#####重建B树索引
######1. 如何重建B树索引
重建索引有两种方法：
- 一种是最简单的，删除原索引，然后重建；
- 第二种是使用ALTER INDEX … REBUILD;
命令对索引进行重建。第二种方式是从oracle 7.3.3版本开始引入的，从而使得用户在重建索引时不必删除原索引再重新CREATE INDEX了。ALTER INDEX … REBUILD相对CREATE INDEX有以下好处：
1） 它使用原索引的叶子节点作为新索引的数据来源。我们知道，原索引的叶子节点的数据块通常都要比表里的数据块要少很多，因此进行的I/O就会减少；同时，由于原索引的叶子节点里的索引条目已经排序了，因此在重建索引的过程中，所做的排序工作也要少的多。
2） 自从oracle 8.1.6以来，ALTER INDEX … REBUILD命令可以添加ONLINE短语。这使得在重建索引的过程中，用户可以继续对原来的索引进行修改，也就是说可以继续对表进行DML操作。
而同时，ALTER INDEX … REBUILD与CREATE INDEX也有很多相同之处：
1） 它们都可以通过添加PARALLEL提示进行并行处理。
2） 它们都可以通过添加NOLOGGING短语，使得重建索引的过程中产生最少的重做条目（redo entry）。
3） 自从oracle 8.1.5以来，它们都可以田间COMPUTE STATISTICS短语，从而在重建索引的过程中，就生成CBO所需要的统计信息，这样就避免了索引创建完毕以后再次运行analyze或dbms_stats来收集统计信息。
当我们重建索引以后，在物理上所能获得的好处就是能够减少索引所占的空间大小（特别是能够减少叶子节点的数量）。而索引大小减小以后，又能带来以下若干好处：
1） CBO对于索引的使用可能会产生一个较小的成本值，从而在执行计划中选择使用索引。
2） 使用索引扫描的查询扫描的物理索引块会减少，从而提高效率。
3） 由于需要缓存的索引块减少了，从而让出了内存以供其他组件使用。
尽管重建索引具有一定的好处，但是盲目的认为重建索引能够解决很多问题也是不正确的。比如我见过一个生产系统，每隔一个月就要重建所有的索引（而且我相信，很多生产系统可能都会这么做），其中包括一些100GB的大表。为了完成重建所有的索引，往往需要把这些工作分散到多个晚上进行。事实上，这是一个7×24的系统，仅重建索引一项任务就消耗了非常多的系统资源。但是每隔一段时间就重建索引有意义吗？这里就有一些关于重建索引的很流行的说法，主要包括：
1） 如果索引的层级超过X（X通常是3）级以后需要通过重建索引来降低其级别。
2） 如果经常删除索引键值，则需要定时重建索引来收回这些被删除的空间。
3） 如果索引的clustering_factor很高，则需要重建索引来降低该值。
4） 定期重建索引能够提高性能。
对于第一点来说，我们在前面已经知道，B树索引是一棵在高度上平衡的树，所以重建索引基本不可能降低其级别，除非是极特殊的情况导致该索引有非常大量的碎片，导致B树索引“虚高”，那么这实际又来到第二点上（因为碎片通常都是由于删除引起的）。实际上，对于第一和第二点，我们应该通过运行
ALTER INDEX … REBUILD命令以后检查index_stats.pct_used字段来判断是否有必要重建索引。
SQL> analyze index emp3_name_ix validate structure;
Index analyzed.
SQL> select LF_ROWS, LF_ROWS_LEN,DEL_LF_ROWS,DEL_LF_ROWS_LEN, USED_SPACE, BTREE_SPACE from index_stats;
LF_ROWS LF_ROWS_LEN DEL_LF_ROWS DEL_LF_ROWS_LEN USED_SPACE BTREE_SPACE
---------- ----------- ----------- --------------- ---------- -----------
110002 2053033 10000 150000 2065045 6324964
SQL> alter index emp3_name_ix rebuild;
Index altered.
SQL> analyze index emp3_name_ix validate structure;
Index analyzed.
