Window Functions, CTEs רקורסיביים, JSONB, ואופטימיזציה, הטכניקות שמפרידות בין Junior ל-Senior. עם דוגמאות קוד ונתוני ביצועים.
לפי Stack Overflow Developer Survey 2025, SQL נשאר שפת התכנות הנפוצה ביותר, 52% מהמפתחים משתמשים בה. אבל יש הבדל עצום בין SELECT FROM table לבין שאילתות אופטימליות שרצות פי 100 מהר.
[stat]52%|מהמפתחים בעולם משתמשים ב-SQL, השפה הנפוצה ביותר לפי Stack Overflow 2025[/stat]
> 85% ממפתחים כותבים SQL לא יעיל. הטכניקות במאמר הזה יהפכו אתכם ל-15% שמנצלים את מלוא הפוטנציאל של ה-Database.
Window Functions הן הכלי הכי חזק ב-SQL שרוב האנשים לא מכירים. בניגוד ל-GROUP BY שמאבד שורות, Window Functions מחשבות על כל שורה בהקשר של קבוצה בלי לכווץ את התוצאה.
ROWNUMBER(), מספור שורות ייחודי בתוך partition RANK() / DENSERANK(), דירוג עם/בלי פערים LAG() / LEAD(), גישה לשורה קודמת/הבאה, מושלם להשוואת שינויים SUM() OVER(), סכום מצטבר (running total) NTILE(), חלוקה לרבעונים/עשיריות
SELECT name, department, salary, RANK() OVER (PARTITION BY department ORDER BY salary DESC) AS salaryrank FROM employees;
> טיפ מקצועי: Window Functions רצות אחרי WHERE ו-GROUP BY. אם צריכים לסנן לפי תוצאת Window Function, עטפו ב-CTE.
WITH clause הופך שאילתות מורכבות לקריאות ומתוחזקות. במקום subqueries מקוננות, כותבים שלבים ברורים:
WITH monthlyrevenue AS ( SELECT DATETRUNC('month', orderdate) AS month, SUM(amount) AS revenue FROM orders GROUP BY 1 ), growth AS ( SELECT month, revenue, LAG(revenue) OVER (ORDER BY month) AS prevrevenue FROM monthlyrevenue ) SELECT month, revenue, ROUND((revenue - prevrevenue) / prevrevenue 100, 1) AS growthpct FROM growth;
כשיש נתונים היררכיים, ארגונים, קטגוריות, תגובות מקוננות, Recursive CTE הוא הפתרון:
WITH RECURSIVE orgtree AS ( SELECT id, name, managerid, 1 AS level FROM employees WHERE managerid IS NULL UNION ALL SELECT e.id, e.name, e.managerid, t.level + 1 FROM employees e JOIN orgtree t ON e.managerid = t.id ) SELECT FROM orgtree ORDER BY level;
אם אתם לומדים דבר אחד מהמאמר הזה, תלמדו EXPLAIN ANALYZE.
הפקודה מראה בדיוק מה ה-Database עושה: Sequential Scan vs Index Scan, האם משתמשים באינדקסים? Hash Join vs Nested Loop, איזה algorithm ל-JOIN? Actual time, כמה זמן כל שלב לקח? Rows, כמה שורות עברו בכל שלב?
[stat]100x|שיפור ביצועים ממוצע אחרי אופטימיזציה נכונה עם EXPLAIN ANALYZE[/stat]
אינדקס נכון הוא ההבדל בין שאילתה שרצה 30 שניות לשאילתה שרצה 3ms:
B-tree (ברירת מחדל), מצוין ל-range queries, ORDER BY, equality Hash, רק equality checks, קצת יותר מהיר מ-B-tree GIN, Full-text search, JSONB queries, arrays GiST, Geometric data, geographic queries BRIN, טבלאות ענקיות מסודרות (לפי תאריך למשל) Partial Index, אינדקס רק על subset: CREATE INDEX ON orders(createdat) WHERE status = 'pending';
> כלל אצבע: אל תוסיפו אינדקס על כל עמודה. כל אינדקס מאט INSERT/UPDATE. אינדקסו רק עמודות שמופיעות ב-WHERE, JOIN, ו-ORDER BY.
PostgreSQL תומך ב-JSON כ-first-class citizen. אפשר לשלב את הגמישות של NoSQL עם הכוח של SQL:
->, מחזיר JSON element ->>, מחזיר כ-text @>, containment check ?, האם key קיים? jsonbarrayelements(), פריסת מערך לשורות jsonbeach(), פריסת object לשורות
GIN index על JSONB הופך חיפושים ל-instant.
Views ששומרים את התוצאה בדיסק. מושלם לדוחות כבדים:
CREATE MATERIALIZED VIEW monthlystats AS SELECT ... REFRESH MATERIALIZED VIEW CONCURRENTLY monthlystats;
CONCURRENTLY מאפשר refresh בלי לנעול את ה-view.
LATERAL מאפשר ל-subquery בצד ימין של JOIN להתייחס לצד שמאל. פותר בעיות שאחרת דורשות correlated subqueries מורכבים:
SELECT d.name, topemp. FROM departments d CROSS JOIN LATERAL ( SELECT name, salary FROM employees WHERE departmentid = d.id ORDER BY salary DESC LIMIT 3 ) topemp;
כשטבלה גדלה ל-מיליוני שורות, partitioning משפר ביצועים דרמטית:
Range Partitioning, לפי טווח (תאריכים, IDs) List Partitioning, לפי ערכים (מדינות, קטגוריות) Hash Partitioning, חלוקה אחידה
PostgreSQL תומך ב-partition pruning אוטומטי, שאילתות מצליחות על partitions רלוונטיים בלבד.
FILTER, aggregation מותנה: COUNT() FILTER (WHERE status = 'active') GROUPING SETS, כמה GROUP BY בשאילתה אחת CUBE / ROLLUP, כל הקומבינציות / סיכומי ביניים STRINGAGG, חיבור ערכים למחרוזת
AI משנה את הדרך שבה עובדים עם SQL:
GitHub Copilot, מייצר שאילתות SQL מטקסט טבעי Amazon Q, עוזר SQL מובנה ב-AWS Gemini in BigQuery, שאלו שאלות באנגלית, קבלו SQL DBeaver AI, הסבר אוטומטי לשאילתות מורכבות
> אבל! AI מייצר SQL בסיסי. כדי לכתוב שאילתות מתקדמות, מאובטחות, ואופטימליות, צריך להבין את העקרונות. AI הוא כלי, לא תחליף לידע.
> ב-BDO AI & Tech Academy מסלול Data Analyst שלנו כולל SQL מתקדם + AI tools, ללמוד גם את הבסיס החזק וגם את הכלים החדשים. בוגרי המסלול מתמקמים בתפקידי Data Analyst עם שכר ממוצע של ₪18K-25K כבר בתפקיד הראשון.
[stat]₪18K-25K|שכר התחלתי ממוצע ל-Data Analyst בישראל ב-2026[/stat]
---
[cta]רוצים לשלוט ב-SQL ברמת מומחה?|/courses/data-analyst|הצטרפו למסלול Data Analyst של BDO Academy[/cta]