Как почистить базу данных sql

Как очистить данные в базе через PhpMyAdmin

Для того чтобы очистить базу данных MySql, нужно выполнить следующие действия:

1. В программе PhpMyAdmin выбираем нужную базу данных.

1. Далее в правой части программы в разделе «Структура», листаем в самый низ и выбираем «Отметить все».

1. Затем в выпадающем меню выбираем «Удалить».

Все способы

© 2009–2023 «HANDYHOST.RU» 8-800-505-68-01

• Услуги
• Хостинг сайтов
• Домены
• Конструктор сайтов
• Linux VPS / Windows VPS
• Выделенные серверы
• SSL сертификаты

• Клиентам
• Контакты
• О компании
• Акции
• Оборудование
• Партнерская программа

• Поддержка
• Способы оплаты
• Регламент
• Документы
• Справка

Как очищать данные при помощи SQL

За время работы автору довелось использовать многие инструменты анализа, включая Excel, R и Python. Попробовав PostgreSQL и TimescaleDB, автор поняла, насколько простыми могут быть задачи очистки. Делимся подробностями сравнения PostgreSQL и Python из блога TimescaleDB, пока у нас начинается курс по аналитике данных.

Процесс анализа вкратце

Раньше столбцы и значения данных приходилось редактировать вручную. Приходилось извлекать «сырые» данные из CSV-файла или базы данных, а затем изменять их в Python-скрипте.

Приходилось ждать, пока машина настроит и очистит данные. А чтобы поделиться очищенными данными, нужно было запускать скрипт или передавать его другим людям. Но теперь благодаря PostgreSQL я один раз пишу запрос очистки на SQL прямо в базе данных и сохраняю результаты в таблице.

О наборе данных

Бо́льшую часть работы по очистке я проводила после анализа. Но иногда полезно очистить данные, оценить их и снова очистить. Именно с таким случаем мы и будем работать. В одном из наборов данных Kaggle содержатся показания потребления энергии одной из квартир в Сан-Хосе, штат Калифорния. Данные обновляются каждые 15 минут и следуют приблизительно такой схеме:

Вот что приходит в голову первым в смысле очистки:

• Тариф — текстовый тип, а это вызовет проблемы.
• Столбцы времени и даты разделены, что может вызвать проблемы при создании графиков или моделей на основе показателей времени.
• Может понадобиться отфильтровать данные по временным параметрам, например по дню недели или конкретным праздникам (оба параметра влияют на потребление энергии).

К процессу очистки в PostgreSQL можно подойти по-разному: можно создать таблицу, а затем изменить её при очистке, создать несколько таблиц при добавлении или изменении данных или работать с представлениями. В зависимости от размера данных эти подходы могут иметь смысл, но вычисления будут выполнятся по-разному.

Учитывая состояние данных в energy_usage_staging , я решила поместить их в промежуточную таблицу, очистить с помощью представлений, а затем вставить в таблицу поудобнее. Всё это можно сделать до оценки данных.

Часто при работе с большим объёмом данных изменение таблицы в PostgreSQL может оказаться дорогим. Я покажу, как с помощью представлений и дополнительных таблиц создать чистые данные.

Проблемы структуры

Разделённые столбцы даты и времени надо преобразовать в метку времени, а столбец тарифов— в тип float4. Подробности ниже.

Гипертаблицы TimescaleDB, и почему важна метка времени

В основе эффективности запроса данных временного ряда и управления этими данными лежат гипертаблицы TimescaleDB. Они разделяются по столбцу времени, который вы укажете при создании таблицы.

Данные разделяются по метке времени на «куски», так что каждая строка таблицы принадлежит какому-то куску исходя из диапазона. Позже эти куски используются в запросах строк, чтобы запросы и манипулирование данными по времени были эффективнее. Ниже вы видите разницу между обычной таблицей и гипертаблицей:

Изменение структуры даты и времени

Чтобы по максимуму использовать функциональность TimescaleDB, например непрерывное агрегирование и ускоренные временные запросы, надо поменять структуру столбцов даты и времени в таблице energy_usage_staging .

Для разделения гипертаблицы можно использовать столбец даты, но тогда будет ограничен контроль над данными по времени. Один столбец с меткой времени даёт больше гибкости и экономит пространство эффективнее, чем отдельные столбцы с датой и временем.

