SQL Portal | Базы Данных
Присоединяйтесь к нашему каналу и погрузитесь в мир баз данных Связь: @devmangx РКН: https://clck.ru/3H4Wo3
نمایش بیشتر📈 تحلیل کانال تلگرام SQL Portal | Базы Данных
کانال SQL Portal | Базы Данных (@sqlportal) بازیگری فعال است. در حال حاضر جامعه شامل 14 132 مشترک است و جایگاه 9 054 را در دسته فناوری و برنامهها و رتبه 45 799 را در منطقه روسيا دارد.
📊 شاخصهای مخاطب و پویایی
از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 14 132 مشترک جذب کرده است.
بر اساس آخرین دادهها در تاریخ 15 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 125 و در ۲۴ ساعت گذشته برابر -2 بوده و همچنان دسترسی گستردهای حفظ شده است.
- وضعیت تأیید: تأیید نشده
- نرخ تعامل (ER): میانگین تعامل مخاطب 9.04% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 4.95% واکنش نسبت به کل مشترکان کسب میکند.
- دسترسی پستها: هر پست به طور میانگین 1 278 بازدید دریافت میکند. در اولین روز معمولاً 700 بازدید جمعآوری میشود.
- واکنشها و تعامل: مخاطبان بهطور فعال حمایت میکنند؛ میانگین واکنش به هر پست 3 است.
- علایق موضوعی: محتوا بر موضوعات کلیدی مانند строка, sql, индекс, postgres, колонка تمرکز دارد.
📝 توضیح و سیاست محتوایی
نویسنده این فضا را محل بیان دیدگاههای شخصی توصیف میکند:
“Присоединяйтесь к нашему каналу и погрузитесь в мир баз данных
Связь: @devmangx
РКН: https://clck.ru/3H4Wo3”
به لطف بهروزرسانیهای پرتکرار (آخرین داده در تاریخ 16 نوامبر, 2026)، کانال همواره بهروز و دارای دسترسی بالاست. تحلیلها نشان میدهد مخاطبان بهطور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامهها تبدیل کردهاند.
INSERT. С Batching все 100 записей объединяются в один запрос (или несколько, если есть ограничения).
Что важно учитывать:
Пакетная обработка требует внимательной работы с ошибками. Если одна из операций завершится неудачно, может потребоваться откат всего пакета. Для этого могут пригодиться точки сохранения (Savepoints) или блоки try-catch.
Некоторые СУБД ограничивают размер пакета, поэтому большие пакеты может потребоваться разбивать на части. Обычно хорошо работают размеры от 100 до 1000 операций.
Пакетная обработка по-разному влияет на INSERT, UPDATE и DELETE. Тестируйте каждый сценарий отдельно.
Основные преимущества Batching:
Меньше сетевых обращений: отправка нескольких операций одновременно сокращает накладные расходы на взаимодействие между приложением и базой данных.
Эффективнее транзакции: все операции выполняются в рамках одной транзакции, что снижает затраты на управление множеством отдельных транзакций.
Выше производительность: в зависимости от сценария пакетная обработка может ускорить выполнение операций в 10–100 раз по сравнению с одиночными запросами.
В следующий раз, когда будете работать с массовыми операциями, попробуйте Batching.
Это как отправить одно групповое сообщение вместо 100 отдельных. Ваша база данных скажет спасибо! P. S. Использовали пакетную обработку? Как справлялись с ошибками?
👉 @SQLPortalSELECT * может каждый. Это базовый уровень.
Почему добавление индекса сделало запросы медленнее?
Почему один и тот же запрос завтра может получить другой план выполнения?
Почему UPDATE иногда обходится дороже, чем DELETE + INSERT?
Это не ошибки. Именно такие вопросы отличают тех, кто просто использует SQL, от тех, кто действительно понимает, как работают базы данных.
Знание синтаксиса помогает получить работу. Глубокое понимание делает вас незаменимым.
👉 @SQLPortalWHERE, JOIN) и сортировке (ORDER BY).
2. Структура запроса влияет на производительность.
Сложные запросы с подзапросами и вложенной логикой заставляют базу данных выполнять больше работы.
Иногда имеет смысл разделить такой запрос на два или несколько отдельных запросов и объединить результаты на стороне сервера.
Выбирайте только необходимые столбцы — так базе данных придётся обрабатывать и передавать меньше данных.
3. Обращайте внимание на JOIN и WHERE.
JOIN объединяет строки из двух или нескольких таблиц по связанным столбцам. WHERE фильтрует записи.
Правильно составленные JOIN и WHERE позволяют сократить количество строк, которые придётся обрабатывать на следующих этапах выполнения запроса.
Используйте их с учётом существующих индексов.
