index inutiles.
Voici un exemple montrant la différence de durée d’exécution d’une insertion d’un million de lignes sur une table sans index, puis avec un index :
2.
3.
4.
5.
6.
7.
8.
9.
10.
DROP
TABLE
t1;
CREATE
TABLE
t1 (
c1 integer
, c2 text
)
;
INSERT
INTO
t1 SELECT
i, '
Ligne
'
|
|
i FROM
generate_series(
1
, 1000000
)
AS
i;
Time
:
2761
.236
ms
DROP
TABLE
t1;
CREATE
TABLE
t1 (
c1 integer
, c2 text
)
;
CREATE
INDEX
ON
t1(
c1)
;
INSERT
INTO
t1 SELECT
i, '
Ligne
'
|
|
i FROM
generate_series(
1
, 1000000
)
AS
i;
Time
:
5401
.505
ms
On passe ici du simple au double. Il est donc essentiel pour les performances de faire attention aux index créés. Oui, ils permettent de gagner en performances lors des lectures, mais les écritures sont forcément ralenties. La création d’un index doit se faire en ayant pris ceci en considération.
V-E-4. Tri avec un index▲
- Un index ne sert pas qu’à la recherche.
- Les données étant triées, il sert aussi à accélérer les tris.
Voici un exemple montrant la différence de durée d’exécution d’un tri sur un million de lignes sur une table sans index, puis avec un index :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
\o /
dev/
null
DROP
TABLE
t1;
CREATE
TABLE
t1 (
c1 integer
, c2 text
)
;
INSERT
INTO
t1 SELECT
i, '
Ligne
'
|
|
i FROM
generate_series(
1
, 1000000
)
AS
i;
\timing
SELECT
*
FROM
t1 ORDER
BY
c1;
Time
:
618
.203
ms
CREATE
INDEX
ON
t1(
c1)
;
SELECT
*
FROM
t1 ORDER
BY
c1;
Time
:
359
.369
ms
Dans cet exemple, le tri est deux fois plus rapide avec un index. Il est donc tout à fait concevable d’ajouter un index uniquement pour satisfaire un tri.
V-E-5. Index partiel▲
- N’indexer qu’une partie des données.
- Requête typique :
SELECT
*
FROM
tachesWHERE
faitIS
false
ORDER
BY
date_rendu; . - Index typique :
CREATE
INDEX
ON
taches(
date_rendu)
WHERE
faitIS
false
;. - L’index indiqué ici permet de réaliser le filtre et le tri en un seul parcours d’index. Il aidera fortement cette requête. En revanche, il y a peu de chances que cet index soit utile pour d’autres requêtes.
L’autre intérêt de cet index concerne sa volumétrie sur disque. Sur cette requête typique, il clair que, plus le temps passe, et plus il y aura de tâches réalisées. Du coup, même si la table grossit rapidement, l’index devrait rester à la même volumétrie. En tout cas, il grossira beaucoup moins que la table.
V-E-6. Index fonctionnel▲
- Indexer le résultat d’une expression.
- Fonctions immuables seulement.
- Requête typique :
SELECT
*
FROM
employesWHERE
upper
(
nom)
=
'
DUPONT
'
;. - Index typique :
CREATE
INDEX
ON
employes(
upper
(
nom)
)
;.
L’idée de ce type d’index est de satisfaire les requêtes qui font une recherche sur le résultat d’un calcul ou d’une fonction.
Dans la table suivante :
CREATE
TABLE
employe(
id serial
, nom text
, prenom text
)
;
si on exécute la requête de recherche sur le nom, comme :
SELECT
*
FROM
employes WHERE
nom ILIKE '
DUPONT
'
;
ou comme :
SELECT
*
FROM
employes WHERE
upper
(
nom)
=
'
DUPONT
'
;
PostgreSQL doit faire un parcours séquentiel, car il ne peut pas utiliser un index sur nom. Il faut utiliser la deuxième variante de la recherche et créer l’index, non pas sur la colonne nom, mais sur le résultat de la fonction upper
sur la colonne nom.
V-F. Ce qu’il ne faut pas faire▲
- Modélisation.
- Écriture de requêtes.
- Conception de l’application.
Cette partie présente différents problèmes fréquemment rencontrés et leurs solutions.
V-F-1. Absence de contraintes▲
- Concerne surtout les clés étrangères.
-
Parfois (souvent?) ignorées pour diverses raisons :
- performances,
- flexibilité du modèle de données,
- compatibilité avec d’autres SGBD,
- héritage de MySQL/MyISAM,
- commodité de développement.
-
Conséquences :
- problèmes d’intégrité des données,
- procédures de vérification de cohérence des données.
Les contraintes d’intégrités et notamment les clés étrangères sont parfois absentes des modèles de données. Les problématiques de performances et de flexibilité sont souvent mises en avant alors que les contraintes sont justement une aide pour l’optimisation de requêtes par le planificateur et empêchent des incohérences dans les données.
Bien que cela puisse sembler être une bonne idée en début de projet, l’absence de ces contraintes va poser des problèmes d’intégrité des données au fur et à mesure de l’évolution des besoins et du code. Les données seront très certainement manipulées de façon différente par la suite, par différentes applications, entraînant ainsi de réels problèmes d’intégrité des données. Mais surtout, du point de vue applicatif, il est très difficile, si ce n’est impossible, d’empêcher deux écritures concurrentes qui mèneraient à une incohérence (cas d’une Race Condition). Imaginez le scénario suivant :
- La transaction x1 s’assure que la donnée est présente dans la table t1.
- La transaction x2 supprime la donnée précédente dans la table t1.
- La transaction x1 insère une ligne dans la table t2 faisant référence à la ligne de t1 qu’elle pense encore présente.
Ce cas est très facilement gérable pour un moteur de base de données si une clé étrangère existe. Redévelopper ces mêmes contrôles dans la couche applicative sera toujours plus coûteux en termes de performances, voire impossible à faire dans certains cas sans passer par la base de données elle-même (multiples serveurs applicatifs accédant à la même base de données).
Il peut s’en suivre des calculs d’agrégats faux et des problèmes applicatifs de toutes sortes. Souvent, plutôt que de corriger le modèle de données, des procédures de vérification de la cohérence des données seront mises en place, entraînant ainsi un travail supplémentaire pour trouver et corriger les incohérences.
L’absence de clés étrangères et plus généralement de contraintes d’intégrité entraîne dans le temps une charge de travail supplémentaire. Il est bien préférable de mieux concevoir le modèle de données dès le début avec les bonnes contraintes d’intégrité.
Parfois, les clés étrangères sont supprimées simplement parce que des transactions sont en erreur, car des données sont insérées dans une table fille sans avoir alimenté la table mère. Des identifiants de clés étrangères de la table fille sont absents de la table mère, entraînant l’arrêt en erreur de la transaction. Il est possible de contourner cela en différant la vérification des contraintes d’intégrité à la fin de la transaction.
L’exemple ci-dessous montre l’utilisation de la vérification des contraintes d’intégrité en fin de transaction.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
CREATE
TABLE
mere (
id integer
, t text
)
;
CREATE
TABLE
fille (
id integer
, mere_id integer
, t text
)
;
ALTER
TABLE
mere ADD
CONSTRAINT
pk_mere PRIMARY
KEY
(
id)
;
ALTER
TABLE
fille
ADD
CONSTRAINT
fk_mere_fille
FOREIGN
KEY
(
mere_id)
REFERENCES
mere (
id)
MATCH
FULL
ON
UPDATE
NO
ACTION
ON
DELETE
CASCADE
DEFERRABLE;
La transaction insère d’abord les données dans la table fille, puis ensuite dans la table mère :
2.