Структура таблицы должна быть такой, чтобы из столбцов date и start_time можно было получать полезное значение метки времени: end_time не даёт столько информации. Иными словами, надо объединить эти два столбца в один с метками времени.

В PostgreSQL можно создать столбец, не вставляя его в базу данных. Поэтому, чтобы создать из этой промежуточной таблицы новую таблицу, добавлять дополнительные столбцы или таблицы пока не нужно. Сначала сравним исходные столбцы с вновь сгенерированным. Для этого просто добавим один столбец к другому. Ключевое слово AS позволяет переименовать столбцы в time .

--добавляем дату в столбец start_time SELECT date, start_time, (date + start_time) AS time FROM energy_usage_staging eus;

В Python с этой же целью проще всего добавить новый столбец во фрейм данных. Нужно конкатенировать два столбца вместе с определённым пространством, а затем преобразовать этот столбец в datetime .

energy_stage_df['time'] = pd.to_datetime(energy_stage_df['date'] + ' ' + energy_stage_df['start_time']) print(energy_stage_df[['date', 'start_time', 'time']])

Изменение типов данных столбцов

Благодаря функции TO_NUMBER() в PostgreSQL это просто.

Формат функции такой: TO_NUMBER(‘text’, ‘format’) ; format — это специальная строка PostgreSQL, которая создаётся в зависимости от типа текста. Мы имеем дело с символом $ и числовым набором 0,00 . Строка формата будет такой: ‘ L99D99 ‘. L сообщает PostgreSQL, что в начале текста есть символ денег, 9-ки — что есть числовые значения, а D отделяет целую часть от десятичной.

Преобразование ограничим значениями не больше 99,99, поскольку в столбце тарифов нет значений больше 0,65. А что если надо преобразовать столбец с большими числовыми значениями? Тогда добавляем G для запятых.

К примеру, есть столбец тарифов с текстовыми значениями 1,672,278.23. Тогда отформатируем строку так: L9G999G999D99 .

--создаём новый столбец cost_new с функцией to_number() SELECT cost, TO_NUMBER("cost", 'L9G999D99') AS cost_new FROM energy_usage_staging eus ORDER BY cost_new DESC

energy_stage_df['cost_new'] = pd.to_numeric(energy_stage_df.cost.apply(lambda x: x.replace('$',''))) print(energy_stage_df[['cost', 'cost_new']])

В случае Python используем лямбда-функцию, которая заменяет все знаки $ пустыми строками. И это снова может быть неэффективно.

energy_stage_df['cost_new'] = pd.to_numeric(energy_stage_df.cost.apply(lambda x: x.replace('$',''))) print(energy_stage_df[['cost', 'cost_new']])

Представления PostgreSQL

Представление — это объект PostgreSQL, который позволяет определять запрос и вызывать его по имени представления, как если бы это была таблица БД. Сгенерируем данные и создадим представление:

--запрашиваем нужные данные SELECT type, (date + start_time) AS time, "usage", units, TO_NUMBER("cost", 'L9G999D99') AS cost, notes FROM energy_usage_staging

Назовём наше представление energy_view , а при последующей очистке просто укажем его имя в операторе FROM .

--из запроса выше создаём представление CREATE VIEW energy_view AS SELECT type, (date + start_time) AS time, "usage", units, TO_NUMBER("cost", 'L9G999D99') AS cost, notes FROM energy_usage_staging

energy_df = energy_stage_df[['type','time','usage','units','cost_new','notes']] energy_df.rename(columns=, inplace = True) print(energy_df.head(20))

Важно: данные внутри представлений PostgreSQL должны пересчитываться при каждом запросе. Вот почему надо вставлять данные представления в гипертаблицу, как только они подготовлены.

Cоздание или генерирование необходимых данных

Столбец примечаний ( notes ) в этом наборе пуст. Чтобы проверить это, просто включаем оператор WHERE и указываем, где notes не равны пустой строке.

SELECT * FROM energy_view ew -- когда notes — не пустые строки WHERE notes!='';

И код на Python:

print(energy_df[energy_df['notes'].notnull()])

Столбец примечаний пуст, поэтому заменим его различными наборами дополнительной информации, чтобы использовать эту информацию при моделировании.