SQL> select LF_ROWS, LF_ROWS_LEN,DEL_LF_ROWS,DEL_LF_ROWS_LEN, USED_SPACE, BTREE_SPACE from index_stats;
LF_ROWS LF_ROWS_LEN DEL_LF_ROWS DEL_LF_ROWS_LEN USED_SPACE BTREE_SPACE
---------- ----------- ----------- --------------- ---------- -----------
100002 1903033 0 0 1906995 2134964######2. 重建B树索引对于clustering_factor的影响
而对于
clustering_factor来说，它是用来比较索引的顺序程度与表的杂乱排序程度的一个度量。Oracle在计算某个clustering_factor时，会对每个索引键值查找对应到表的数据，在查找的过程中，会跟踪从一个表的数据块跳转到另外一个数据块的次数（当然，它不可能真的这么做，源代码里只是简单的扫描索引，从而获得ROWID，然后从这些ROWID获得表的数据块的地址）。每一次跳转时，有个计数器就会增加，最终该计数器的值就是clustering_factor。下图四描述了这个原理。
在上图四中，我们有一个表，该表有4个数据块，以及20条记录。在列N1上有一个索引，上图中的每个小黑点就表示一个索引条目。列N1的值如图所示。而N1的索引的叶子节点包含的值为：A、B、C、D、E、F。如果oracle开始扫描索引的底部，叶子节点包含的第一个N1值为A，那么根据该值可以知道对应的ROWID位于第一个数据块的第三行里，所以我们的计数器增加1。同时，A值还对应第二个数据块的第四行，由于跳转到了不同的数据块上，所以计数器再加1。同样的，在处理B时，可以知道对应第一个数据块的第二行，由于我们从第二个数据块跳转到了第一个数据块，所以计数器再加1。同时，B值还对应了第一个数据块的第五行，由于我们这里没有发生跳转，所以计数器不用加1。
在上面的图里，在表的每一行的下面都放了一个数字，它用来显示计数器跳转到该行时对应的值。当我们处理完索引的最后一个值时，我们在数据块上一共跳转了十次，所以该索引的clustering_factor为10。
注意第二个数据块，clustering_factor为8出现了4次。因为在索引里N1为E所对应的4个索引条目都指向了同一个数据块。从而使得clustering_factor不再增长。同样的现象出现在第三个数据块中，它包含三条记录，它们的值都是C，对应的clustering_factor都是6。
从clustering_factor的计算方法上可以看出，我们可以知道它的最小值就等于表所含有的数据块的数量；而最大值就是表所含有的记录的总行数。很明显，clustering_factor越小越好，越小说明通过索引查找表里的数据行时需要访问的表的数据块越少。
重建索引对于减小
clustering_factor没有用处。首先我们创建一个测试表：
SQL> create table clustfact_test(id number, name varchar2(10));
Table created.
SQL> create index idx_clustfact_test on clustfact_test(id);
Index created.
SQL> begin
2 for i in 1.. 100000 loop
3 insert into clustfact_test values(mod(i,200), to_char(i));
4 end loop;
5 commit;
6 end;
7 /
PL/SQL procedure successfully completed.
SQL> exec dbms_stats.gather_table_stats(user,'clustfact_test',cascade=>true);
PL/SQL procedure successfully completed.
#因为使用了mod的关系，最终数据在表里排列的形式为：
0,1,2,3,4,5,…,197,198,199,0,1,2,3,…, 197,198,199,0,1,2,3,…, 197,198,199,0,1,2,3,…
SQL> select num_rows, blocks from user_tables where table_name = 'CLUSTFACT_TEST';
NUM_ROWS BLOCKS
---------- ----------
100000 244
SQL> select num_rows, distinct_keys, AVG_LEAF_BLOCKS_PER_KEY, AVG_DATA_BLOCKS_PER_KEY, CLUSTERING_FACTOR from user_indexes where
2 index_name = 'IDX_CLUSTFACT_TEST';
NUM_ROWS DISTINCT_KEYS AVG_LEAF_BLOCKS_PER_KEY AVG_DATA_BLOCKS_PER_KEY CLUSTERING_FACTOR
---------- ------------- ----------------------- ----------------------- -----------------
100000 200 1 198 39683
#从上面的avg_data_blocks_per_key的值为198可以知道，每个键值平均分布在198个数据块里，而整个表也就244个数据块。这也就是说，要获取某个键值的所有记录，几乎每次都需要访问所有的数据块。从这里已经可以猜测到clustering_factor会非常大。事实上，该值近4万，也说明该索引并不会很有效。
SQL> select * from clustfact_test where id = 100;
500 rows selected.
