PostgreSQL Performance & Query Optimization · Leçon

Utiliser les vues matérialisées pour améliorer les performances

Découvrez comment les vues matérialisées peuvent précalculer les résultats de requêtes complexes afin d’accélérer la génération de rapports et l’analyse.

Utiliser les vues matérialisées pour améliorer les performances est une leçon PostgreSQL Performance & Query Optimization gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage PostgreSQL Performance & Query Optimization, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours PostgreSQL Performance & Query Optimization comprend 4 leçons au total.

Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.

What are Materialized Views?

Welcome to the lesson on Materialized Views! These are powerful tools in PostgreSQL for speeding up complex queries.

Think of a Materialized View (MV) as a pre-computed result set of a query that is stored on disk. Unlike a regular view, which runs its query every time you access it, an MV holds the actual data.

Why Use Materialized Views?

Materialized Views are incredibly useful for performance, especially when dealing with:

Complex Joins: Queries involving many tables.
Aggregations: Calculations like sums, averages, or counts over large datasets.
Reporting & Analytics: Dashboards and reports that frequently query the same complex data.

By pre-calculating and storing these results, MVs can drastically reduce query execution time for repeated requests.

Creating Your First MV

You create a Materialized View using the CREATE MATERIALIZED VIEW statement, followed by a SELECT query. The query defines the data that will be stored in your MV.

Let's create a simple Materialized View to see the average price per category from a products table.

Hands-on MV Creation

Try running this example. It sets up a small products table, inserts some data, and then creates a Materialized View named category_avg_price based on that data.

-- Setup table
CREATE TABLE products (
    id SERIAL PRIMARY KEY,
    name VARCHAR(100),
    category VARCHAR(50),
    price DECIMAL(10, 2)
);

-- Insert data
INSERT INTO products (name, category, price) VALUES
('Laptop', 'Electronics', 1200.00),
('Mouse', 'Electronics', 25.00),
('Keyboard', 'Electronics', 75.00),
('Desk Chair', 'Furniture', 150.00),
('Lamp', 'Furniture', 40.00);

-- Create Materialized View
CREATE MATERIALIZED VIEW category_avg_price AS
SELECT category, AVG(price) AS average_price, COUNT(*) AS product_count
FROM products
GROUP BY category
ORDER BY category;

-- Select from MV
SELECT * FROM category_avg_price;

Keeping Data Fresh

A key difference from regular views is that Materialized Views do not update automatically when the underlying data changes. You need to explicitly refresh them.

Use the REFRESH MATERIALIZED VIEW command to update the data in an MV. For large MVs, you can add CONCURRENTLY to allow other queries to access the view while it's refreshing.

`REFRESH MATERIALIZED VIEW` Demo

Let's add a new product to our products table and then refresh our category_avg_price Materialized View. Notice how the MV shows the old data until it's refreshed.

-- Add new data to the base table
INSERT INTO products (name, category, price) VALUES
('Monitor', 'Electronics', 300.00);

-- Check MV (will NOT show new data yet)
SELECT * FROM category_avg_price;

-- Refresh the Materialized View
REFRESH MATERIALIZED VIEW category_avg_price;

-- Check MV again (NOW shows new data)
SELECT * FROM category_avg_price;

MV vs. Standard Views

It's important to understand the core differences between Materialized Views and standard views:

Standard Views: Are essentially stored queries. They don't store data themselves; they execute their defining query every time they are accessed.
Materialized Views: Store the result of their defining query as actual data on disk. This makes reading from them much faster, but they require manual (or scheduled) refreshing.

Choose MVs when performance is critical for complex, static-ish data.

When to Choose Materialized Views

Materialized Views are ideal for:

Batch Reporting: Generating daily, weekly, or monthly reports that don't need real-time data.
Data Warehousing: Pre-aggregating data for faster analytical queries.
External Dashboards: Providing quick access to complex metrics for BI tools.
Static Data: When the underlying tables don't change very frequently, minimizing refresh overhead.

Avoid MVs for highly transactional, real-time data that needs immediate updates.

MV Knowledge Check

Consider a Materialized View named daily_sales_summary that aggregates sales data from a transactions table.

If new transactions are added to the transactions table, what must you do for daily_sales_summary to reflect these new sales?

Materialized Views: Recap

In this lesson, you've learned about Materialized Views in PostgreSQL.

They are pre-computed query results stored on disk, offering significant performance gains for complex, repetitive queries.
You create them with CREATE MATERIALIZED VIEW.
They require explicit refreshing using REFRESH MATERIALIZED VIEW to update their data.
They are perfect for reporting, analytics, and data warehousing where real-time updates aren't critical.

Keep practicing with MVs to master this powerful optimization technique!

Questions Fréquemment Posées

La leçon « Utiliser les vues matérialisées pour améliorer les performances » est-elle gratuite ?

Oui — le texte complet de « Utiliser les vues matérialisées pour améliorer les performances » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours PostgreSQL Performance & Query Optimization, passe à CoddyKit PRO. Le cours PostgreSQL Performance & Query Optimization comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Utiliser les vues matérialisées pour améliorer les performances » ?

Découvrez comment les vues matérialisées peuvent précalculer les résultats de requêtes complexes afin d’accélérer la génération de rapports et l’analyse. Tu pratiques PostgreSQL Performance & Query Optimization avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer PostgreSQL Performance & Query Optimization ?

Aucune expérience préalable n'est requise. PostgreSQL Performance & Query Optimization sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.

Combien de temps prend la leçon « Utiliser les vues matérialisées pour améliorer les performances » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon PostgreSQL Performance & Query Optimization ?

Oui. Chaque leçon PostgreSQL Performance & Query Optimization inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

Optimiser les agrégats et les fonctions de fenêtrage
CTE récursives et requêtes sur les graphes
Utiliser les vues matérialisées pour améliorer les performances
Optimiser les requêtes avec FILTER et l’agrégation conditionnelle

← Retour à PostgreSQL Performance & Query Optimization