Performance- und Filtertechniken
Fortgeschrittene AL-Strategien zur extremen Serveroptimierung, Replica-Lesezugriff und Quellfilterung (Pushdown).
Unsere Reduzierung der Ladezeit von 15 Minuten auf 30 Sekunden wurde nicht nur durch die Verwendung eines Objekts Query erreicht, sondern durch die Anwendung aggressiver Techniken der Pushdown Computation (Filtrado en Servidor), die wir in der Basis unseres AL-Codes entwarfen.
Im Folgenden detaillieren wir die drei wichtigsten Optimierungsrichtlinien, die wir in unseren Extraktions-APIs implementiert haben.
1. Traffic-Umleitung: DataAccessIntent = ReadOnly
Sección titulada «1. Desvío del Tráfico: DataAccessIntent = ReadOnly»In einem transaktionalen ERP-System ist der schreibende Datenbankknoten (Primary Node) heilig. Wir können nicht zulassen, dass unsere massiven Extraktionen Buchhaltungs- oder Lagereinfügungen blockieren.
query 50100 "Movs_Productos_API"{ QueryType = API; // La directiva mágica: DataAccessIntent = ReadOnly; // ...}Was passiert auf Azure SQL-Ebene? Durch die Deklaration von ReadOnly teilen wir dem Server-Orchestrator mit, dass unsere API keine Daten einfügen oder ändern wird. Der Server leitet uns automatisch an eine der Read-Only-Repliken der Datenbank weiter. Auf diese Weise können unsere Berichte die CPU der Replika auslasten, ohne die Leistung der Anwender in der Produktion auch nur im Geringsten zu beeinträchtigen.
2. Frühes Filtern: DataItemTableFilter
Sección titulada «2. Filtrado Temprano: DataItemTableFilter»Das Ziel von ELT ist es, dass so wenig nutzlose Daten wie möglich über das Netzwerkkabel übertragen werden. Anstatt alles in Power BI herunterzuladen und dann zu filtern, codieren wir den Filter in der API.
elements { dataitem(itemLedgerEntry; "Item Ledger Entry") { // Filtro rígido a nivel de servidor SQL DataItemTableFilter = "Entry Type" = filter(Purchase | Sale | "Positive Adjmt." | "Negative Adjmt."), "Global Dimension 1 Code" = filter(<> '20');Vorteile:
DataItemTableFilterwird direkt als die KlauselWHEREdesSELECTkompiliert.- Wir schließen nutzlose Eingabetypen aus und überspringen Datensätze bestimmter Dimensionen in Millisekunden.
- Die Payload (Größe des zurückgegebenen JSON) wird drastisch reduziert, wodurch Timeouts aufgrund von HTTP-Netzwerküberlastung beseitigt werden.
3. Die Handhabung von FlowFields: ColumnFilter
Sección titulada «3. El Manejo de FlowFields: ColumnFilter»Dies ist vielleicht der technisch anspruchsvollste Aspekt unserer APIs. Wie wir in der Systemarchitektur gesehen haben, sind einige Felder in Business Central Formeln (FlowFields).
Wenn wir versuchen, ein FlowField innerhalb des allgemeinen DataItemTableFilter zu filtern, wird der AL-Compiler einen Fehler ausgeben, da SQL Server keinen WHERE auf eine berechnete Unterabfrage ausführen kann, die noch nicht verarbeitet wurde.
Um diese Felder zu filtern (wie z. B. den Ausschluss des Anbieters ‚PROVEEDOR_DEMO‘), müssen wir die Eigenschaft ColumnFilter verwenden, die speziell innerhalb der projizierten Spalte geschachtelt ist.
// Campo de tabla normal column(Cantidad; Quantity) { }
// Filtrado Nivel Pro: Aplicado sobre un FlowField o campo especial column(Nombre_Proveedor; "Nombre proveedor") { ColumnFilter = Nombre_Proveedor = filter(<> 'PROVEEDOR_DEMO'); }Auf diese Weise löst der Server zuerst die Tabelle auf, berechnet die erforderlichen FlowFields, wendet den Spalten-Post-Filter an und sendet uns schließlich einen sauberen und extrem kompakten Datenblock.
4. Checkliste zur Abfrageoptimierung
Sección titulada «4. Checklist de Optimización de Consultas»- ✓ Keine Sperren: Eigenschaft
DataAccessIntentalsReadOnlykonfiguriert, um die Last auf die passiven Replikate von Azure SQL umzuleiten. - ✓ SQL-Filterung: Implementierung von
DataItemTableFilterzur Reduzierung des zu übertragenden Zeilenvolumens vor dem HTTP-Versand. - ✓ FlowFields-Behandlung: Verwendung von
ColumnFilterin dynamischen Spalten zur Vermeidung von Kompilierungsfehlern der Abfrage-Engine.