3.
4.
5.
6.
7.
8.
9.
BEGIN
TRANSACTION
;
SET
CONSTRAINTS all
deferred;
INSERT
INTO
fille (
id, mere_id, t)
VALUES
(
1
, 1
, '
val1
'
)
;
INSERT
INTO
fille (
id, mere_id, t)
VALUES
(
2
, 2
, '
val2
'
)
;
INSERT
INTO
mere (
id, t)
VALUES
(
1
, '
val1
'
)
, (
2
, '
val2
'
)
;
COMMIT
;
V-F-2. Stockage EAV▲
- Entité-Attribut-Valeur.
-
Pourquoi :
- flexibilité du modèle de données,
- adapter sans délai ni surcoût le modèle de données.
-
Conséquences :
- création d’une table : identifiant, nom_attribut, valeur,
- requêtes abominables et coûteuses.
-
Solutions :
- revenir sur la conception du modèle de données,
- utiliser un type de données plus adapté (hstore, jsonb).
Le modèle relationnel a été critiqué depuis sa création pour son manque de souplesse pour ajouter de nouveaux attributs ou pour proposer plusieurs attributs sans pour autant nécessiter de redévelopper l’application.
La solution souvent retenue est d’utiliser une table à tout faire entité-attribut-valeur qui est associée à une autre table de la base de données. Techniquement, une telle table comporte trois colonnes. La première est un identifiant généré permet de référencer la table mère. Les deux autres colonnes stockent le nom de l’attribut et la valeur représentés.
Ainsi, pour reprendre l’exemple des informations de contacts pour un individu, une table personnes permet de stocker un identifiant de personne. Une table personne_attributs permet d’associer des données à un identifiant de personne. Le type de données de la colonne est souvent prévu largement pour faire tenir tout type d’informations, mais sous forme textuelle. Les données ne peuvent donc pas être validées.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
CREATE
TABLE
personnes (
id SERIAL
PRIMARY
KEY
)
;
CREATE
TABLE
personne_attributs (
id_pers INTEGER
NOT
NULL
,
nom_attr varchar
(
20
)
NOT
NULL
,
val_attr varchar
(
100
)
NOT
NULL
)
;
INSERT
INTO
personnes (
id)
VALUES
(
nextval
(
'
personnes_id_seq
'
)
)
RETURNING id;
id
--
--
1
INSERT
INTO
personne_attributs (
id_pers, nom_attr, val_attr)
VALUES
(
1
, '
nom
'
, '
Prunelle
'
)
,
(
1
, '
prenom
'
, '
Léon
'
)
;
(
...)
Un tel modèle peut sembler souple, mais pose plusieurs problèmes. Le premier concerne l’intégrité des données. Il n’est pas possible de garantir la présence d’un attribut comme on le ferait avec une contrainte NOT NULL. Si l’on souhaite stocker des données dans un autre format qu’une chaîne de caractères, pour bénéficier des contrôles de la base de données sur ce type, la seule solution est de créer autant de colonnes d’attributs qu’il y a de types de données à représenter. Ces colonnes ne permettront pas d’utiliser des contraintes CHECK pour garantir la cohérence des valeurs stockées avec ce qui est attendu, car les attributs peuvent stocker n’importe quelle donnée.
Les requêtes SQL qui permettent de récupérer les données requises dans l’application sont également particulièrement lourdes à écrire et à maintenir, à moins de récupérer les données attribut par attribut.
Des problèmes de performances vont très rapidement se poser. Cette représentation des données entraîne souvent l’effondrement des performances d’une base de données relationnelle. Les requêtes sont difficilement optimisables et nécessitent de réaliser beaucoup d’entrées-sorties disque, au contraire d’une table, jointe éventuellement à d’autres tables, où les accès par index permettent de minimiser les entrées-sorties.
Lorsque de telles solutions sont déployées pour stocker des données transactionnelles, il vaut mieux revenir à un modèle de données traditionnel qui permet de typer correctement les données, de mettre en place les contraintes d’intégrité adéquates et d’écrire des requêtes SQL efficaces.
Dans d’autres cas, il vaut mieux utiliser un type de données de PostgreSQL qui est approprié, comme hstore ou jsonb, qui permet de stocker des données sous la forme clé->valeur. Le type de données hstore existe depuis longtemps dans PostgreSQL et a pour principal défaut de ne pouvoir représenter que des chaînes de caractères. Le type jsonb est une nouveauté de PostgreSQL 9.4 et permet de représenter des documents JSON, en les stockant dans un format interne optimisé et indexable. Ces types de données peuvent être indexés pour garantir de bons temps de réponse pour les requêtes qui nécessitent des recherches sur certaines clés ou certaines valeurs.
Voici l’exemple précédent revu avec l’extension hstore :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
CREATE
EXTENSION hstore;
CREATE
TABLE
personnes (
id SERIAL
PRIMARY
KEY
, attributs hstore)
;
INSERT
INTO
personnes (
attributs)
VALUES
(
'
nom=>Prunelle,
prenom=>Léon
'
)
;
INSERT
INTO
personnes (
attributs)
VALUES
(
'
prenom=>Gaston,nom=>Lagaffe
'
)
;
INSERT
INTO
personnes (
attributs)
VALUES
(
'
nom=>DeMaesmaker
'
)
;
SELECT
*
FROM
personnes;
id |
attributs
--
--+--------------------------------------
1
|
"
nom
"
=
>
"
Prunelle
"
, "
prenom
"
=
>
"
Léon
"
2
|
"
nom
"
=
>
"
Lagaffe
"
, "
prenom
"
=
>
"
Gaston
"
3
|
"
nom
"
=
>
"
DeMaesmaker
"
(
3
rows
)
SELECT
id, attributs-
>
'
prenom
'
AS
prenom FROM
personnes;
id |
prenom
--
--+----------
1
|
Léon
2
|
Gaston
3
|
(
3
rows
)
SELECT
id, attributs-
>
'
nom
'
AS
nom FROM
personnes;
id |
nom
--
--+-------------
1
|
Prunelle
2
|
Lagaffe
3
|
DeMaesmaker
(
3
rows
)
V-F-3. Attributs multicolonnes▲
-
Pourquoi ?
- stocker plusieurs attributs pour une même ligne,
- exemple : les différents numéros de téléphone d’une personne.
-
Pratique courante :
- ajouter plusieurs colonnes portant le même nom.
-
Conséquences :
- et s’il faut rajouter encore une colonne ?
- maîtrise de l’unicité des valeurs,
- requêtes complexes à maintenir.
-
Solutions :
- créer une table de dépendance,
- utiliser un type tableau.
Dans certains cas, le modèle de données doit être étendu pour pouvoir stocker des données complémentaires. Un exemple typique est une table qui stocke les informations pour contacter une personne. Une table personnes ou contacts possède une colonne telephone qui permet de stocker le numéro de téléphone d’une personne. Or, une personne peut disposer de plusieurs numéros. Le premier réflexe est souvent de créer une seconde colonne telephone_2 pour stocker un numéro de téléphone complémentaire. S’en suit une colonne telephone_3, voire telephone_4 en fonction des besoins.