Добавим столбец дня недели при помощи EXTRACT() — функции даты/времени PostgreSQL, которая позволяет извлекать из даты и времени различные элементы. У наших колонок в PostgreSQL есть обозначение дня недели DOW (day-of-week): 0 — это воскресенье, а 6 — суббота.

-- извлекаем day-of-week from date и приводим вывод к int SELECT *, EXTRACT(DOW FROM time)::int AS day_of_week FROM energy_view

energy_df['day_of_week'] = energy_df['time'].dt.dayofweek

Можно добавить столбец, где указывается, приходится ли день на выходные или будни. Для этого воспользуемся оператором CASE:

SELECT type, time, usage, units, cost, EXTRACT(DOW FROM time)::int AS day_of_week, -- --используйте оператор case, чтобы сделать столбец истинным, если записи выпадают на выходные дни и 6 CASE WHEN (EXTRACT(DOW FROM time)::int) IN (0,6) then true ELSE false END AS is_weekend FROM energy_view ew

Интересный факт: тот же запрос можно выполнить без CASE , но только для столбцов с двоичными данными.

--другой метод создания столбца с двоичными данными SELECT type, time, usage, units, cost, EXTRACT(DOW FROM time)::int AS day_of_week, EXTRACT(DOW FROM time)::int IN (0,6) AS is_weekend FROM energy_view ew

energy_df['is_weekend'] = np.where(energy_df['day_of_week'].isin([5,6]), 1, 0) print(energy_df.head(20))

Обратите внимание: в Python выходные представлены числами 5 и 6, а в PostgreSQL — числами 0 и 6.

А что, если добавить другие параметры? Например, праздники. Люди в праздники чаще всего не работают и проводят время дома, а значит, в эти дни потребление энергии может быть другим. Поэтому включим в анализ определение праздников. Для этого создадим ещё один столбец логических значений, который определяет наступление национального праздника. Для этого используем функцию TimescaleDB time_bucket() .

Эта функция нужна, чтобы гарантировать, что учитываются все значения времени за день. Создав таблицу праздников, используем данные из неё в запросе без оператора CASE , но можно написать запрос и с ним.

--создаём таблицу для праздников CREATE TABLE holidays ( date date) --вставляем праздники в таблицу INSERT INTO holidays VALUES ('2016-11-11'), ('2016-11-24'), ('2016-12-24'), ('2016-12-25'), ('2016-12-26'), ('2017-01-01'), ('2017-01-02'), ('2017-01-16'), ('2017-02-20'), ('2017-05-29'), ('2017-07-04'), ('2017-09-04'), ('2017-10-9'), ('2017-11-10'), ('2017-11-23'), ('2017-11-24'), ('2017-12-24'), ('2017-12-25'), ('2018-01-01'), ('2018-01-15'), ('2018-02-19'), ('2018-05-28'), ('2018-07-4'), ('2018-09-03'), ('2018-10-8') SELECT type, time, usage, units, cost, EXTRACT(DOW FROM time)::int AS day_of_week, EXTRACT(DOW FROM time)::int IN (0,6) AS is_weekend, -- Затем я могу выбрать данные из таблицы прямо внутри IN time_bucket('1 day', time) IN (SELECT date FROM holidays) AS is_holiday FROM energy_view ew

holidays = ['2016-11-11', '2016-11-24', '2016-12-24', '2016-12-25', '2016-12-26', '2017-01-01', '2017-01-02', '2017-01-16', '2017-02-20', '2017-05-29', '2017-07-04', '2017-09-04', '2017-10-9', '2017-11-10', '2017-11-23', '2017-11-24', '2017-12-24', '2017-12-25', '2018-01-01', '2018-01-15', '2018-02-19', '2018-05-28', '2018-07-4', '2018-09-03', '2018-10-8'] energy_df['is_holiday'] = np.where(energy_df['day_of_week'].isin(holidays), 1, 0) print(energy_df.head(20))

Пока сохраним эту расширенную таблицу в другом представлении, чтобы воспользоваться представлением позже.