Execution Plan
----------------------------------------------------------
Plan hash value: 1230726760
------------------------------------------------------------------------------------
| Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time |
------------------------------------------------------------------------------------
| 0 | SELECT STATEMENT | | 500 | 4500 | 69 (2)| 00:00:01 |
|* 1 | TABLE ACCESS FULL| CLUSTFACT_TEST | 500 | 4500 | 69 (2)| 00:00:01 |
------------------------------------------------------------------------------------
Predicate Information (identified by operation id):
---------------------------------------------------
1 - filter("ID"=100)
Statistics
----------------------------------------------------------
1 recursive calls
0 db block gets
281 consistent gets
244 physical reads
0 redo size
12114 bytes sent via SQL*Net to client
887 bytes received via SQL*Net from client
35 SQL*Net roundtrips to/from client
0 sorts (memory)
0 sorts (disk)
500 rows processed
#很明显，CBO弃用了索引，而使用了全表扫描。这实际上已经说明由于索引的clustering_factor过高，导致通过索引获取数据时跳转的数据块过多，成本过高，因此直接使用全表扫描的成本会更低。
#这时我们来重建索引看看会对clustering_factor产生什么影响。从下面的测试中可以看到，没有任何影响。
SQL> alter index idx_clustfact_test rebuild;
Index altered.
SQL> select num_rows, distinct_keys, AVG_LEAF_BLOCKS_PER_KEY, AVG_DATA_BLOCKS_PER_KEY, CLUSTERING_FACTOR from user_indexes where
2 index_name = 'IDX_CLUSTFACT_TEST';
NUM_ROWS DISTINCT_KEYS AVG_LEAF_BLOCKS_PER_KEY AVG_DATA_BLOCKS_PER_KEY CLUSTERING_FACTOR
---------- ------------- ----------------------- ----------------------- -----------------
100000 200 1 198 39683
#那么当我们将表里的数据按照id的顺序（也就是索引的排列顺序）重建时，该SQL语句会如何执行？
SQL> create table clustfact_test_temp as select * from clustfact_test order by id;
Table created.
SQL> truncate table clustfact_test;
Table truncated.
SQL> insert into clustfact_test select * from clustfact_test_temp;
100000 rows created.
SQL> exec dbms_stats.gather_table_stats(user,'clustfact_test',cascade=>true);
PL/SQL procedure successfully completed.
SQL> select num_rows, distinct_keys, avg_leaf_blocks_per_key, avg_data_blocks_per_key,
2 clustering_factor from user_indexes where index_name = 'IDX_CLUSTFACT_TEST';
NUM_ROWS DISTINCT_KEYS AVG_LEAF_BLOCKS_PER_KEY AVG_DATA_BLOCKS_PER_KEY CLUSTERING_FACTOR
---------- ------------- ----------------------- ----------------------- -----------------
100000 200 1 1 244
SQL> set autotrace traceonly;
SQL> select * from clustfact_test where id = 100;
500 rows selected.
Execution Plan
----------------------------------------------------------
Plan hash value: 60478562
--------------------------------------------------------------------------------------------------
| Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time |
--------------------------------------------------------------------------------------------------
| 0 | SELECT STATEMENT | | 451 | 4059 | 3 (0)| 00:00:01 |
| 1 | TABLE ACCESS BY INDEX ROWID| CLUSTFACT_TEST | 451 | 4059 | 3 (0)| 00:00:01 |
|* 2 | INDEX RANGE SCAN | IDX_CLUSTFACT_TEST | 451 | | 1 (0)| 00:00:01 |
