Ir al contenido

Techniques de performance et de filtrage

Stratégies avancées en AL pour l'optimisation extrême du serveur, la lecture de réplicas et le filtrage à la source (Pushdown).

0vues

Notre réduction du temps de chargement de 15 minutes à 30 secondes n'a pas été obtenue uniquement en utilisant un objet Query, mais en appliquant des techniques agressives de calcul pushdown (filtrage sur serveur) que nous avons conçues dans la base de notre code AL.

Ci-dessous, nous détaillons les trois principales directives d'optimisation que nous avons implémentées dans nos API d'extraction.

1. Redirection du trafic : DataAccessIntent = ReadOnly

Sección titulada «1. Desvío del Tráfico: DataAccessIntent = ReadOnly»

Dans un système ERP transactionnel, le nœud de base de données d'écriture (Primary Node) est sacré. Nous ne pouvons pas permettre que nos extractions massives bloquent les insertions comptables ou d'entrepôt.

query 50100 "Movs_Productos_API"
{
QueryType = API;
// La directiva mágica:
DataAccessIntent = ReadOnly;
// ...
}

Que fait-il au niveau d'Azure SQL ? En déclarant ReadOnly, nous indiquons à l'orchestrateur du serveur que notre API ne va ni insérer ni modifier de données. Le serveur nous redirige automatiquement vers l'une des répliques en lecture seule de la base de données. De cette manière, nos rapports peuvent saturer le processeur de la réplique sans affecter de la moindre façon les performances des utilisateurs en production.

2. Filtrage précoce : DataItemTableFilter

Sección titulada «2. Filtrado Temprano: DataItemTableFilter»

L'objectif de l'ELT est que la plus petite quantité possible de données inutiles transite par le câble réseau. Au lieu de tout télécharger dans Power BI puis de filtrer, nous codons le filtre dans l'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');

Avantages :

  • DataItemTableFilter est compilé directement comme la clause WHERE du SELECT.
  • Nous excluons les types d'entrée inutiles et omettons les enregistrements de certaines dimensions en quelques millisecondes.
  • Le payload (poids du JSON renvoyé) est considérablement réduit, éradiquant les délais d'attente (timeouts) dus à la saturation du réseau HTTP.

3. La gestion des FlowFields : ColumnFilter

Sección titulada «3. El Manejo de FlowFields: ColumnFilter»

C'est peut-être le point d'ingénierie le plus sophistiqué de nos API. Comme nous l'avons vu dans l'architecture du système, certains champs dans Business Central sont des formules (FlowFields).

Si nous essayons de filtrer un FlowField à l'intérieur du DataItemTableFilter général, le compilateur AL renverra une erreur, car SQL Server ne peut pas effectuer un WHERE sur une sous-requête calculée qui n'a pas encore été traitée.

Pour filtrer sur ces champs (comme exclure le fournisseur 'PROVEEDOR_DEMO'), nous devons utiliser la propriété ColumnFilter spécifiquement imbriquée dans la colonne projetée.

// 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');
}

En procédant ainsi, le serveur résout d'abord la table, calcule les FlowFields nécessaires, applique le post-filtre de colonne et, enfin, nous envoie un bloc de données propre et extrêmement compact.

4. Liste de contrôle d'optimisation des requêtes

Sección titulada «4. Checklist de Optimización de Consultas»
  • ✓ Zéro blocage : Propriété DataAccessIntent configurée comme ReadOnly pour diriger la charge vers les répliques passives d'Azure SQL.
  • ✓ Filtrage SQL : Implémentation de DataItemTableFilter pour réduire le volume de lignes à transférer avant l'envoi HTTP.
  • ✓ Traitement des FlowFields : Utilisation de ColumnFilter dans les colonnes dynamiques pour éviter les erreurs de compilation du moteur de requête.