Dans de tels cas, les requêtes deviennent plus complexes à maintenir et il est difficile de garantir l’unicité des valeurs stockées pour une personne, car l’écriture des contraintes d’intégrité devient de plus en plus complexe au fur et à mesure que l’on ajoute une colonne pour stocker un numéro.
La solution la plus pérenne pour gérer ce cas de figure est de créer une table de dépendance qui est dédiée au stockage des numéros de téléphone. Ainsi, la table personnes ne portera plus de colonnes telephone, mais une table telephones portera un identifiant référençant une personne et un numéro de téléphone. Ainsi, si une personne dispose de plusieurs numéros de téléphone, la table telephones comportera autant de lignes qu’il y a de numéros pour une personne.
Les différents numéros de téléphone seront obtenus par jointure entre la table personnes et la table telephones. L’application se chargera de l’affichage.
Ci-dessous, un exemple d’implémentation du problème où une table telephones dans laquelle plusieurs numéros seront stockés sur plusieurs lignes plutôt que dans plusieurs colonnes.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
CREATE
TABLE
personnes (
per_id SERIAL
PRIMARY
KEY
,
nom VARCHAR
(
50
)
NOT
NULL
,
pnom VARCHAR
(
50
)
NOT
NULL
,
...
)
;
CREATE
TABLE
telephones (
per_id INTEGER
NOT
NULL
,
numero VARCHAR
(
20
)
,
PRIMARY
KEY
(
per_id, numero)
,
FOREIGN
KEY
(
per_id)
REFERENCES
personnes (
per_id)
)
;
L’unicité des valeurs sera garantie à l’aide d’une contrainte d’unicité posée sur l’identifiant per_id et le numéro de téléphone.
Une autre solution consiste à utiliser un tableau pour représenter cette information. D’un point de vue conceptuel, le lien entre une personne et son ou ses numéros de téléphone est plus une « composition » qu’une réelle « relation » : le numéro de téléphone ne nous intéresse pas en tant que tel, mais uniquement en tant que détail d’une personne. On n’accédera jamais à un numéro de téléphone séparément : la table telephones donnée plus haut n’a pas de clé « naturelle », un simple rattachement à la table personnes par l’id de la personne. Sans même parler de partitionnement, on gagnerait donc en performances en stockant directement les numéros de téléphone dans la table personnes, ce qui est parfaitement faisable sous PostgreSQL :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
CREATE
TABLE
personnes (
per_id SERIAL
PRIMARY
KEY
,
nom VARCHAR
(
50
)
NOT
NULL
,
pnom VARCHAR
(
50
)
NOT
NULL
,
numero VARCHAR
(
20
)
[
]
)
;
--
Ajout
d'une
personne
INSERT
INTO
personnes (
nom, pnom, numero)
VALUES
(
'
Simpson
'
, '
Omer
'
, '
{0607080910}
'
)
;
SELECT
*
FROM
personnes;
per_id |
nom |
pnom |
numero
--
------+---------+------+--------------
1
|
Simpson |
Omer |
{0607080910
}
(
1
ligne)
--
Ajout
d'un
numéro
de
téléphone
pour
une
personne
donnée
:
UPDATE
personnes
SET
numero =
numero |
|
'
{0102030420}
'
WHERE
per_id =
1
;
--
Vérification
de
l'ajout
:
SELECT
*
FROM
personnes;
per_id |
nom |
pnom |
numero
--
------+---------+------+-------------------------
1
|
Simpson |
Omer |
{0607080910
,0102030420
}
--
Séparation
des
éléments
du
tableau
:
SELECT
per_id, nom, pnom, unnest(
numero)
AS
numero
FROM
personnes;
per_id |
nom |
pnom |
numero
--
------+---------+------+------------
1
|
Simpson |
Omer |
0607080910
1
|
Simpson |
Omer |
0102030420
(
2
lignes)
V-F-4. Choix des types de données▲
-
Objectif :
- représenter des valeurs décimales.
-
Pratique courante :
- utiliser le type float ou double.
-
Problèmes :
- les types flottants ne stockent qu’une approximation de la valeur représentée,
- les erreurs d’arrondis se multiplient,
- les requêtes produisent des résultats faux.
-
Solutions :
- privilégier le type numeric(x, y) pour les calculs précis (financiers notamment).
Certaines applications scientifiques se contentent de types flottants standards, car ils permettent d’encoder des valeurs plus importantes que les types entiers standards. Néanmoins, les types flottants sont peu précis, notamment pour les applications financières où une erreur d’arrondi n’est pas envisageable.
Exemple montrant une perte de précision dans les calculs :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
test=
#
CREATE
TABLE
comptes
(compte_id
SERIAL
PRIMARY
KEY,
solde
FLOAT);
CREATE
TABLE
test=
#
INSERT
INTO
comptes
(solde)
VALUES
(100000000.1),
(10.1),
(10000.2),
(
100000000000000
.1
)
;
INSERT
0
4
test=
#
SELECT
SUM(solde)
FROM
comptes;
sum
--
---------------
100000100010010
(
1
row
)
L’utilisation du type numeric permet d’éviter la perte de précision :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
test=
#
CREATE
TABLE
comptes
(compte_id
SERIAL
PRIMARY
KEY,
solde
NUMERIC);
CREATE
TABLE
test=
#
INSERT
INTO
comptes
(solde)
VALUES
(100000000.1),
(10.1),
(10000.2),
(
100000000000000
.1
)
;
INSERT
0
4
test=
#
SELECT
SUM(solde)
FROM
comptes;
sum
--
-----------------
100000100010010
.5
(
1
row
)
V-F-5. Problèmes courants d’écriture de requêtes▲
- Utilisation de NULL.
- Ordre implicite des colonnes.
- Requêtes spaghetti.
- Moteur de recherche avec LIKE.
Le langage SQL est généralement méconnu, ce qui amène à l’écriture de requêtes peu performantes, voire peu pérennes.
V-F-6. Ordre implicite des colonnes▲
-
Objectif :
- s’économiser d’écrire la liste des colonnes dans une requête.
-
Problèmes :
- si l’ordre des colonnes change, les résultats changent,
- résultats faux,
- données corrompues.
-
Solutions :
- nommer les colonnes impliquées.
Le langage SQL permet de s’appuyer sur l’ordre physique des colonnes d’une table. Or, faire confiance à la base de données pour conserver cet ordre physique peut entraîner de graves problèmes applicatifs en cas de changements. Dans le meilleur des cas, l’application ne fonctionnera plus, ce qui permet d’éviter les corruptions de données silencieuses, où une colonne prend des valeurs destinées normalement à être stockées dans une autre colonne. Si l’application continue de fonctionner, elle va générer des résultats faux et des incohérences d’affichage.
C’est pourquoi, il est préférable de lister explicitement les colonnes dans les ordres INSERT et SELECT, afin de garder un ordre d’insertion déterministe. Par exemple, l’ordre des colonnes peut changer notamment lorsque certains ETL sont utilisés pour modifier le type d’une colonne varchar(10) en varchar(11). Par exemple, pour la colonne username, l’ETL Kettle génère les ordres suivants :
2.
3.
4.