--создаём другое представление с данными из первой очистки CREATE VIEW energy_view_exp AS SELECT type, time, usage, units, cost, EXTRACT(DOW FROM time)::int AS day_of_week, EXTRACT(DOW FROM time)::int IN (0,6) AS is_weekend, time_bucket('1 day', time) IN (select date from holidays) AS is_holiday FROM energy_view ew

Вы спросите: «Зачем создавать столбцы логических значений?». Для фильтрации. В PostgreSQL благодаря логическим столбцам очень легко фильтровать данные. Например, если нужно показать данные только за выходные и праздничные дни, добавим WHERE вместе с указанными столбцами.

--если используете столбцы с двоичными данными, то фильтровать их можно простым WHERE SELECT * FROM energy_view_exp WHERE is_weekend AND is_holiday

print(energy_df[(energy_df['is_weekend']==1) & (energy_df['is_holiday']==1)].head(10)) 

Добавление данных в гипертаблицу

Подготовив новые столбцы и организовав таблицу, создадим новую гипертаблицу и вставим очищенные данные.

CREATE TABLE energy_usage ( type text, time timestamptz, usage float4, units text, cost float4, day_of_week int, is_weekend bool, is_holiday bool, ) --команда создания гипертаблицы SELECT create_hypertable('energy_usage', 'time') INSERT INTO energy_usage SELECT * FROM energy_view_exp

В случае работы с постоянно поступающими данными можно создать скрипт, который при импорте данных автоматически вносит эти изменения.

Переименование значений

Ещё один ценный метод очистки данных — переименование элементов или повторное отображение категориальных значений.

Его важность подчёркивается популярностью вопроса об анализе данных Python на StackOverflow: «Как во фрейме Pandas поменять одно значение индекса». PostgreSQL и TimescaleDB используют структуры реляционных таблиц, поэтому переименовывать уникальные значения просто.

Определённые значения индекса в таблице переименовываются «на лету» через CASE внутри SELECT . Например, поменяем 0 воскресенья в столбце day_of_week на 7 :

SELECT type, time, usage, cost, is_weekend, -- чтобы переписать значения, можно воспользоваться CASE CASE WHEN day_of_week = 0 THEN 7 ELSE day_of_week END FROM energy_usage

Внимание: код ниже сделает понедельник равным 7, потому что в функции DOW (day-of-week) Python значение понедельника 0, а воскресенья — 6. Но так и обновляется одно значение в столбце. При этом обновлять значения, скорее всего, не придётся, а эквивалент на Python показан просто для справки.

energy_df.day_of_week[energy_df['day_of_week']==0] = 7 print(energy_df.head(250))

А если вместо числовых значений использовать названия дней недели? Убираем CASE и создаём таблицу сопоставления. При изменении различных значений будет эффективнее создать её, а затем объединиться с ней командой JOIN .

--создаём таблицу CREATE TABLE day_of_week_mapping ( day_of_week_int int, day_of_week_name text ) --затем добавляем в неё данные INSERT INTO day_of_week_mapping VALUES (0, 'Sunday'), (1, 'Monday'), (2, 'Tuesday'), (3, 'Wednesday'), (4, 'Thursday'), (5, 'Friday'), (6, 'Saturday') --объединяем её с таблицей очистки для повторного отображения дней недели SElECT type, time, usage, units, cost, dowm.day_of_week_name, is_weekend FROM energy_usage eu LEFT JOIN day_of_week_mapping dowm ON dowm.day_of_week_int = eu.day_of_week

Аналогичные функции отображения есть в Python.

energy_df['day_of_week_name'] = energy_df['day_of_week'].map() print(energy_df.head(20))

Кроме того, помните: поменять название столбца в таблице можно при помощи оператора SELECT .

SELECT type AS usage_type, time as time_stamp, usage, units, cost AS dollar_amount FROM energy_view_exp LIMIT 20;

SQL здесь быстрее и элегантнее. На Python переименование столбцов может стать большой проблемой.

energy_df.rename(columns=, inplace=True) print(energy_df[['usage_type','time_stamp','usage','units','dollar_amount']].head(20))

Заполнение недостающих данных

Другая проблема в процессе очистки данных — это их отсутствие. В нашем наборе нет явно отсутствующих точек данных, но наверняка найдутся недостающие данные по часам, возникающие из-за отключения электроэнергии или других обстоятельств. Здесь и пригодятся функции заполнения TimescaleDB.

Недостающие данные часто оказывают большое и негативное влияние на точность или надёжность модели. Иногда проблема решается заполнением недостающих данных данными, которые получены обоснованными оценками. Чтобы получить такие данные, TimescaleDB предоставляет встроенные функции.