--------------------------------------------------------------------------------------------------
Predicate Information (identified by operation id):
---------------------------------------------------
2 - access("ID"=100)
Statistics
----------------------------------------------------------
1 recursive calls
0 db block gets
74 consistent gets
0 physical reads
0 redo size
13715 bytes sent via SQL*Net to client
887 bytes received via SQL*Net from client
35 SQL*Net roundtrips to/from client
0 sorts (memory)
0 sorts (disk)
500 rows processed所以我们可以得出结论，如果仅仅是为了降低索引的
clustering_factor而重建索引没有任何意义。降低clustering_factor的关键在于重建表里的数据。只有将表里的数据按照索引列排序以后，才能切实有效的降低clustering_factor。但是如果某个表存在多个索引的时候，需要仔细决定应该选择哪一个索引列来重建表。
######2. 重建B树索引对于查询性能的影响
重建索引对于性能的提高到底会有什么作用。假设我们有一个表，该表具有1百万条记录，占用了100000个数据块。而在该表上存在一个索引，在重建之前的pct_used为50%，高度为3，分支节点块数为40个，再加一个根节点块，叶子节点数为10000个；重建该索引以后，pct_used为90%，高度为3，分支节点块数下降到20个，再加一个根节点块，而叶子节点数下降到5000个。那么从理论上说：
- 如果通过索引获取单独1条记录来说： 重建之前的成本：1个根＋1个分支＋1个叶子＋1个表块＝4个逻辑读 重建之后的成本：1个根＋1个分支＋1个叶子＋1个表块＝4个逻辑读 性能提高百分比：0
- 如果通过索引获取100条记录（占总记录数的0.01%）来说，分两种情况： 最差的clustering_factor（即该值等于表的数据行数）： 重建之前的成本：1个根＋1个分支＋0.000110000（1个叶子）＋100个表块＝103个逻辑读 重建之后的成本：1个根＋1个分支＋0.00015000（1个叶子）＋100个表块＝102.5个逻辑读 性能提高百分比：0.5%（也就是减少了0.5个逻辑读） 最好clustering_factor（即该值等于表的数据块）： 重建之前的成本：1个根＋1个分支＋0.000110000（1个叶子）＋0.0001100000（10个表块）＝13个逻辑读 重建之后的成本：1个根＋1个分支＋0.00015000（1个叶子）＋0.0001100000（10个表块）＝12.5个逻辑读 性能提高百分比：3.8%（也就是减少了0.5个逻辑读）
- 如果通过索引获取10000条记录（占总记录数的1%）来说，分两种情况： 最差的clustering_factor（即该值等于表的数据行数）： 重建之前的成本：1个根＋1个分支＋0.0110000（100个叶子）＋10000个表块＝10102个逻辑读 重建之后的成本：1个根＋1个分支＋0.015000（50个叶子）＋10000个表块＝10052个逻辑读 性能提高百分比：0.5%（也就是减少了50个逻辑读） 最好clustering_factor（即该值等于表的数据块）： 重建之前的成本：1个根＋1个分支＋0.0110000（100个叶子）＋0.01100000（1000个表块）＝1102个逻辑读 重建之后的成本：1个根＋1个分支＋0.015000（50个叶子）＋0.01100000（1000个表块）＝1052个逻辑读 性能提高百分比：4.5%（也就是减少了50个逻辑读）
- 如果通过索引获取100000条记录（占总记录数的10%）来说，分两种情况： 最差的clustering_factor（即该值等于表的数据行数）： 重建之前的成本：1个根＋1个分支＋0.110000（1000个叶子）＋100000个表块＝101002个逻辑读 重建之后的成本：1个根＋1个分支＋0.15000（500个叶子）＋100000个表块＝100502个逻辑读 性能提高百分比：0.5%（也就是减少了500个逻辑读） 最好clustering_factor（即该值等于表的数据块）： 重建之前的成本：1个根＋1个分支＋0.110000（1000个叶子）＋0.1100000（10000个表块）＝11002个逻辑读 重建之后的成本：1个根＋1个分支＋0.15000（500个叶子）＋0.1100000（10000个表块）＝10502个逻辑读 性能提高百分比：4.5%（也就是减少了500个逻辑读）
- 如果通过索引获取100000条记录（占总记录数的10%）来说，分两种情况： 对于快速全索引扫描来说，假设每次获取8个数据块： 重建之前的成本：（1个根＋40个分支＋10000个叶子）/ 8＝1256个逻辑读 重建之后的成本：（1个根＋40个分支＋5000个叶子）/ 8＝631个逻辑读 性能提高百分比：49.8%（也就是减少了625个逻辑读）
从上面有关性能提高的理论描述可以看出，对于通过索引获取的记录行数不大的情况下，索引碎片对于性能的影响非常小；当通过索引获取较大的记录行数时，索引碎片的增加可能导致对于索引逻辑读的增加，但是索引读与表读的比例保持不变；同时，我们从中可以看到，clustering_factor对于索引读取的性能有很大的影响，并且对于索引碎片所带来的影响具有很大的作用；最后，看起来，索引碎片似乎对于快速全索引扫描具有最大的影响。
我们来看两个实际的例子，分别是clustering_factor为最好和最差的两个例子。测试环境为8KB的数据块，表空间采用ASSM的管理方式。先做一个最好的clustering_factor的例子，创建测试表并填充1百万条数据。
create table rebuild_test(id number, name varchar2(10));
begin
for i in 1..1000000 loop
insert into rebuild_test values(i, to_char(i));
if mod(i, 10000)=0 then
commit;
end if;
end loop;
end;
/
#创建一个pctfree为50%的索引，来模拟索引碎片，分析并记录索引信息。
SQL> create index idx_rebuild_test on rebuild_test(id) pctfree 50;
Index created.