ALTER
TABLE
utilisateurs ADD
COLUMN
username_KTL VARCHAR
(
11
)
;
UPDATE
utilisateurs SET
username_KTL=
username;
ALTER
TABLE
utilisateurs DROP
COLUMN
username;
ALTER
TABLE
utilisateurs RENAME
username_KTL TO
username
Il génère des ordres SQL inutiles et consommateurs d’entrées/sorties disques, car il doit générer des ordres SQL compris par tous les SGBD du marché. Or, tous les SGBD ne permettent pas de changer le type d’une colonne aussi simplement que dans PostgreSQL.
Exemples :
Exemple de modification du schéma pouvant entraîner des problèmes d’insertion si les colonnes ne sont pas listées explicitement :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
CREATE
TABLE
insere (
id integer
PRIMARY
KEY
, col1 varchar
(
5
)
, col2 integer
)
;
INSERT
INTO
insere VALUES
(
1
, '
XX
'
, 10
)
;
SELECT
*
FROM
insere ;
id |
col1 |
col2
--
--+------+------
1
|
XX |
10
ALTER
TABLE
insere ADD
COLUMN
col1_tmp varchar
(
6
)
;
UPDATE
insere SET
col1_tmp =
col1;
ALTER
TABLE
insere DROP
COLUMN
col1;
ALTER
TABLE
insere RENAME
COLUMN
col1_tmp TO
col1;
INSERT
INTO
insere VALUES
(
2
, '
XXX
'
, 10
)
;
ERROR
:
invalid input syntax for
integer
: "
XXX
"
LINE 1
: INSERT
INTO
insere VALUES
(
2
, '
XXX
'
, 10
)
;
^
SELECT
*
FROM
insere ;
id |
col2 |
col1
--
--+------+------
1
|
10
|
XX
V-F-7. Code spaghetti▲
Le problème est similaire à tout autre langage :
-
Code spaghetti pour le SQL :
- écriture d’une requête à partir d’une autre requête,
- ou évolution d’une requête au fil du temps avec des ajouts.
-
Vite ingérable :
- ne pas hésiter à reprendre la requête à zéro, en repensant sa sémantique,
- souvent, un changement de spécification est un changement de sens, au niveau relationnel, de la requête,
- ne pas la patcher !
Un exemple (sous Oracle) :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
61.
62.
63.
64.
65.
66.
67.
68.
69.
70.
71.
72.
73.
74.
75.
76.
77.
78.
79.
80.
81.
82.
83.
84.
85.
86.
87.
88.
89.
90.
91.
92.
93.
94.
95.
96.
97.
98.
99.
100.
101.
102.
103.
104.
105.
106.
107.
108.
109.
110.
111.
112.
113.
114.
115.
116.
117.
118.
119.
120.
121.
122.
123.
124.
125.
126.
127.
128.
129.
130.
131.
132.
133.
134.
135.
136.
137.
138.
139.
140.
141.
142.
143.
144.
145.
146.
147.
148.
149.
150.
151.
152.
153.
154.
155.
156.
157.
158.
159.
160.
161.
162.
163.
164.
165.
166.
167.
168.
169.
170.
171.
172.
173.
174.
175.
176.
177.
178.
179.
180.
181.
182.
183.
184.
185.
186.
187.
188.
189.
190.
191.
192.
193.
194.
195.
196.
197.
198.
199.
200.
201.
202.
203.
204.
205.
206.
207.
208.
209.
210.
211.
212.
213.
214.
215.
216.
217.
218.
219.
220.
221.
222.
223.
224.
225.
226.
227.
228.
229.
230.
231.
232.
233.
234.
235.
236.
237.
238.
239.
240.
241.
242.
243.
244.
245.
246.
247.
248.
249.
250.
251.
252.
253.
254.
255.
256.
257.
258.
259.
260.
261.
262.
263.
264.
265.
266.
267.
268.
269.
270.
271.
272.
273.
274.
275.
276.
277.
278.
279.
280.
281.
282.
283.
284.
285.
286.
287.
288.
289.
290.
291.
292.
293.
294.
295.
296.
297.
298.
299.
300.
301.
302.
303.
304.
305.
306.
307.
308.
309.
310.
311.
312.
313.
314.
315.
316.
317.
318.
319.
320.
321.
322.
323.
324.
325.
326.
327.
328.
329.
330.
331.
332.
333.
334.
335.
336.
337.
338.
339.
340.
341.
342.
343.
344.
345.
346.
347.
348.
349.
350.
351.
352.
353.
354.
355.
356.
357.
358.
359.
360.
361.
362.
363.
364.
365.
366.
367.
368.
369.
370.
371.
372.
373.
374.
375.
376.
377.
378.
379.
380.
381.
382.
383.
384.
385.
386.
387.
388.
389.
390.
391.
392.
393.
394.
395.
396.
397.
SELECT
Article.datem AS
Article_1_9,
Article.degre_alcool AS
Article_1_10,
Article.id AS
Article_1_19,
Article.iddf_categor AS
Article_1_20,
Article.iddp_clsvtel AS
Article_1_21,
Article.iddp_cdelist AS
Article_1_22,
Article.iddf_cd_prix AS
Article_1_23,
Article.iddp_agreage AS
Article_1_24,
Article.iddp_codelec AS
Article_1_25,
Article.idda_compo AS
Article_1_26,
Article.iddp_comptex AS
Article_1_27,
Article.iddp_cmptmat AS
Article_1_28,
Article.idda_articleparent AS
Article_1_29,
Article.iddp_danger AS
Article_1_30,
Article.iddf_fabric AS
Article_1_33,
Article.iddp_marqcom AS
Article_1_34,
Article.iddp_nomdoua AS
Article_1_35,
Article.iddp_pays AS
Article_1_37,
Article.iddp_recept AS
Article_1_40,
Article.idda_unalvte AS
Article_1_42,
Article.iddb_sitecl AS
Article_1_43,
Article.lib_caisse AS
Article_1_49,
Article.lib_com AS
Article_1_50,
Article.maj_en_attente AS
Article_1_61,
Article.qte_stk AS
Article_1_63,
Article.ref_tech AS
Article_1_64,
1
AS
Article_1_70,
CASE
WHEN
(
SELECT
COUNT
(
MA.id)
FROM
da_majart MA
join
da_majmas MM
ON
MM.id =
MA.idda_majmas
join
gt_tmtprg TMT
ON
TMT.id =
MM.idgt_tmtprg
join
gt_prog PROG
ON
PROG.id =
TMT.idgt_prog
WHERE
idda_article =
Article.id
AND
TO_DATE
(
TO_CHAR
(
PROG.date_lancement, '
DDMMYYYY
'
)
|
|
TO_CHAR
(
PROG.heure_lancement, '
HH24:MI:SS
'
)
,
'
DDMMYYYY
HH24:MI:SS
'
)
>
=
SYSDATE
)
>
=
1
THEN
1
ELSE
0
END
AS
Article_1_74,
Article.iddp_compnat AS
Article_2_0,
Article.iddp_modven AS
Article_2_1,
Article.iddp_nature AS
Article_2_2,
Article.iddp_preclin AS
Article_2_3,
Article.iddp_raybala AS
Article_2_4,
Article.iddp_sensgrt AS
Article_2_5,
Article.iddp_tcdtfl AS
Article_2_6,
Article.iddp_unite AS
Article_2_8,
Article.idda_untgrat AS
Article_2_9,
Article.idda_unpoids AS
Article_2_10,
Article.iddp_unilogi AS
Article_2_11,
ArticleComplement.datem AS
ArticleComplement_5_6,
