Visualiser og fortolk forespørgselsdiagnostik i Power BI

Når du har registreret de diagnostiske tests, du vil bruge, er næste skridt at forstå, hvad de siger.

Det er nyttigt at have en god forståelse af, hvad hver kolonne i forespørgselsdiagnostikskemaet betyder. Denne vejledning dækker ikke den information. For en fuld beskrivelse, se Forespørgselsdiagnostik.

Generelt, når du laver visualiseringer, brug den fulde detaljerede tabel. Uanset hvor mange rækker det indeholder, ser du sandsynligvis en slags afbildning af, hvordan tiden brugt på forskellige ressourcer løber op, eller hvad den oprindelige forespørgsel var.

Som nævnt i artiklen om registrering af diagnostikken, fungerer dette eksempel med OData- og SQL-sporene for Customers-tabellen fra Northwind. Især er fokus på en fælles anmodning fra kunderne og på et af de lettere at fortolke spor: fuld opdatering af datamodellen.

Byg visualiseringerne

Når du gennemgår spor, kan du vurdere dem på mange måder. Denne artikel beskriver to visualiseringer. Den første visualisering viser de detaljer, du går op i, og den anden viser tidsbidragene fra forskellige faktorer. Til den første visualisering, brug et bord. Du kan vælge alle felter, du vil, men for et nemt, overordnet overblik over, hvad der foregår, brug følgende felter:

• Id
• Starttidspunkt
• Forespørgsel
• Skridt
• Datakildeforespørgsel
• Eksklusiv varighed (%)
• Rækkeantal
• Kategori
• Er brugerforespørgsel
• Sti

Til den anden visualisering skal du bruge et stablet kolonnediagram. I akseparameteren skal du bruge Id eller Step. Hvis du kigger på Refresh, fordi det ikke har noget at gøre med trin i selve editoren, vil du nok bare kigge på Id. For Legend-parameteren skal du sætte Kategori eller Operation (afhængigt af den granularitet, du ønsker). For Value-parameteren skal du sætte Exclusive Duration og sikre, at det ikke er %, så du får den rå varighedsværdi. Endelig, for Tooltip-parameteren , sæt den tidligste starttid.

Når du har bygget din visualisering, skal du sørge for at sortere efter Tidligste Starttidspunkt stigende, så du kan se rækkefølgen, hvor begivenhederne opstår.

Selvom dine præcise behov kan variere, er denne kombination af diagrammer et godt sted at starte for at se på adskillige diagnostiske filer og til mange formål.

Fortolk visualiseringerne

Som nævnt tidligere kan forespørgselsdiagnostik hjælpe dig med at besvare mange spørgsmål. De to mest almindelige spørgsmål er, hvordan tiden bruges, og hvilken forespørgsel der sendes til kilden.

At forstå, hvordan tiden bruges, er ligetil og ligner de fleste stik. Men som nævnt andre steder, ser du drastisk forskellige muligheder afhængigt af stikket. For eksempel giver mange ODBC-baserede connectors ikke en nøjagtig registrering af den forespørgsel, som Power Query sender til ODBC-driveren.

For at se, hvordan tiden bruges, kan du gennemgå de visualiseringer, du har lavet tidligere.

Fordi tidsværdierne for de eksempelforespørgsler, der bruges her, er så små, hvis du vil arbejde med, hvordan Power BI rapporterer tid, er det bedre at konvertere kolonnen Exclusive Duration til sekunder i Power Query-editoren. Efter du har foretaget denne konvertering, kan du se på dit horoskop og få en klar idé om, hvor tiden tilbringes.

For OData-resultaterne viser det følgende billede, at det meste af tiden bruges på at hente data fra kilden. Hvis du vælger Data Source-elementet i legenden, viser den alle de forskellige operationer, der er relateret til at sende en forespørgsel til datakilden.

Hvis du udfører alle de samme operationer og bygger lignende visualiseringer, men bruger SQL-spor i stedet for ODATA-spor, kan du se, hvordan de to datakilder sammenlignes.

Hvis du vælger datakildetabellen, som med ODATA-diagnostikken, ser du, at den første evaluering (2.3 på dette billede) sender metadataforespørgsler, og den anden evaluering henter de data, du går op i. Dette eksempel henter små mængder data, så datahentningen tager en kort tid (mindre end en tiendedel sekund for hele den anden evaluering, med mindre end en tyvendedel af et sekund for selve datahentningen), men den hastighed gælder ikke i alle tilfælde.

Som tidligere skal du vælge Datakilde-kategorien på forklaringen for at se de udsendte forespørgsler.

Dyk ned i dataene

At kigge på stier

Når du undersøger disse data, vil du måske bemærke, at den tid, der bruges, virker usædvanlig. For eksempel kan du på OData-forespørgslen se, at der er en datakildeforespørgsel med følgende værdi:

Request:
https://services.odata.org/V4/Northwind/Northwind.svc/Customers?$filter=ContactTitle%20eq%20%27Sales%20Representative%27&$select=CustomerID%2CCountry HTTP/1.1
Content-Type: application/json;odata.metadata=minimal;q=1.0,application/json;odata=minimalmetadata;q=0.9,application/atomsvc+xml;q=0.8,application/atom+xml;q=0.8,application/xml;q=0.7,text/plain;q=0.7

<Content placeholder>

Response:
Content-Type: application/json;odata.metadata=minimal;q=1.0,application/json;odata=minimalmetadata;q=0.9,application/atomsvc+xml;q=0.8,application/atom+xml;q=0.8,application/xml;q=0.7,text/plain;q=0.7
Content-Length: 435

<Content placeholder>

Denne datakildeforespørgsel er forbundet med en operation, der kun optager for eksempel 1% af den eksklusive varighed. Samtidig er der en lignende:

Request:
GET https://services.odata.org/V4/Northwind/Northwind.svc/Customers?$filter=ContactTitle eq 'Sales Representative'&$select=CustomerID%2CCountry HTTP/1.1

Response:
https://services.odata.org/V4/Northwind/Northwind.svc/Customers?$filter=ContactTitle eq 'Sales Representative'&$select=CustomerID%2CCountry
HTTP/1.1 200 OK

Denne forespørgsel på datakilden er forbundet med en operation, der fylder næsten 75% af den eksklusive varighed. Hvis du slår Vejen til, opdager du, at sidstnævnte faktisk er et barn af førstnævnte. Denne opdagelse betyder, at den første forespørgsel grundlæggende tilføjer en lille mængde tid alene, hvor selve datahentningen spores af den indre forespørgsel.

Disse værdier er ekstreme, men de ligger inden for rammerne af, hvad du måske kan se.