Например, при моделировании потребления энергии в отдельные дни недели по некоторым дням из-за отключения электроснабжения или проблем с датчиком данных нет. Данные можно удалить или заполнить недостающие значения обоснованными оценками.

Для примера я создала данные и назвала таблицу energy_data . В ней нет показаний времени и энергии между 7:45 и 11:30 утра.

Чтобы добавить эти недостающие значения, используем гиперфункции TimescaleDB; interpolate() — ещё одна гиперфункция TimescaleDB. Она создаёт точки данных, которые следуют линейной аппроксимации с учётом точек данных до и после отсутствующего диапазона.

Есть альтернативная гиперфункция locf() , которая переносит последнее записанное значение вперёд, чтобы заполнить пробел (locf так и расшифровывается: last-one-carried-forward, т. е. «последнее переносимое вперёд»). Обе гиперфункции должны использоваться вместе с time_bucket_gapfill() .

SELECT --новые данные должны появляться каждые 15 минут time_bucket_gapfill('15 min', time) AS timestamp, interpolate(avg(energy)), locf(avg(energy)) FROM energy_data --чтобы использовать gapfill, придётся удалять любые данные времени, связанные со значениями null. Сделать это можно с помощью оператора IS NOT NULL WHERE energy IS NOT NULL AND time > '2021-01-01 07:00:00.000' AND time < '2021-01-01 13:00:00.000' GROUP BY timestamp ORDER BY timestamp;

energy_test_df['time'] = pd.to_datetime(energy_test_df['time']) energy_test_df_locf = energy_test_df.set_index('time').resample('15 min').fillna(method='ffill').reset_index() energy_test_df = energy_test_df.set_index('time').resample('15 min').interpolate().reset_index() energy_test_df['locf'] = energy_test_df_locf['energy'] print(energy_test_df)

Следующий вопрос: как игнорировать отсутствующие данные. Я покажу, как легко исключить данные с NULL .

SELECT * FROM energy_data WHERE energy IS NOT NULL

Можно также использовать оператор WHERE , чтобы указать игнорируемое время.

SELECT * FROM energy_data WHERE time = '2021-01-01 11:30:00.000'

Продолжить изучение SQL и Python вы сможете на наших курсах:

• Профессия Data Scientist (24 месяца)
• Профессия Data Analyst (10 месяцев)

Другие профессии и курсы

Data Science и Machine Learning

• Профессия Data Scientist
• Профессия Data Analyst
• Курс «Математика для Data Science»
• Курс «Математика и Machine Learning для Data Science»
• Курс по Data Engineering
• Курс «Machine Learning и Deep Learning»
• Курс по Machine Learning

Python, веб-разработка

• Профессия Fullstack-разработчик на Python
• Курс «Python для веб-разработки»
• Профессия Frontend-разработчик
• Профессия Веб-разработчик

Мобильная разработка

• Профессия iOS-разработчик
• Профессия Android-разработчик

Java и C#

• Профессия Java-разработчик
• Профессия QA-инженер на JAVA
• Профессия C#-разработчик
• Профессия Разработчик игр на Unity

От основ — в глубину

• Курс «Алгоритмы и структуры данных»
• Профессия C++ разработчик
• Профессия Этичный хакер

А также

Очистка и оптимизация базы данных

Если вы давно не чистили базу данных, то в ней накопилось много неиспользуемых записей, которые увеличивают ее размер и замедляют сайт.

В этой статье вы узнаете, как очистить и оптимизировать базу данных с помощью SQL запросов в приложении phpMyAdmin на хостинге, и как очистить и оптимизировать базу данных с помощью плагинов.

Перед началом работы сделайте бэкап. Если что-то пойдет не так, вы сможете восстановить базу данных из бэкапа.

• Как работает База данных
• Бэкап Вордпресс

• Удаление данных от удаленных плагинов и постов
• Удаление спам комментариев
• Удаление комментариев, ожидающих проверки
• Удаление неиспользуемых тегов
• Удаление Trackback и Pingback
  • Trackback
  • Pingback
  • WP Sweep
  • WP Optimize
  • Advanced Database Cleaner
  • Advanced Database Cleaner Pro
  • WP Rocket

  Удалите неиспользуемые плагины. Удалите все плагины, которые вы не используете. Остатки от удаленных плагинов — один из источников мусора.