ArticleComplement.extgar_depl AS
ArticleComplement_5_9,
ArticleComplement.extgar_mo AS
ArticleComplement_5_10,
ArticleComplement.extgar_piece AS
ArticleComplement_5_11,
ArticleComplement.id AS
ArticleComplement_5_20,
ArticleComplement.iddf_collect AS
ArticleComplement_5_22,
ArticleComplement.iddp_gpdtcul AS
ArticleComplement_5_23,
ArticleComplement.iddp_support AS
ArticleComplement_5_25,
ArticleComplement.iddp_typcarb AS
ArticleComplement_5_27,
ArticleComplement.mt_ext_gar AS
ArticleComplement_5_36,
ArticleComplement.pres_cpt AS
ArticleComplement_5_44,
GenreProduitCulturel.code
AS
GenreProduitCulturel_6_0,
Collection.libelle AS
Collection_8_1,
Gtin.date_dern_vte AS
Gtin_10_0,
Gtin.gtin AS
Gtin_10_1,
Gtin.id AS
Gtin_10_3,
Fabricant.code
AS
Fabricant_14_0,
Fabricant.nom AS
Fabricant_14_2,
ClassificationVenteLocale.niveau1 AS
ClassificationVenteL_16_2,
ClassificationVenteLocale.niveau2 AS
ClassificationVenteL_16_3,
ClassificationVenteLocale.niveau3 AS
ClassificationVenteL_16_4,
ClassificationVenteLocale.niveau4 AS
ClassificationVenteL_16_5,
MarqueCommerciale.code
AS
MarqueCommerciale_18_0,
MarqueCommerciale.libellelong AS
MarqueCommerciale_18_4,
Composition.code
AS
Composition_20_0,
CompositionTextile.code
AS
CompositionTextile_21_0,
AssoArticleInterfaceBalance.datem AS
AssoArticleInterface_23_0,
AssoArticleInterfaceBalance.lib_envoi AS
AssoArticleInterface_23_3,
AssoArticleInterfaceCaisse.datem AS
AssoArticleInterface_24_0,
AssoArticleInterfaceCaisse.lib_envoi AS
AssoArticleInterface_24_3,
NULL
AS
TypeTraitement_25_0,
NULL
AS
TypeTraitement_25_1,
RayonBalance.code
AS
RayonBalance_31_0,
RayonBalance.max_cde_article AS
RayonBalance_31_5,
RayonBalance.min_cde_article AS
RayonBalance_31_6,
TypeTare.code
AS
TypeTare_32_0,
GrilleDePrix.datem AS
GrilleDePrix_34_1,
GrilleDePrix.libelle AS
GrilleDePrix_34_3,
FicheAgreage.code
AS
FicheAgreage_38_0,
Codelec.iddp_periact AS
Codelec_40_1,
Codelec.libelle AS
Codelec_40_2,
Codelec.niveau1 AS
Codelec_40_3,
Codelec.niveau2 AS
Codelec_40_4,
Codelec.niveau3 AS
Codelec_40_5,
Codelec.niveau4 AS
Codelec_40_6,
PerimetreActivite.code
AS
PerimetreActivite_41_0,
DonneesPersonnalisablesCodelec.gestionreftech AS
DonneesPersonnalisab_42_0,
ClassificationArticleInterne.id AS
ClassificationArticl_43_0,
ClassificationArticleInterne.niveau1 AS
ClassificationArticl_43_2,
DossierCommercial.id AS
DossierCommercial_52_0,
DossierCommercial.codefourndc AS
DossierCommercial_52_1,
DossierCommercial.anneedc AS
DossierCommercial_52_3,
DossierCommercial.codeclassdc AS
DossierCommercial_52_4,
DossierCommercial.numversiondc AS
DossierCommercial_52_5,
DossierCommercial.indice AS
DossierCommercial_52_6,
DossierCommercial.code_ss_classement AS
DossierCommercial_52_7,
OrigineNegociation.code
AS
OrigineNegociation_53_0,
MotifBlocageInformation.libellelong AS
MotifBlocageInformat_54_3,
ArbreLogistique.id AS
ArbreLogistique_63_1,
ArbreLogistique.codesap AS
ArbreLogistique_63_5,
Fournisseur.code
AS
Fournisseur_66_0,
Fournisseur.nom AS
Fournisseur_66_2,
Filiere.code
AS
Filiere_67_0,
Filiere.nom AS
Filiere_67_2,
ValorisationAchat.val_ach_patc AS
Valorisation_74_3,
LienPrixVente.code
AS
LienPrixVente_76_0,
LienPrixVente.datem AS
LienPrixVente_76_1,
LienGratuite.code
AS
LienGratuite_78_0,
LienGratuite.datem AS
LienGratuite_78_1,
LienCoordonnable.code
AS
LienCoordonnable_79_0,
LienCoordonnable.datem AS
LienCoordonnable_79_1,
LienStatistique.code
AS
LienStatistique_81_0,
LienStatistique.datem AS
LienStatistique_81_1
FROM
da_article Article
join
(
SELECT
idarticle,
poids,
ROW_NUMBER(
)
over (
PARTITION
BY
RNA.id
ORDER
BY
INNERSEARCH.poids)
RN,
titre,
nom,
prenom
FROM
da_article RNA
join
(
SELECT
idarticle,
pkg_db_indexation.CALCULPOIDSMOTS(
chaine,
'
foire
vins%
'
)
AS
POIDS,
DECODE
(
index_clerecherche, '
Piste.titre
'
, chaine,
'
'
)
AS
TITRE,
DECODE
(
index_clerecherche, '
Artiste.nom_prenom
'
,
SUBSTR
(
chaine, 0
, INSTR
(
chaine, '
_
'
)
-
1
)
,
'
'
)
AS
NOM,
DECODE
(
index_clerecherche, '
Artiste.nom_prenom
'
,
SUBSTR
(
chaine, INSTR
(
chaine, '
_
'
)
+
1
)
,
'
'
)
AS
PRENOM
FROM
(
(
SELECT
index_idenreg AS
IDARTICLE,
C.cde_art AS
CHAINE,
index_clerecherche
FROM
cstd_mots M
join
cstd_index I
ON
I.mots_id =
M.mots_id
AND
index_clerecherche =
'
Article.codeArticle
'
join
da_article C
ON
id =
index_idenreg
WHERE
mots_mot =
'
foire
'
INTERSECT
SELECT
index_idenreg AS
IDARTICLE,
C.cde_art AS
CHAINE,
index_clerecherche
FROM
cstd_mots M
join
cstd_index I
ON
I.mots_id =
M.mots_id
AND
index_clerecherche =
'
Article.codeArticle
'
join
da_article C
ON
id =
index_idenreg
WHERE
mots_mot LIKE
'
vins%
'
AND
1
=
1
)
UNION
ALL
(
SELECT
index_idenreg AS
IDARTICLE,
C.cde_art_bal AS
CHAINE,
index_clerecherche
FROM
cstd_mots M
join
cstd_index I
ON
I.mots_id =
M.mots_id
AND
index_clerecherche =
'
Article.codeArticleBalance
'
join
da_article C
ON
id =
index_idenreg
WHERE
mots_mot =
'
foire
'
INTERSECT
SELECT
index_idenreg AS
IDARTICLE,
C.cde_art_bal AS
CHAINE,
index_clerecherche
FROM
cstd_mots M
join
cstd_index I
ON
I.mots_id =
M.mots_id
AND
index_clerecherche =
'
Article.codeArticleBalance
'
join
da_article C
ON
id =
index_idenreg
WHERE
mots_mot LIKE
'
vins%
'
AND
1
=
1
)
UNION
ALL
(
SELECT
index_idenreg AS
IDARTICLE,
C.lib_com AS
CHAINE,
index_clerecherche
FROM
cstd_mots M
join
cstd_index I
ON
I.mots_id =
M.mots_id
AND
index_clerecherche =
'
Article.libelleCommercial