SQL> exec dbms_stats.gather_table_stats(user,'rebuild_test',cascade=>true);
PL/SQL procedure successfully completed.
#该表具有1百万条记录，分布在2328个数据块中。同时由于我们的数据都是按照顺序递增插入的，所以可以知道，在id列上创建的索引都是具有最好的clustering_factor值的。我们运行以下查询测试语句，分别返回1、100、1000、10000、50000、100000以及1000000条记录。
#然后运行测试语句，记录每条查询语句所需的时间；
select * from rebuild_test where id = 10;
select * from rebuild_test where id between 100 and 199;
select * from rebuild_test where id between 1000 and 1999;
select * from rebuild_test where id between 10000 and 19999;
select /*+ index(rebuild_test) */ * from rebuild_test where id between 50000 and 99999;
select /*+ index(rebuild_test) */ * from rebuild_test where id between 100000 and 199999;
select /*+ index(rebuild_test) */ * from rebuild_test where id between 1 and 1000000;
select /*+ index_ffs(rebuild_test) */ id from rebuild_test where id between 1 and 1000000;
#注index_ffs： hint instructs the optimizer to perform a fast full index scan rather than a full table scan.
#接下来以pctfree为10%重建索引，来模拟修复索引碎片，分析并记录索引信息。
SQL> alter index idx_rebuild_test rebuild pctfree 10;
Index altered.
SQL> exec dbms_stats.gather_table_stats(user,'rebuild_test',cascade=>true);
PL/SQL procedure successfully completed.
SQL> analyze index idx_rebuild_test validate structure;
Index analyzed.
#两个索引信息的对比情况
select ui.pct_free, ids.height, ids.BLOCKS, ids.br_blks, ids.lf_blks, ids.pct_used, ui.clustering_factor
from index_stats ids, user_indexes ui
where INDEX_NAME = 'IDX_REBUILD_TEST';
PCT_FREE HEIGHT BLOCKS BR_BLKS LF_BLKS PCT_USED CLUSTERING_FACTOR
---------- ---------- ---------- ---------- ---------- ---------- -----------------
50 3 4224 8 4096 49 2326
PCT_FREE HEIGHT BLOCKS BR_BLKS LF_BLKS PCT_USED CLUSTERING_FACTOR
---------- ---------- ---------- ---------- ---------- ---------- -----------------
10 3 2304 5 2226 90 2326显示了不同的索引下，运行测试语句所需的时间对比情况
记录数 | 占记录总数的百分比 | pctused(50%) | pctused(90%) | 性能提高百分比 |
1条记录 | 0.0001% | 0.01 | 0.01 | 0.00% |
100条记录 | 0.0100% | 0.01 | 0.01 | 0.00% |
1000条记录 | 0.1000% | 0.01 | 0.01 | 0.00% |
10000条记录 | 1.0000% | 0.02 | 0.02 | 0.00% |
50000条记录 | 5.0000% | 0.06 | 0.06 | 0.00% |
100000条记录 | 10.0000% | 1.01 | 1.00 | 0.99% |
1000000条记录 | 100.0000% | 13.05 | 11.01 | 15.63%=(13.05-11.01)/13.05 |
1000000条记录(FFS) | 100.0000% | 7.05 | 7.02 | 0.43% |
上面是对最好的clustering_factor所做的测试，那么对于最差的clustering_factor会怎么样呢？我们将rebuild_test中的id值反过来排列，也就是说，比如对于id为3478的记录，将id改为8743。这样的话，就将把原来按顺序排列的id值彻底打乱，从而使得id上的索引的clustering_factor变成最差的。为此，我写了一个函数用来反转id的值。
CREATE OR REPLACE FUNCTION get_reverse_value (id IN NUMBER)
RETURN VARCHAR2
IS
ls_id VARCHAR2 (10);
ls_last_item VARCHAR2 (10);
ls_curr_item VARCHAR2 (10);
ls_zero VARCHAR2 (10);
li_len INTEGER;
lb_stop BOOLEAN;
BEGIN
ls_id := TO_CHAR (id);
li_len := LENGTH (ls_id);
ls_last_item := '';
ls_zero := '';
lb_stop := FALSE;
WHILE li_len > 0
LOOP
ls_curr_item := SUBSTR (ls_id, li_len, 1);
IF ls_curr_item = '0' AND lb_stop = FALSE
THEN
ls_zero := ls_zero || ls_curr_item;
ELSE
lb_stop := TRUE;
ls_last_item := ls_last_item || ls_curr_item;
END IF;
ls_id := SUBSTR (ls_id, 1, li_len - 1);
li_len := LENGTH (ls_id);
END LOOP;
RETURN (ls_last_item || ls_zero);
END get_reverse_value;
/*
此程序如下：例如 123
循环1： ls_curr_item=3, ls_last_item= '||3=3, ls_id=12, li_en=2
循环2：ls_curr_item=2, ls_last_item=3||2=32, ls_id=1, li_en=1
循环3：ls_curr_item=1, ls_last_item=32||1=321, ls_id='', li_en=0
此时 li_en=0 跳出循环，返回 ls_last_item=321
例如100
循环1： ls_curr_item=0, ls_zero= ''||0=0, ls_id=20, li_en=2
循环2：ls_curr_item=0, ls_zero=0||0=00, ls_id=1, li_en=1
循环3：ls_curr_item=1, ls_last_item=''||1=1, ls_id='', li_en=0
此时 li_en=0 跳出循环，返回 ls_last_item=1,ls_zero=00,ls_last_item || ls_zero=100
*/
SQL> create table rebuild_test_cf as select * from rebuild_test;
Table created.
