pyodbc 在 sp_prepexec 之后调用 sp_unprepare。这会影响参数化查询的性能吗？

继续

SqlAlchemy+pymssql。原始参数化查询会使用相同的执行计划吗？

我从 pymssql 切换到 pyodbc 尝试将参数化查询发送到 SQL Server。带有 Microsoft 驱动程序的 pyodbc 可以解决问题，但对我来说有些奇怪：

declare @p1 int
set @p1=6
exec sp_prepexec @p1 output,N'@P1 nvarchar(6),@P2 bigint,@P3 bigint,@P4 bigint',N'
                SELECT *
                FROM CC_sold
                WHERE id_contract =@P1
                    AND id_tip_cont=@P2
                    AND CC_sold.anul =@P3
                    AND CC_sold.luna =@P4
                ORDER BY CC_sold.anul, CC_sold.luna DESC
            ',N'176914',6,2016,9
select @p1
exec sp_unprepare 6

我的担忧与此声明有关：

exec sp_unprepare 6

如果我理解正确，这会取消查询执行计划，并且我不会从查询参数化中获得任何优化。是这样吗？

我做了一些测试，你不必担心。 pyodbc 只发送一个sp_unprepare（对于最后sp_prepexec执行）当cursor对象已关闭。也就是说，它不sp_unprepare every sp_prepexec它发送的。

此外，实际的计时测试揭示了 pyodbc（显然可以利用缓存的执行计划）和 pymssql（显然不能）之间的性能差异。使用以下代码...

crsr = conn.cursor()
crsr.execute("DBCC FREEPROCCACHE")
if 'pyodbc' in repr(conn):
    sql = "SELECT COUNT(*) AS n FROM table1 WHERE cola=? AND colb=? AND colc=? AND cold=?"
else:
    sql = "SELECT COUNT(*) AS n FROM table1 WHERE cola=%s AND colb=%s AND colc=%s AND cold=%s"
t0 = time.time()
limit = 10
for a in range(limit):
    for b in range(limit):
        for c in range(limit):
            for d in range(limit):
                params = (a, b, c, d)
                crsr.execute(sql, params)
                n = crsr.fetchone()[0]
print(time.time() - t0)
crsr.close()
conn.close()

... for limit = 10四 (4) 个嵌套for循环总共运行 10,000 个查询。在我的具有本地 SQL Server 实例的 Windows 测试机器上，pymssql 需要大约 130 秒（仅 2 分钟多一点）执行，而 pyodbc 在 5 秒内始终运行相同的代码。