MySQL Optimizer vs SDF

MySQL Optimizer, propulsé par EverSQL, réécrit et indexe automatiquement les requêtes lentes PostgreSQL et MySQL pour qu'elles s'exécutent plus rapidement sans avoir besoin d'un DBA disponible. Vous collez une requête, choisissez votre type de base de données et votre plateforme, et obtenez une version optimisée avec une explication des modifications apportées. Un capteur de performance non intrusif peut également surveiller en continu vos bases de données et signaler les index redondants ou les ajustements de schéma qui réduisent les coûts.

EverSQL est désormais gratuit via Aiven après l'acquisition, ce qui constitue le principal changement par rapport aux outils SaaS payants autonomes dans ce domaine. Là où un DBA humain pourrait mettre des heures à analyser un plan de requête lent, les clients de MySQL Optimizer rapportent des requêtes s'exécutant environ 25 fois plus vite en quelques minutes après avoir appliqué ses suggestions. Le capteur ne touche jamais aux données sensibles des lignes, ce qui convient aux équipes qui ont besoin d'optimisation sans accorder un accès large à la base de données.

Plus de 100 000 ingénieurs l'utilisent, y compris des équipes chez Nike, Salesforce et Bank of America. Les développeurs backend, les ingénieurs de données et les startups sans DBA dédié tirent le plus de valeur lorsque la performance des requêtes bloque les mises en production ou fait gonfler les factures cloud.

SDF est un moteur de compréhension SQL qui lit le SQL des entrepôts, construit des représentations intermédiaires de chaque requête et signale les erreurs avant toute exécution. Il se situe dans la pile analytique entre le texte SQL brut et la base de données, offrant aux équipes une visibilité à la compilation sur la syntaxe, les types et la structure des colonnes en aval.

La plupart des linters SQL s'arrêtent à la syntaxe superficielle. SDF fonctionne à travers trois niveaux empilés : l'analyse en un arbre syntaxique, la compilation d'un plan logique avec les signatures de fonctions et les types de retour, et l'exécution d'un plan physique lorsque les vérifications au niveau des données sont importantes. Cette hiérarchie détecte un ordre d'arguments incorrect sur les appels dateadd de Snowflake et des conversions de dates impossibles que seuls les analyseurs ne verraient pas, ce qui explique pourquoi dbt Labs a acquis SDF Labs pour intégrer le moteur directement dans dbt plutôt que d'ajouter un autre préprocesseur de chaînes.

Les ingénieurs analytiques et les développeurs dbt utilisent SDF pour renforcer les grands projets d'entrepôt, tracer la lignée au niveau des colonnes et livrer des transformations avec moins d'échecs d'exécution inattendus. Depuis le lancement GA de mi-2024, sdf.com redirige les visiteurs vers les pages de dbt Labs expliquant comment l'acquisition intègre SDF dans le prochain moteur dbt.