'
join
da_article C
ON
id =
index_idenreg
WHERE
mots_mot =
'
foire
'
INTERSECT
SELECT
index_idenreg AS
IDARTICLE,
C.lib_com AS
CHAINE,
index_clerecherche
FROM
cstd_mots M
join
cstd_index I
ON
I.mots_id =
M.mots_id
AND
index_clerecherche =
'
Article.libelleCommercial
'
join
da_article C
ON
id =
index_idenreg
WHERE
mots_mot LIKE
'
vins%
'
AND
1
=
1
)
UNION
ALL
(
SELECT
idda_article AS
IDARTICLE,
C.gtin AS
CHAINE,
index_clerecherche
FROM
cstd_mots M
join
cstd_index I
ON
I.mots_id =
M.mots_id
AND
index_clerecherche =
'
Gtin.gtin
'
join
da_gtin C
ON
id =
index_idenreg
WHERE
mots_mot =
'
foire
'
INTERSECT
SELECT
idda_article AS
IDARTICLE,
C.gtin AS
CHAINE,
index_clerecherche
FROM
cstd_mots M
join
cstd_index I
ON
I.mots_id =
M.mots_id
AND
index_clerecherche =
'
Gtin.gtin
'
join
da_gtin C
ON
id =
index_idenreg
WHERE
mots_mot LIKE
'
vins%
'
AND
1
=
1
)
UNION
ALL
(
SELECT
idda_article AS
IDARTICLE,
C.ref_frn AS
CHAINE,
index_clerecherche
FROM
cstd_mots M
join
cstd_index I
ON
I.mots_id =
M.mots_id
AND
index_clerecherche =
'
ArbreLogistique.referenceFournisseur
'
join
da_arblogi C
ON
id =
index_idenreg
WHERE
mots_mot =
'
foire
'
INTERSECT
SELECT
idda_article AS
IDARTICLE,
C.ref_frn AS
CHAINE,
index_clerecherche
FROM
cstd_mots M
join
cstd_index I
ON
I.mots_id =
M.mots_id
AND
index_clerecherche =
'
ArbreLogistique.referenceFournisseur
'
join
da_arblogi C
ON
id =
index_idenreg
WHERE
mots_mot LIKE
'
vins%
'
AND
1
=
1
)
)
)
INNERSEARCH
ON
INNERSEARCH.idarticle =
RNA.id)
SEARCHMC
ON
SEARCHMC.idarticle =
Article.id
AND
1
=
1
left
join
da_artcmpl ArticleComplement
ON
Article.id =
ArticleComplement.idda_article
left
join
dp_gpdtcul GenreProduitCulturel
ON
ArticleComplement.iddp_gpdtcul =
GenreProduitCulturel.id
left
join
df_collect Collection
ON
ArticleComplement.iddf_collect =
Collection.id
left
join
da_gtin Gtin
ON
Article.id =
Gtin.idda_article
AND
Gtin.principal =
1
AND
Gtin.db_suplog =
0
left
join
df_fabric Fabricant
ON
Article.iddf_fabric =
Fabricant.id
left
join
dp_clsvtel ClassificationVenteLocale
ON
Article.iddp_clsvtel =
ClassificationVenteLocale.id
left
join
dp_marqcom MarqueCommerciale
ON
Article.iddp_marqcom =
MarqueCommerciale.id
left
join
da_compo Composition
ON
Composition.id =
Article.idda_compo
left
join
dp_comptex CompositionTextile
ON
CompositionTextile.id =
Article.iddp_comptex
left
join
da_arttrai AssoArticleInterfaceBalance
ON
AssoArticleInterfaceBalance.idda_article =
Article.id
AND
AssoArticleInterfaceBalance.iddp_tinterf =
1
left
join
da_arttrai AssoArticleInterfaceCaisse
ON
AssoArticleInterfaceCaisse.idda_article =
Article.id
AND
AssoArticleInterfaceCaisse.iddp_tinterf =
4
left
join
dp_raybala RayonBalance
ON
Article.iddp_raybala =
RayonBalance.id
left
join
dp_valdico TypeTare
ON
TypeTare.id =
RayonBalance.iddp_typtare
left
join
df_categor Categorie
ON
Categorie.id =
Article.iddf_categor
left
join
df_grille GrilleDePrix
ON
GrilleDePrix.id =
Categorie.iddf_grille
left
join
dp_agreage FicheAgreage
ON
FicheAgreage.id =
Article.iddp_agreage
join
dp_codelec Codelec
ON
Article.iddp_codelec =
Codelec.id
left
join
dp_periact PerimetreActivite
ON
PerimetreActivite.id =
Codelec.iddp_periact
left
join
dp_perscod DonneesPersonnalisablesCodelec
ON
Codelec.id =
DonneesPersonnalisablesCodelec.iddp_codelec
AND
DonneesPersonnalisablesCodelec.db_suplog =
0
AND
DonneesPersonnalisablesCodelec.iddb_sitecl =
1012124
left
join
dp_clsart ClassificationArticleInterne
ON
DonneesPersonnalisablesCodelec.iddp_clsart =
ClassificationArticleInterne.id
left
join
da_artdeno ArticleDenormalise
ON
Article.id =
ArticleDenormalise.idda_article
left
join
df_clasmnt ClassementFournisseur
ON
ArticleDenormalise.iddf_clasmnt =
ClassementFournisseur.id
left
join
tr_dosclas DossierDeClassement
ON
ClassementFournisseur.id =
DossierDeClassement.iddf_clasmnt
AND
DossierDeClassement.date_deb <
=
'
2013-09-27
'
AND
COALESCE
(
DossierDeClassement.date_fin,
TO_DATE
(
'
31129999
'
, '
DDMMYYYY
'
)
)
>
=
'
2013-09-27
'
left
join
tr_doscomm DossierCommercial
ON
DossierDeClassement.idtr_doscomm =
DossierCommercial.id
left
join
dp_valdico OrigineNegociation
ON
DossierCommercial.iddp_dossref =
OrigineNegociation.id
left
join
dp_motbloc MotifBlocageInformation
ON
MotifBlocageInformation.id =
ArticleDenormalise.idda_motinf
left
join
da_arblogi ArbreLogistique
ON
Article.id =
ArbreLogistique.idda_article
AND
ArbreLogistique.princ =
1
AND
ArbreLogistique.db_suplog =
0
left
join
df_filiere Filiere
ON
ArbreLogistique.iddf_filiere =
Filiere.id
left
join
df_fourn Fournisseur
ON
Filiere.iddf_fourn =
Fournisseur.id
left
join
od_dosal dossierALValo
ON
dossierALValo.idda_arblogi =
ArbreLogistique.id
AND
dossierALValo.idod_dossier IS
NULL
left
join
tt_val_dal valoDossier
ON
valoDossier.idod_dosal =
dossierALValo.id
AND
valoDossier.estarecalculer =
0
left
join
tt_valo ValorisationAchat
ON
ValorisationAchat.idtt_val_dal =
valoDossier.id
AND
ValorisationAchat.date_modif_retro IS
NULL
AND
ValorisationAchat.date_debut_achat <
=
'
2013-09-27
'
AND
COALESCE
(
ValorisationAchat.date_fin_achat,
TO_DATE
(
'
31129999
'
, '
DDMMYYYY
'
)
)
>
=
'
2013-09-27
'
AND
ValorisationAchat.val_ach_pab IS
NOT
NULL
left
join
da_lienart assoALPXVT
ON
assoALPXVT.idda_article =
Article.id
AND
assoALPXVT.iddp_typlien =
14893
left
join
da_lien LienPrixVente
ON
LienPrixVente.id =
assoALPXVT.idda_lien