SQL> update rebuild_test_cf set id=get_reverse_value(id);
1000000 rows updated.
SQL> select * from rebuild_test_cf where name < 20;
ID NAME
---------- ----------
21 12
31 13
41 14
51 15
61 16
71 17
81 18
91 19
SQL> create index idx_rebuild_test_cf on rebuild_test_cf(id);
Index created.
select ui.pct_free, ids.height, ids.BLOCKS, ids.br_blks, ids.lf_blks, ids.pct_used, ui.clustering_factor
from index_stats ids, user_indexes ui
where INDEX_NAME = 'IDX_REBUILD_TEST_CF';
PCT_FREE HEIGHT BLOCKS BR_BLKS LF_BLKS PCT_USED CLUSTERING_FACTOR
---------- ---------- ---------- ---------- ---------- ---------- -----------------
10 3 2304 5 2226 90 998914
SQL> select /*+ index(rebuild_test_cf) */ * from rebuild_test_cf where id between 1 and 1000000;
1000000 rows selected.
Execution Plan
----------------------------------------------------------
Plan hash value: 509582566
-------------------------------------------------------------------------------------------------
| Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time |
-------------------------------------------------------------------------------------------------
| 0 | SELECT STATEMENT | | 1000K| 11M| 1001K (1)|03:20:18|
| 1 | TABLE ACCESS BY INDEX ROWID| REBUILD_TEST_CF | 1000K| 11M| 1001K (1)|03:20:18|
|* 2 | INDEX RANGE SCAN | IDX_REBUILD_TEST_CF | 1000K| | 2238 (1)|00:00:27|
-------------------------------------------------------------------------------------------------
Predicate Information (identified by operation id):
---------------------------------------------------
2 - access("ID">=1 AND "ID"<=1000000)
Statistics
----------------------------------------------------------
1 recursive calls
0 db block gets
1067727 consistent gets
1938 physical reads
0 redo size
29269206 bytes sent via SQL*Net to client
733850 bytes received via SQL*Net from client
66668 SQL*Net roundtrips to/from client
0 sorts (memory)
0 sorts (disk)
1000000 rows processed
SQL> select /*+ index_ffs(rebuild_test_cf) */ id from rebuild_test_cf where id between 1 and 1000000;
1000000 rows selected.
Execution Plan
----------------------------------------------------------
Plan hash value: 3567300343
--------------------------------------------------------------------------------------------
| Id | Operation | Name | Rows | Bytes | Cost (%CPU)| Time |
--------------------------------------------------------------------------------------------
| 0 | SELECT STATEMENT | | 1000K| 4882K| 616 (2)| 00:00:08 |
|* 1 | INDEX FAST FULL SCAN| IDX_REBUILD_TEST_CF | 1000K| 4882K| 616 (2)| 00:00:08 |
--------------------------------------------------------------------------------------------
Predicate Information (identified by operation id):
---------------------------------------------------
1 - filter("ID">=1 AND "ID"<=1000000)
Statistics
----------------------------------------------------------
0 recursive calls
0 db block gets
68759 consistent gets
2190 physical reads
0 redo size
18380300 bytes sent via SQL*Net to client
733850 bytes received via SQL*Net from client
66668 SQL*Net roundtrips to/from client
0 sorts (memory)
0 sorts (disk)
1000000 rows processed