4. Осторожнее с подзапросами.
Коррелированные подзапросы выполняются для каждой строки внешнего запроса, что может привести к снижению производительности.
Переписывание таких подзапросов с использованием JOIN или временных таблиц может ускорить выполнение.
5. Проектирование базы данных влияет на производительность запросов.
Нормализация данных предполагает организацию схемы таким образом, чтобы уменьшить избыточность и повысить целостность данных. Но она может приводить к появлению сложных запросов с большим количеством JOIN.
Денормализация упрощает запросы, но увеличивает избыточность данных.
👉 @SQLPortalGROUP BY, но забывают про WITH ROLLUP.
Рассмотрим пример.
Предположим, у нас есть таблица Sales со следующими столбцами:
• product — название товара;
• region — регион продаж;
• sales_amount — сумма продаж.
Нужно сформировать отчёт, который включает промежуточные итоги по каждому товару и общий итог по всем продажам.
Одного GROUP BY для этого недостаточно. Здесь пригодится WITH ROLLUP.
Модификатор WITH ROLLUP используется вместе с GROUP BY и добавляет в результат сводные строки с промежуточными и общими итогами.
Что происходит при его использовании:
Обычные строки: для каждой комбинации товара и региона отображается общая сумма продаж.
Промежуточные итоги: строки, в которых region равен NULL, показывают сумму продаж по каждому товару.
Общий итог: строка, в которой и product, и region равны NULL, показывает сумму всех продаж.
Вот в чём разница между «писать SQL» и действительно знать SQL. Многие разработчики решают задачи с данными вручную, просто потому что не знают о встроенных возможностях языка.
👉 @SQLPortalGROUP BY нельзя, поскольку нам нужны подробные данные по каждому товару в каждом магазине.
Самый простой способ решить эту задачу — использовать PARTITION BY.
Клауза PARTITION BY в SQL разделяет результирующий набор на группы (окна) на основе одного или нескольких столбцов.
Каждая такая группа обрабатывается отдельно при выполнении вычислений оконной функцией.
В отличие от GROUP BY, данные не сворачиваются в одну строку на группу. Все исходные строки остаются в результирующем наборе.
Что происходит в этом запросе:
• С помощью PARTITION BY запрос вычисляет средний запас каждого товара по всем магазинам. Данные разделяются по ProductId, чтобы среднее значение рассчитывалось отдельно для каждого товара.
• Рассчитанные средние значения временно сохраняются в общем табличном выражении (CTE).
• Затем запрос сравнивает запасы каждого магазина со средним значением для соответствующего товара.
• В итоговой таблице отображаются остатки каждого магазина, средний запас товара (рассчитанный с помощью
PARTITION BY) и статус: High, Low или Normal.
PARTITION BY похож на GROUP BY, но сохраняет детализацию данных. Продолжайте учиться!
👉 @SQLPortalJOIN, но понимаете ли вы, когда использовать INNER JOIN, а когда LEFT JOIN?
Можете разобраться с GROUP BY, но знаете ли, в каких случаях оконные функции будут лучшим решением?
Поэтому удобная шпаргалка по SQL может значительно упростить обучение. В ней собраны все основные темы:
• SELECT, WHERE и фильтрация данных
• ORDER BY, LIMIT и OFFSET
• GROUP BY, HAVING и агрегатные функции
• INNER, LEFT, RIGHT и FULL JOIN
• Подзапросы и CTE
• UNION, INTERSECT и EXCEPT
• Функции для работы со строками, датами и NULL
• CASE и условная логика
• Оконные функции и ранжирование
• Индексы и изменение данных
Главный урок: Не нужно запоминать каждую команду SQL. Важно понимать логику их работы и знать, какую конструкцию применить для решения конкретной бизнес-задачи.
Хорошее знание основ помогает разбираться даже в сложных SQL-запросах.
👉 @SQLPortalGROUP BY нельзя, поскольку нам нужны подробные данные по каждому товару в каждом магазине.
Самый простой способ решить эту задачу — использовать PARTITION BY.
Клауза PARTITION BY в SQL разделяет результирующий набор на секции (окна) на основе одного или нескольких столбцов.
Каждая секция обрабатывается отдельно при выполнении вычислений оконной функцией.
В отличие от GROUP BY, она не сворачивает данные в одну строку на группу. Поэтому все исходные строки остаются в результирующем наборе.
Что происходит в этом запросе: С помощью PARTITION BY запрос вычисляет средний запас каждого товара по всем магазинам. Данные разделяются по ProductId, поэтому среднее значение рассчитывается отдельно для каждого товара.
Полученные средние значения временно сохраняются в общем табличном выражении (CTE). Затем уровень запасов каждого магазина сравнивается со средним значением для соответствующего товара.