left
join
da_lienart assoALGRAT
ON
assoALGRAT.idda_article =
Article.id
AND
assoALGRAT.iddp_typlien =
14894
left
join
da_lien LienGratuite
ON
LienGratuite.id =
assoALGRAT.idda_lien
left
join
da_lienart assoALCOOR
ON
assoALCOOR.idda_article =
Article.id
AND
assoALCOOR.iddp_typlien =
14899
left
join
da_lien LienCoordonnable
ON
LienCoordonnable.id =
assoALCOOR.idda_lien
left
join
da_lienal assoALSTAT
ON
assoALSTAT.idda_arblogi =
ArbreLogistique.id
AND
assoALSTAT.iddp_typlien =
14897
left
join
da_lien LienStatistique
ON
LienStatistique.id =
assoALSTAT.idda_lien WHERE
SEARCHMC.rn =
1
AND
(
ValorisationAchat.id IS
NULL
OR
ValorisationAchat.date_debut_achat =
(
SELECT
MAX
(
VALMAX.date_debut_achat)
FROM
tt_valo VALMAX
WHERE
VALMAX.idtt_val_dal =
ValorisationAchat.idtt_val_dal
AND
VALMAX.date_modif_retro IS
NULL
AND
VALMAX.val_ach_pab IS
NOT
NULL
AND
VALMAX.date_debut_achat <
=
'
2013-09-27
'
)
)
AND
(
Article.id IN
(
SELECT
A.id
FROM
da_article A
join
du_ucutiar AssoUcUtiAr
ON
AssoUcUtiAr.idda_article =
A.id
join
du_asucuti AssoUcUti
ON
AssoUcUti.id =
AssoUcUtiAr.iddu_asucuti
WHERE
(
AssoUcUti.iddu_uti IN
(
90000000000022
)
)
AND
a.iddb_sitecl =
1012124
)
)
AND
Article.db_suplog =
0
ORDER
BY
SEARCHMC.poids ASC
Ce code a été généré initialement par Hibernate, puis édité plusieurs fois à la main.
V-F-8. Recherche textuelle▲
-
Objectif :
- ajouter un moteur de recherche à l’application.
-
Pratique courante :
- utiliser l’opérateur LIKE.
-
Problèmes :
- requiert des index spécialisés,
- recherche uniquement le terme exact.
-
Solution :
- utiliser Full Text Search.
Les bases de données qui stockent des données textuelles ont souvent pour but de permettre des recherches sur ces données textuelles.
La première solution envisagée lorsque le besoin se fait sentir est d’utiliser l’opérateur LIKE. Il permet en effet de réaliser des recherches de motif sur une colonne stockant des données textuelles. C’est une solution simple et qui peut s’avérer simpliste dans de nombreux cas.
Tout d’abord, les recherches de type LIKE '%motif%' ne peuvent généralement pas tirer partie d’un index btree normal. Cela étant dit, depuis la version 9.2, le module pg_trgm permet d’optimiser ces recherches à l’aide d’un index GiST ou GIN.
Mais cette solution n’offre pas la même souplesse que la recherche plein texte, en anglais Full Text Search, de PostgreSQL.
Exemples :
L’exemple ci-dessous montre l’utilisation du module pg_trgm pour accélérer une recherche avec LIKE'%motif%' :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
CREATE
INDEX
idx_appellation_libelle ON
appellation
USING
btree
(
libelle varchar_pattern_ops)
;
EXPLAIN
SELECT
*
FROM
appellation WHERE
libelle LIKE
'
%wur%
'
;
QUERY
PLAN
--
----------------------------------------------------------
Seq Scan on
appellation (
cost=
0
.00
..6
.99
rows
=
3
width=
24
)
Filter
: (
libelle ~
~
'
%wur%
'
::text
)
CREATE
EXTENSION pg_trgm;
CREATE
INDEX
idx_appellation_libelle_trgm ON
appellation
USING
gist (
libelle gist_trgm_ops)
;
EXPLAIN
SELECT
*
FROM
appellation WHERE
libelle LIKE
'
%wur%
'
;
QUERY
PLAN
--
---------------------------------------------------------------------------
Bitmap Heap Scan on
appellation (
cost=
4
.27
..7
.41
rows
=
3
width=
24
)
Recheck Cond: (
libelle ~
~
'
%wur%
'
::text
)
-
>
Bitmap Index
Scan on
idx_appellation_libelle_trgm (
cost=
0
.00
..4
.27
...)
Index
Cond: (
libelle ~
~
'
%wur%
'
::text
)
V-G. Conclusion▲
-
Des objets de plus en plus complexes :
- mais performants,
- et remplissant un besoin.
-
Des conseils :
- pour améliorer les performances,
- et pour éviter les pièges.
Nous avons vu dans ce module de nouveaux objets SQL comme les procédures stockées livrées par défaut avec PostgreSQL, ainsi que les vues. Nous avons vu aussi les requêtes préparées, mécanisme censé fournir un surplus de performances si vous avez de nombreuses requêtes à exécuter qui suivent un même motif.
Nous avons fini avec des conseils, principalement pour éviter les pièges habituels, mais aussi pour améliorer les performances.
V-H. Travaux pratiques▲
V-H-1. Énoncés▲
- Ajouter une adresse mail à chaque contact avec la concaténation du nom avec le texte ‘@dalibo.com’.
- Concaténer nom et adresse mail des contacts français sous la forme ‘nom‘
- Même demande, mais avec le nom en majuscules et l’adresse mail en minuscules.
- Ajouter la colonne prix_total de type numeric(10,2) à la table commandes. Mettre à jour la colonne prix_total des commandes avec les informations des lignes de la table lignes_commandes.
- Récupérer le montant total des commandes par mois pour l’année 2010. Les montants seront arrondis à deux décimales.
- Supprimer les commandes de mai 2010.
- Réexécuter la requête trouvée au point 5.
- Qu’observez-vous ?
- Corriger le problème rencontré.
- Créer une vue calculant le prix total de chaque commande.
V-H-2. Solutions▲
- Ajouter une adresse mail à chaque contact avec la concaténation du nom avec le texte ‘@dalibo.com’.
2.
3.
4.
5.
6.
7.
BEGIN
;
UPDATE
contacts
SET
email =
nom|
|
'
@dalibo.com
'
;
COMMIT
;
Note : pour éviter de mettre à jour les contacts ayant déjà une adresse mail, il suffit d’ajouter une clause WHERE :
2.
3.
4.
UPDATE
contacts
SET
email =
nom|
|
'
@dalibo.com
'
WHERE
email IS
NULL
;
- Concaténer nom et adresse mail des contacts français sous la forme ‘nom‘
2.
3.
