Olá, pessoal!
Vamos continuar com a manutenção do nosso sistema, o Freelando, que utiliza uma base de dados legado. Estamos focados em melhorias e ajustes, especialmente na performance das consultas.
No vídeo anterior, abordamos como otimizar consultas trazendo apenas os dados essenciais utilizando a função .Select() do Linq para criar objetos anônimos, o que facilita o retorno de dados apenas necessários para o front-end e para o Swagger.
Trabalhando com dados relacionados
Agora, vamos nos concentrar em um aspecto importante das consultas: o trabalho com dados relacionados. Por exemplo, queremos obter informações das tabelas de cliente, projeto e especialidade. Para isso, montaremos uma consulta SELECT que pode incluir INNER JOIN, LEFT JOIN, OUTER JOIN, ou até mesmo subselect. Em suma, uma consulta mais complexa.
Criando um novo endpoint
Vamos analisar esse cenário utilizando a tabela de clientes. Criaremos um novo endpoint chamado cliente/projeto-especialidade, com o objetivo de trazer informações de clientes, seus projetos e especialidades.
app.MapGet("/clientes/projeto-especialidade", async ([FromServices] ClienteConverter converter, [FromServices] FreelandoContext contexto) =>
{
var clientes = contexto.Clientes.Include(x => x.Projetos).ThenInclude(p => p.Especialidades).ToList();
return Results.Ok(await Task.FromResult(clientes));
}).WithTags("Cliente").WithOpenApi();
Se o seu projeto estiver com o AsNoTracking habilitado, você conseguirá trazer os dados relacionados na consulta. Aqui, utilizaremos as funções Include() e ThenInclude() para realizar essas junções, que serão convertidas em inner joins ou left joins, dependendo da necessidade, para buscar os dados nas tabelas.
Teste e validação
Depois de configurar essa consulta, vamos salvar e executá-la para verificar os resultados.
Ao abrir o Swagger e executar o novo endpoint cliente/projeto-especialidade, podemos observar que a consulta funciona conforme esperado. Os dados dos projetos e especialidades relacionados aos clientes estão sendo retornados corretamente.
Ao analisar o resultado no console, observamos que ele gerou um único SELECT, um comando bastante complexo, onde realiza um LEFT JOIN dentro de um subselect que abrange projetos, clientes e especialidades, seguido por outro LEFT JOIN e finalizado com um INNER JOIN. É uma consulta complexa!
Retorno omitido.
Otimização da consulta: uso de .AsSplitQuery()
Agora, é importante destacar que, ao trabalharmos com essas tabelas, que podem conter um grande volume de registros, esse tipo de Select pode impactar a performance da consulta, dependendo do tamanho da base de dados. Mas há uma forma de melhorar essa performance.
Em cliente/projeto-especialidade, especificamente na linha var clientes, podemos instruir o sistema a pegar essa consulta e dividi-la em duas ou três subconsultas menores. Essas subconsultas podem ser mais eficientes na execução dos comandos no banco de dados. Para isso, antes de .ToList(), usaremos .AsSplitQuery(), uma extensão do Linq.
app.MapGet("/clientes/projeto-especialidade", async ([FromServices] ClienteConverter converter, [FromServices] FreelandoContext contexto) =>
{
var clientes = contexto.Clientes.Include(x => x.Projetos).ThenInclude(p => p.Especialidades).AsSplitQuery().ToList();
return Results.Ok(await Task.FromResult(clientes));
}).WithTags("Cliente").WithOpenApi();
Comparação de resultados: consulta única vs. dividida
Agora, vamos executar novamente o projeto, abrir o Swagger e também o terminal do servidor.
Ao executar a consulta cliente/projeto-especialidade, note que ela continua funcionando como esperado, retornando os dados relacionados. Contudo, observe o que acontece no terminal: ao invés de uma única consulta complexa, o sistema executou pelo menos três consultas menores.
Retorno omitido.
Primeiro, ele realizou um SELECT em clientes, depois um SELECT com um INNER JOIN nos projetos, e, finalmente, um SELECT mais elaborado. Ao quebrar a consulta dessa forma, conseguimos otimizar a performance do banco de dados, que é exatamente o que buscamos.
Utilizando a função .AsSplitQuery(), dividimos uma consulta única em consultas menores e menos complexas. Essa abordagem impacta positivamente a execução das consultas no banco de dados, algo essencial para o processo de evolução e melhoria contínua do nosso projeto.
É importante lembrar que essa é uma etapa de manutenção do projeto Freelando. Refatorações como essa, assim como a adição de novas funcionalidades, são fundamentais neste processo.
Performance e explosão cartesiana
A divisão das consultas é útil porque, ao realizarmos joins entre tabelas, corremos o risco de enfrentar uma explosão cartesiana. Isso ocorre quando o banco de dados precisa relacionar grandes volumes de informações de diferentes tabelas, o que pode consumir muitos recursos do servidor. Ao quebrar a consulta em partes menores, conseguimos otimizar esse processo.
A Microsoft também aborda essa questão na seção "Consultas únicas vs. consultas divididas" da documentação, onde destaca problemas de desempenho, como a explosão cartesiana, e sugere boas práticas para evitar esses problemas ao utilizar o EF-Core.
Próximos passos
A seguir, continuaremos focados na melhoria de performance das consultas enquanto trabalhamos no Freelando. Espero você no próximo vídeo!