В итоговой выборке отображаются количество товара в каждом магазине, средний запас этого товара и его статус: High, Low или Normal.
PARTITION BY — это как GROUP BY, только с сохранением всех исходных строк. Продолжайте учиться!
👉 @SQLPortalWHERE, который всегда применяется автоматически и настраивается отдельно для каждого пользователя или роли.
Пример использования:
Финтех-компании понадобилось предоставить аналитикам доступ к данным о транзакциях, но с задержкой в 24 часа. Это нужно было для снижения рисков мошенничества и инсайдерской торговли.
Вместо реализации логики в приложении или ограничений в BI-инструменте компания настроила всё непосредственно на уровне базы данных.
Как это работает?
Включаем RLS для таблицы.
Создаём политику, которая фильтрует строки.
Включаем FORCE ROW LEVEL SECURITY, чтобы даже владелец таблицы не мог обойти эти ограничения.
Даже если кто-то подключится к БД напрямую через psql, BI-инструмент или SQL-клиент, он увидит только записи старше 24 часов. Никаких исключений.
Преимущества:
Безопасность обеспечивается непосредственно на уровне источника данных.
Политики версионируются вместе с изменениями схемы.
Не требуется дополнительный код в приложении.
Вывод: RLS нужен не только для изоляции данных разных клиентов. С его помощью можно реализовать временные ограничения доступа, разграничение прав пользователей и даже контроль над мягким удалением записей.
И всё это — средствами самой базы данных. Какие необычные правила вы реализовывали с помощью RLS?
👉 @SQLPortalorders, invoices, payments и refunds.
Какие таблицы должен использовать агент? Какие столбцы определяют выручку? Нужно ли учитывать отменённые заказы? Как правильно объединить таблицы?
SQL-запрос может быть синтаксически корректным, но результат всё равно окажется неверным. Именно эту проблему пытается решить NVIDIA AutoOntology.
Это опенсорсный Python-фреймворк, который создаёт семантический слой поверх корпоративных баз данных. Он помогает ИИ-агентам понимать бизнес-понятия, столбцы таблиц, связи между ними и определения SQL-запросов.
Как это работает?
1. Определяет смысл структуры базы данных: AutoOntology анализирует метаданные базы, изучает столбцы, выявляет бизнес-понятия и определяет связи между таблицами. В результате формируется онтология, которая связывает понятия вроде «Клиент», «Заказ» и «Выручка» с соответствующими данными в базе.
2. Предоставляет агентам готовые определения вместо догадок: Для бизнес-метрик можно задать проверенные SQL-выражения, а связи между таблицами описать явно. Агенту больше не нужно каждый раз самостоятельно разбираться, как рассчитать выручку или объединить таблицы. Он может использовать уже подготовленные определения.
3. Добавляет проверку и сертификацию: Сгенерированная онтология — это отправная точка, а не абсолютная истина. Специалисты могут проверять и утверждать термины, описания и SQL-определения.
Получив вопрос, агент извлекает нужный контекст, генерирует SQL, проверяет его и возвращает ответ вместе с запросом и результатами выполнения.
4. Передаёт контекст другим агентам: AutoOntology предоставляет возможности через API и MCP-сервер. Совместимые ИИ-агенты могут получать определения, проверять, можно ли ответить на вопрос, и выполнять запросы к данным.
В проекте используются PostgreSQL и pgvector для хранения каталога, онтологии и векторных представлений, FastAPI в качестве backend и настраиваемые языковые модели.
Зачем это разработчикам? Мы уже много внимания уделили тому, как улучшить рассуждения агентов, использование инструментов и поиск по документам. Но корпоративным ИИ-агентам также необходимо понимать смысл данных, с которыми они работают.
RAG может найти документ с определением метрики. Семантический слой позволяет предоставить агенту готовое структурированное определение этой метрики вместе со связями, необходимыми для построения SQL-запроса.
AutoOntology объединяет эти подходы, помогая делать работу ИИ-агентов с базами данных более обоснованной, последовательной и прозрачной.
Он не устраняет галлюцинации и не гарантирует правильность ответов. Его главная ценность — в том, что агенту больше не приходится каждый раз самостоятельно угадывать бизнес-логику и структуру базы данных.
https://github.com/NVIDIA/auto-ontology
👉 @SQLPortalSELECT — что нужно получить
• FROM — из какой таблицы
• WHERE — фильтрация строк
• ORDER BY — сортировка результатов
• LIMIT — ограничение количества строк
• GROUP BY — группировка и агрегация данных
• HAVING — фильтрация сгруппированных данных
• JOIN — объединение таблиц
👉 @SQLPortal