  Как делать SQL запросы к базе данных

  Для администрирования БД чаще всего используется приложение phpMyAdmin, которое находится на хостинге. Найдите «База данных», «Database», «MySQL» или что-нибудь подобное. Откройте нужную базу данных.

  Если вы забыли или не знаете название, логин или пароль к своей базе данных, то их можно узнать в файле wp-config.php, который находится в корневой папке сайта. Записи о базе данных находятся в самом начале файла.

  Если у вас русский язык:

  Если у вас английский язык:

  имя-базы-данных , логин-для-входа-в-БД , пароль-БД — скопируйте логин и пароль и откройте базу данных.

  Запросы создаются на вкладке SQL. Документация.

  

  Делайте запросы здесь. Когда запрос готов, нажмите Вперед.

  Если вы получили ответ, что 0 таблиц было изменено, то это значит, что текущее состояние параметра соответствует запросу.

  ЗАПРОСЫ

  Удаление данных от удаленных плагинов и данные постов

  После удаления ненужных плагинов в таблице wp_postmeta могут остаться записи от них. В этой же таблице находятся мета данные постов.

  Создайте запрос для удаления неиспользуемых записей плагинов и постов, которые остались после удаления плагинов или постов.

  DELETE FROM wp_postmeta WHERE meta_key = 'ваш-мета-ключ';

  Замените ваш-мета-ключ на нужное значение.

  DELETE FROM wp_#_postmeta WHERE meta_key = 'ваш-мета-ключ';

  Измените # на ID сайта и ваш-мета-ключ на нужное значение.

  Удаление спам комментариев

  Удалить весь спам из БД можно этим запросом:

  DELETE FROM wp_comments WHERE comment_approved = 'spam';

  DELETE FROM wp_#_comments WHERE comment_approved = 'spam';

  Измените # на ID сайта.

  Удаление комментариев, ожидающих проверки

  Если у вас много спама, ожидающего проверки, вы можете удалить его этим запросом. Перед удалением проверьте, чтобы не удалились нужные комментарии.

  DELETE FROM wp_comments WHERE comment_approved = '0';

  DELETE FROM wp_#_comments WHERE comment_approved = '0';

  Измените # на ID сайта.

  Удаление неиспользуемых тегов

  Если у вас есть тег, который не связаны ни с одной статьей, удалите его этим запросом:

  DELETE FROM wp_terms wt INNER JOIN wp_term_taxonomy wtt ON wt.term_id = wtt.term_id WHERE wtt.taxonomy = 'post_tag' AND wtt.count = 0;

  DELETE FROM wp_#_terms wt INNER JOIN wp_term_taxonomy wtt ON wt.term_id = wtt.term_id WHERE wtt.taxonomy = 'post_tag' AND wtt.count = 0;

  Измените # на ID сайта.

  Удаление Trackback и Pingback

  Если вы отключили эти функции и хотите удалить их записи из базы данных, используйте эти запросы:

  Trackback

  DELETE FROM wp_comments WHERE comment_type = 'trackback';

  DELETE FROM wp_#_comments WHERE comment_type = 'trackback';

  Измените # на ID сайта.

  Pingback

  DELETE FROM wp_comments WHERE comment_type = 'pingback';

  DELETE FROM wp_#_comments WHERE comment_type = 'pingback';

  Измените # на ID сайта.

  Удаление ревизий постов

  Каждый раз, когда вы нажимаете Обновить, создается еще одна ревизия страницы. По умолчанию, в Вордпресс сохраняется неограниченное количество копий.

  Сохраненные версии постов хранятся в базе данных. Если у вас большой сайт, большое количество ревизий сильно увеличивает ее размер. Чтобы удалить их все, используйте этот запрос:

  DELETE a,b,c FROM wp_posts a LEFT JOIN wp_term_relationships b ON ( a.ID = b.object_id) LEFT JOIN wp_postmeta с ON ( a.ID = c.post_id) LEFT JOIN wp_term_taxonomy d ON ( b.term_taxonomy_id = d.term_taxonomy_id) WHERE a.post_type = 'revision' AND d.taxonomy != 'link_category'

  DELETE a,b,c FROM wp_#_posts a LEFT JOIN wp_#_term_relationships b ON ( a.ID = b.object_id) LEFT JOIN wp_#_postmeta с ON ( a.ID = c.post_id) LEFT JOIN wp_#_term_taxonomy d ON ( b.term_taxonomy_id = d.term_taxonomy_id) WHERE a.post_type = 'revision' AND d.taxonomy != 'link_category'

  Замените # на ID сайта.