SELECT
nom|
|
'
<
'
|
|
email|
|
'
>
'
FROM
contacts
;
- Même demande mais avec le nom en majuscules et l’adresse mail en minuscules.
2.
3.
SELECT
upper
(
nom)
|
|
'
<
'
|
|
lower
(
email)
|
|
'
>
'
FROM
contacts
;
- Ajouter la colonne prix_total de type numeric(10,2) à la table commandes. Mettre à jour la colonne prix_total des commandes avec les informations des lignes de la table lignes_commandes.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
ALTER
TABLE
commandes ADD
COLUMN
prix_total numeric
(
10
,2
)
;
BEGIN
;
UPDATE
commandes c
SET
prix_total=
(
/*
cette
sous-requête
fait
une
jointure
entre
lignes_commandes
et
la
table
commandes
à
mettre
à
jour
pour
calculer
le
prix
par
commande
*/
SELECT
SUM
(
quantite *
prix_unitaire -
remise)
FROM
lignes_commandes lc
WHERE
lc.numero_commande=
c.numero_commande
)
--
on
peut
récupérer
le
détail
de
la
mise
à
jour
directement
dans
la
requête
:
--
RETURNING
numero_commande,
prix_total
;
COMMIT
;
Une autre variante de cette requête serait :
2.
3.
4.
5.
6.
7.
UPDATE
commandes c SET
prix_total=
prix_calc
FROM
(
SELECT
numero_commande, SUM
(
quantite *
prix_unitaire -
remise)
AS
prix_calc
FROM
lignes_commandes
GROUP
BY
numero_commande
)
as
prix_detail
WHERE
prix_detail.numero_commande =
c.numero_commande
Bien que cette dernière variante soit moins lisible, elle est bien plus rapide sur un gros volume de données.
- Récupérer le montant total des commandes par mois pour l’année 2010. Les montants seront arrondis à deux décimales.
2.
3.
4.
5.
6.
7.
8.
SELECT
extract
(
'
month
'
from
date_commande)
AS
numero_mois,
round
(
sum
(
prix_total)
,2
)
AS
montant_total
FROM
commandes
WHERE
date_commande >
=
to_date
(
'
01/01/2010
'
, '
DD/MM/YYYY
'
)
AND
date_commande <
to_date
(
'
01/01/2011
'
, '
DD/MM/YYYY
'
)
GROUP
BY
1
ORDER
BY
1
;
Attention, il n’y a pas de contrainte NOT NULL sur le champ date_commande, donc s’il existe des commandes sans date de commande, celles-ci seront agrégées à part des autres, puisque extract() renverra NULL pour ces lignes.
- Supprimer les commandes de mai 2010.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
BEGIN
;
/*
en
raison
de
la
présence
de
clés
étrangères,
il
faut
en
premier
leur
supprimer
les
lignes
de
la
table
lignes_commandes
correspondant
aux
commandes
à
supprimer
*/
DELETE
FROM
lignes_commandes
WHERE
numero_commande IN
(
SELECT
numero_commande
FROM
commandes
WHERE
date_commande >
=
to_date
(
'
01/05/2010
'
, '
DD/MM/YYYY
'
)
AND
date_commande <
to_date
(
'
01/06/2010
'
, '
DD/MM/YYYY
'
)
)
;
--
ensuite
seulement
on
peut
supprimer
les
commandes
DELETE
FROM
commandes
WHERE
date_commande >
=
to_date
(
'
01/05/2010
'
, '
DD/MM/YYYY
'
)
AND
date_commande <
to_date
(
'
01/06/2010
'
, '
DD/MM/YYYY
'
)
;
COMMIT
;
Le problème de l’approche précédente est d’effectuer l’opération en deux temps. Il est possible de réaliser la totalité des suppressions dans les deux tables lignes_commandes et commandes en une seule requête en utilisant une CTE :
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
WITH
del_lc AS
(
/*
ici
on
déclare
la
CTE
qui
va
se
charger
de
supprimer
les
lignes
dans
la
table
lignes_commandes
et
retourner
les
numéros
de
commandes
supprimés
*/
DELETE
FROM
lignes_commandes
WHERE
numero_commande IN
(
SELECT
numero_commande
FROM
commandes
WHERE
date_commande >
=
to_date
(
'
01/05/2010
'
, '
DD/MM/YYYY
'
)
AND
date_commande <
to_date
(
'
01/06/2010
'
, '
DD/MM/YYYY
'
)
)
RETURNING numero_commande
)
/*
requête
principale,
qui
supprime
les
commandes
dont
les
numéros
correspondent
aux
numéros
de
commandes
remontés
par
la
CTE
*/
DELETE
FROM
commandes c
WHERE
EXISTS
(
SELECT
1
FROM
del_lc
WHERE
del_lc.numero_commande =
c.numero_commande
)
;
- Réexécuter la requête trouvée au point 5.
2.
3.
4.
5.
6.
SELECT
extract
(
'
month
'
from
date_commande)
AS
numero_mois,
round
(
sum
(
prix_total)
,2
)
AS
montant_total
FROM
commandes
GROUP
BY
1
ORDER
BY
1
;
- Qu’observez-vous ?
La ligne correspondant au mois de mai a disparu.
- Corriger le problème rencontré.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
SELECT
numero_mois, round
(
coalesce
(
sum
(
prix_total)
, 0
.0
)
,2
)
AS
montant_total
/*
la
fonction
generate_series
permet
de
générer
une
pseudo-table
d'une
colonne
contenant
les
chiffres
de
1
à
12
*/
FROM
generate_series(
1
, 12
)
AS
numero_mois
/*
le
LEFT
JOIN
entre
cette
pseudo-table
et
la
table
commandes
permet
de
s'assurer
que,
même
si
aucune
commande
n'a
eu
lieu
sur
un
mois,
la
ligne
correspondante
sera
tout
de
même
présente
*/
LEFT
JOIN
commandes ON
extract
(
'
month
'
from
date_commande)
=
numero_mois
AND
date_commande >
=
to_date
(
'
01/01/2010
'
, '
DD/MM/YYYY
'
)
AND
date_commande <
to_date
(
'
01/01/2011
'
, '
DD/MM/YYYY
'
)
GROUP
BY
1
ORDER
BY
1
;
Notez l’utilisation de la fonction coalesce() dans le SELECT, afin d’affecter la valeur 0.0 aux lignes « ajoutées » par le LEFT JOIN qui n’ont par défaut aucune valeur (NULL).
- Créer une vue calculant le prix total de chaque commande.
2.
3.
4.
5.
6.
7.
CREATE
VIEW
commande_montant AS
SELECT
numero_commande,
sum
(
quantite *
prix_unitaire -
remise)
AS
total_commande
FROM
lignes_commandes
GROUP
BY
numero_commande
;
- Réécrire la requête du point 5 pour utiliser la vue créée au point 10.
2.
3.
4.
5.
6.
7.
8.
9.
SELECT
extract
(
'
month
'
from
date_commande)
AS
numero_mois,
round
(
sum
(
total_commande)
,2
)
AS
montant_total
FROM
commandes c
JOIN
commande_montant cm ON
cm.numero_commande =
c.numero_commande
WHERE
date_commande >
=
to_date
(
'
01/01/2010
'
, '
DD/MM/YYYY
'
)
AND
date_commande <
to_date
(
'
01/01/2011
'
, '
DD/MM/YYYY
'
)
GROUP
BY
1
ORDER
BY
1
;