Pular para o conteúdo principal

Questão de Banco de Dados — Banco de Dados — Avança SP 2025

Banco de DadosBanco de Dados
Código
qg425049
Banca
Avança SP
Órgão
UNITAU
Ano
2025
Nível
Superior
Cargo
Analista de Sistemas Sênior
Em um banco de dados PostgreSQL com milhões de registros, qual das seguintes técnicas é mais eficiente para otimizar uma consulta que filtra registros por data?
  1. ACriar um índice B-tree na coluna de data
  2. BUsar LIKE com wildcard no início do campo
  3. CConverter a coluna para texto antes da comparação
  4. DRealizar full table scan
  5. EUtilizar índice hash nas colunas de data
Revelar gabarito e comentário

GabaritoA — Criar um índice B-tree na coluna de data

Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.

Otimização de consultas por data no PostgreSQL

Gabarito: letra A. Para filtrar registros por data em uma tabela com milhões de linhas, a técnica mais eficiente é criar um índice B-tree na coluna de data, pois essa estrutura organiza os valores de forma ordenada e permite ao otimizador realizar buscas por intervalo (como BETWEEN, >, <) de maneira extremamente rápida, evitando a varredura completa da tabela (full table scan).

O índice B-tree é a estrutura de indexação padrão e mais versátil dos bancos de dados relacionais, incluindo o PostgreSQL. Ele funciona como uma árvore balanceada onde cada nó aponta para faixas de valores, permitindo que a busca por um valor específico ou por um intervalo de datas tenha complexidade logarítmica, em vez de linear. Quando você cria um índice em uma coluna de data, o banco de dados mantém uma estrutura separada, ordenada por essa coluna, que contém os valores e ponteiros para as linhas correspondentes na tabela original. Assim, ao executar uma consulta com filtro de data, o otimizador pode percorrer o índice diretamente, localizando rapidamente o ponto de início e fim do intervalo desejado, e então buscar apenas as linhas relevantes. Isso é especialmente vantajoso em tabelas com milhões de registros, onde a varredura completa seria extremamente custosa em termos de I/O e tempo de processamento.

É importante entender que a escolha do tipo de índice depende do padrão de consulta. Para filtros por data, que geralmente envolvem intervalos (ex.: "últimos 30 dias", "entre 01/01/2024 e 31/12/2024"), o B-tree é ideal porque mantém os dados ordenados, permitindo que o otimizador faça uma varredura de intervalo eficiente. Já o índice hash é projetado para buscas por igualdade exata, não sendo adequado para consultas de intervalo ou ordenação. O índice bitmap, por sua vez, é mais eficiente em colunas com baixa cardinalidade (poucos valores distintos), o que não é o caso de uma coluna de data, que tende a ter alta cardinalidade. Portanto, a alternativa A é a mais correta e eficiente para o cenário apresentado.

A pegadinha desta questão está em confundir a finalidade de cada tipo de índice. O candidato pode ser tentado a escolher o índice hash (alternativa E) por achar que é uma opção moderna, mas ele é inadequado para filtros de intervalo. Da mesma forma, o uso de LIKE com wildcard no início (alternativa B) impede a utilização de qualquer índice, forçando uma varredura completa. Converter a coluna para texto (alternativa C) também impede o uso de índice e adiciona overhead de conversão. E o full table scan (alternativa D) é exatamente o que se quer evitar. A chave é reconhecer que, para consultas por data, o B-tree é a ferramenta certa.

Critério

Índice B-tree (A)

LIKE com wildcard (B)

Conversão p/ texto (C)

Full table scan (D)

Índice hash (E)

Suporte a filtros de intervalo (BETWEEN, >, <)

✅ Sim, ideal

❌ Não

❌ Não

⚠️ Funciona, mas ineficiente

❌ Não

Uso de índice pelo otimizador

✅ Sim

❌ Impedido

❌ Impedido

❌ Nenhum

❌ Apenas igualdade exata

Complexidade de busca

O(log n)

O(n)

O(n) + overhead de conversão

O(n)

O(1) só p/ igualdade; O(n) p/ intervalo

Adequação a coluna de alta cardinalidade (datas)

✅ Alta

❌ Baixa

❌ Baixa

❌ Nenhuma

❌ Baixa

Risco de resultados incorretos

✅ Nenhum

⚠️ Possível (ordenação lexicográfica)

❌ Alto (ordenação lexicográfica)

✅ Nenhum

✅ Nenhum

Custo em tabela com milhões de registros

✅ Baixo

❌ Alto

❌ Alto

❌ Altíssimo

❌ Alto (para intervalos)

Alternativa A — ✅ Correta ⟵ GABARITO

Criar um índice B-tree na coluna de data é a técnica mais eficiente. O B-tree é a estrutura de índice padrão do PostgreSQL e é otimizada para consultas de intervalo e ordenação, que são comuns em filtros por data. Com milhões de registros, o índice permite que o otimizador localize rapidamente as linhas que atendem ao filtro, sem precisar percorrer a tabela inteira. A complexidade da busca cai de O(n) para O(log n), o que é uma diferença enorme em tabelas grandes.

Alternativa B — ❌ Incorreta

Usar LIKE com wildcard no início do campo (ex.: LIKE '%2024-01-01') impede a utilização de qualquer índice, pois o banco não consegue usar a ordenação do índice para encontrar valores que começam com um curinga. Isso força uma varredura completa da tabela, tornando a consulta extremamente lenta em milhões de registros. Além disso, LIKE é mais adequado para busca de padrões em strings, não para comparações de data.

Alternativa C — ❌ Incorreta

Converter a coluna para texto antes da comparação é uma péssima prática de otimização. Essa conversão impede o uso de qualquer índice na coluna original, pois o banco precisaria aplicar a função de conversão em cada linha antes de comparar, o que inviabiliza o uso do índice. Além disso, a comparação de datas como texto pode levar a resultados incorretos devido à ordenação lexicográfica, que não corresponde à ordem cronológica. Essa abordagem adiciona overhead de processamento e torna a consulta mais lenta.

Alternativa D — ❌ Incorreta

Realizar full table scan é exatamente o que se quer evitar ao otimizar uma consulta. Em uma tabela com milhões de registros, percorrer todas as linhas para verificar o filtro de data é extremamente ineficiente, consumindo muito I/O e tempo de processamento. O full table scan só é aceitável quando a tabela é pequena ou quando a consulta retorna uma grande porcentagem das linhas, o que não é o caso de um filtro por data em uma tabela massiva.

Alternativa E — ❌ Incorreta

Utilizar índice hash na coluna de data é inadequado para consultas de intervalo. O índice hash é projetado para buscas por igualdade exata (ex.: WHERE data = '2024-01-01'), mas não suporta operações de intervalo como BETWEEN, >, <, que são comuns em filtros por data. Para esses casos, o otimizador não consegue usar o índice hash e acabaria recorrendo a um full table scan. O B-tree é a escolha correta para colunas de data.

Gabarito: letra A

Link permanente: /questoes/qg425049