  Удаление шорткодов плагинов и тем

  Если вы пользовались каким-то плагином, который использует шорткоды, а теперь удалили этот плагин, то теперь шорткоды появятся на сайте в виде текста.

  Чтобы удалить все записи о шорткодах из базы данных, сделайте этот запрос:

  UPDATE wp_post SET post_content = replace(post_content, '[ваш-шорткод]', '');

  UPDATE wp_#_post SET post_content = replace(post_content, '[ваш-шорткод]', '');

  Измените # на ID сайта.

  Удаление постов старше Х дней

  Если вы хотите удалить посты старше Х дней, используйте этот запрос:

  DELETE FROM 'wp_posts' WHERE 'post_type' = 'post' AND DATEDIFF(NOW(),'post_date') > X-дней

  Замените X-дней на нужное число дней.

  DELETE FROM 'wp_#_posts' WHERE 'post_type' = 'post' AND DATEDIFF(NOW(),'post_date') > X-дней

  Измените # и X-дней.

  Удаление других комментариев

  Иногда некоторые плагины добавляют комментарии в таблицу wp_commentsmeta вместо wp_comments . Если вы хотите очистить эту таблицу, сделайте этот запрос:

  SELECT FROM wp_commentsmeta WHERE comment_id NOT IN ( SELECT comment_id FROM wp_comments );

  Если вы хотите очистить таблицу wp_commentsmeta на другом сайте в сети, используйте этот запрос:

  SELECT FROM wp_#_commentsmeta WHERE comment_id NOT IN ( SELECT comment_id FROM wp_#_comments );

  Замените # на ID сайта.

  Оптимизация базы данных

  Вы можете оптимизировать таблицы базы данных без использования плагинов.

  В phpMyAdmin выберите нужную базу данных, спуститесь вниз, нажмите Отметить все и выберите Оптимизировать таблицу в выпадающем меню. Нажимать «Вперед» не нужно, оптимизация начнется автоматически.

  

  Если ваша базы данных не помещается на одной странице, то вам нужно оптимизировать таблицы на каждой странице. Можно оптимизировать все таблицы, или только самые большие по размеру. Размер таблицы указывается в столбце Размер.

  

  Пустой результат означает, что ничего не было оптимизировано, потому что таблицы уже оптимизированы плагином, который установлен на сайте.

  База данных свежей установки Вордпресс 4.9.8 для сравнения

  Плагины WordPress для оптимизации базы данных

  Сделайте бэкап базы данных перед использованием этих плагинов. Некоторые из плагинов удаляют посты, имеющие статус Черновик. Убедитесь, что все Черновики опубликованы.

  WP Sweep

  Current Version: 1.1.8

  Last Updated: 09.08.2023

  WP Sweep (бесплатный) очищает базу данных от неиспользуемых и служебных данных и оптимизирует базу данных. Самый простой плагин, все просто и безопасно. Минус в том, что нет расписания для автоматического сервиса.

  WP Optimize

  Current Version: 3.2.21

  Last Updated: 18.10.2023

  WP Optimize (бесплатный) — делает то же самое, но в нем есть автоматическое расписание очистки и оптимизации БД. Для оптимизации базы данных он использует прямые запросы к базе данных и оставляет после себя некоторые записи. Минимум настроек, подходит для новичков.

  У плагина более 1 миллиона установок, регулярно обновляется, написан группой известных разработчиков.

  В одной из последних версий в плагине появилось кеширование на уровне функционала плагина WP Super Cache и сжатие изображений.

  Advanced Database Cleaner

  Current Version: 3.1.3

  Last Updated: 19.11.2023

  Advanced Database Cleaner (бесплатный) аналогичен предыдущему, но есть мощный инструмент редактирования базы данных вручную, редактирования cron-расписания и редактирования таблицы options базы данных. Плюс в том, что есть все, что нужно.

  Этот плагин, так же как и предыдущие, пропускает некоторые записи (например, от удаленных плагинов), которые можно очистить только вручную. Для того, чтобы очистить вручную, нужно знать, чему соответствует каждая запись в базе данных.

  Advanced Database Cleaner Pro

  Advanced Database Cleaner Pro (платный) имеет весь функционал бесплатного плагина и показывает, чему соответствует каждая запись в базе данных.

  

  WP Rocket

  

  WP Rocket — один из лучших плагинов кеширования для Вордпресс, с помощью которого вы можете получить 98-100 баллов по тесту скорости Google.

  Кроме своей основной работы, плагин очищает и оптимизирует базу данных вручную или по расписанию. Выберите, какие записи вы хотите удалять и частоту очистки.

  Описание некоторых терминов, которые используются БД

  Orphan post meta. Когда вы создаете новый пост, у него появляются мета данные, — Автор поста, Категория поста, дата публикации и изменения. Иногда после удаления поста эти мета данные остаются в базе данных и не относятся ни к одному посту.

  Orphan comment meta. Комментарии, которые не относятся ни к одному посту.

  Orphan relationships. Таблица wp_term_relationships содержит записи о связях между постами. Если вы удалили этот контент, то связи между удаленными страницами остаются в этой таблице.

  Dashboard transient feed. Это врéменные данные, которые хранятся в базе данных и имеют срок существования, после чего удаляются.

  Заключение

  В теории база данных может быть сколько угодно большой.

  Различные компоненты сайта будут обращаться только к тем записям, которые им нужны в данный момент для непосредственной работы. Все остальные записи базы данных будут просто находиться в своих таблицах.

  В некоторой степени так и есть, но лучше поддерживать порядок на сайте и удалять все, что не нужно.

  С базой данных меньшего размера бэкап будет работать быстрее. Освободившееся ресурсы сервера лучше потратить на обслуживание трафика.

  Настройте автоматическую очистку и оптимизацию базы данных по расписанию. В зависимости от посещаемости и обновления контента выберите 1 раз в неделю или 1 раз в месяц.

  Читайте также:

  1. Бэкап Вордпресс
  2. Как работает база данных
  3. Как изменить префикс базы данных
  4. Ускорение и оптимизация Вордпресс

  Надеюсь, статья была полезна. Оставляйте комментарии.

  Как почистить базу данных sql

  Как очистить базу 1С SQL?
  Тоесть мне надо очистить все журналы, проводки, справочники, для перекидки конвигурации.

  Точно также, как и ДБФ.
  А точне мона. Потомучто я незнаю как там и там.
  Я первый раз сел за 1С.
  (3) Тогда ты будешь приятно удивлен. Для твоей задачи очищать базу вообще не надо.
  Хорошо а что мне делать?

  >> для перекидки конвигурации

  Мне нада новая чистая конфигурация. Для Работы с нуля!
  Да создай пустую базу и подгрузи МД

  (7)
  1. Создаем пустую базу на SQL.
  2. На диске создаем папку, копируем туда 1cv7.md и ExtForms
  3. Запускаем 1С, указываем на вновь созданную папку.
  4. Продолжаем загрузку в режиме конфигуратора, на вопрос по формату выбираем MsSQL
  5. Прописываем настройки в Администрирование-Параметры базы данных SQL

  где КонецЦикла.
  он "в жилу" советы дает

  Зделал всё что ты написал по пунктам в тойже последовательности вроде всё нормально делаю. Но не таблиц не процедур в базе он не создал

  Всё дошло!
  Дяку

  1. Создаем пустую базу на SQL.
  2. На диске создаем папку, копируем туда ExtForms, файлы прописи для валют( *.spl)
  3. Запускаем 1С, указываем на вновь созданную папку.
  4. Продолжаем загрузку в режиме конфигуратора, на вопрос по формату выбираем MsSQL
  5. Создаем пользователя.
  6. Прописываем настройки в Администрирование-Параметры базы данных SQL
  7. Во временную папку копируем МД.
  8. В конфигураторе:Конфигурация ->Открыть->Сохранить. На все предупреждения нажимаем ОК. Конфигурация -> Объединение конфигураций.. Указываем МД во временной папке.

  Глупец, лишенный способности посмеяться над собой вместе с другими, не сможет долго выносить программирование. Фредерик Брукс-младший