SQL HowTo: напишете while-цикъл директно в заявката или „Елементарно трипосочно“

Периодично възниква задачата за търсене на свързани данни чрез набор от ключове, докато получим необходимия общ брой записи.

Най-„реалистичният“ пример е да се покаже 20 най-стари проблеми, изброени в списъка на служителите (например в рамките на същия отдел). За различни управленски "табла" с кратки резюмета на областите на работа подобна тема се изисква доста често.

В статията ще разгледаме внедряването на PostgreSQL на „наивна“ версия за решаване на такъв проблем, „по-умен“ и много сложен алгоритъм "цикъл" в SQL с условие за изход от намерените данни, които могат да бъдат полезни както за общо развитие, така и за използване в други подобни случаи.

Нека вземем набор от тестови данни от предишна статия. Така че изходните записи да не „скачат“ от време на време, когато сортираните стойности съвпадат, разширете предметния индекс чрез добавяне на първичен ключ. В същото време това веднага ще му придаде уникалност и ще ни гарантира уникалността на реда на сортиране:

CREATE INDEX ON task(owner_id, task_date, id);
-- а старый - удалим
DROP INDEX task_owner_id_task_date_idx;

Както се чува, така се пише

Първо, нека скицираме най-простата версия на заявката, предавайки идентификаторите на изпълнителите масив като вход:

SELECT
  *
FROM
  task
WHERE
  owner_id = ANY('{1,2,4,8,16,32,64,128,256,512}'::integer[])
ORDER BY
  task_date, id
LIMIT 20;

[вижте expand.tensor.ru]

Малко тъжно - поръчахме само 20 записа и Index Scan ни върна 960 реда, които след това също трябваше да бъдат сортирани ... И нека се опитаме да четем по-малко.

unnest + ARRAY

Първото съображение, което ще ни помогне - ако имаме нужда общо 20 сортирани записи, достатъчно е да се прочетат не повече от 20, сортирани в един и същи ред за всеки ключ. Добре, подходящ индекс (owner_id, task_date, id) имаме.

Нека използваме същия механизъм за извличане и "превръщане в колони" вписване в интегрална таблица, както в последната статия. И също така приложете конволюцията към масив с помощта на функцията ARRAY():

WITH T AS (
  SELECT
    unnest(ARRAY(
      SELECT
        t
      FROM
        task t
      WHERE
        owner_id = unnest
      ORDER BY
        task_date, id
      LIMIT 20 -- ограничиваем тут...
    )) r
  FROM
    unnest('{1,2,4,8,16,32,64,128,256,512}'::integer[])
)
SELECT
  (r).*
FROM
  T
ORDER BY
  (r).task_date, (r).id
LIMIT 20; -- ... и тут - тоже

[вижте expand.tensor.ru]

О, вече е много по-добре! 40% по-бързо и 4.5 пъти по-малко данни трябваше да прочета.

Материализиране на таблични записи чрез CTEЩе отбележа, че в някои случаи опит за незабавна работа с полетата на записа след търсенето му в подзаявка, без „обвиване“ в CTE, може да доведе до "умножение" InitPlan пропорционално на броя на тези същите полета:

SELECT
  ((
    SELECT
      t
    FROM
      task t
    WHERE
      owner_id = 1
    ORDER BY
      task_date, id
    LIMIT 1
  ).*);

Result  (cost=4.77..4.78 rows=1 width=16) (actual time=0.063..0.063 rows=1 loops=1)
  Buffers: shared hit=16
  InitPlan 1 (returns $0)
    ->  Limit  (cost=0.42..1.19 rows=1 width=48) (actual time=0.031..0.032 rows=1 loops=1)
          Buffers: shared hit=4
          ->  Index Scan using task_owner_id_task_date_id_idx on task t  (cost=0.42..387.57 rows=500 width=48) (actual time=0.030..0.030 rows=1 loops=1)
                Index Cond: (owner_id = 1)
                Buffers: shared hit=4
  InitPlan 2 (returns $1)
    ->  Limit  (cost=0.42..1.19 rows=1 width=48) (actual time=0.008..0.009 rows=1 loops=1)
          Buffers: shared hit=4
          ->  Index Scan using task_owner_id_task_date_id_idx on task t_1  (cost=0.42..387.57 rows=500 width=48) (actual time=0.008..0.008 rows=1 loops=1)
                Index Cond: (owner_id = 1)
                Buffers: shared hit=4
  InitPlan 3 (returns $2)
    ->  Limit  (cost=0.42..1.19 rows=1 width=48) (actual time=0.008..0.008 rows=1 loops=1)
          Buffers: shared hit=4
          ->  Index Scan using task_owner_id_task_date_id_idx on task t_2  (cost=0.42..387.57 rows=500 width=48) (actual time=0.008..0.008 rows=1 loops=1)
                Index Cond: (owner_id = 1)
                Buffers: shared hit=4"
  InitPlan 4 (returns $3)
    ->  Limit  (cost=0.42..1.19 rows=1 width=48) (actual time=0.009..0.009 rows=1 loops=1)
          Buffers: shared hit=4
          ->  Index Scan using task_owner_id_task_date_id_idx on task t_3  (cost=0.42..387.57 rows=500 width=48) (actual time=0.009..0.009 rows=1 loops=1)
                Index Cond: (owner_id = 1)
                Buffers: shared hit=4

Същият запис беше „търсен“ 4 пъти… До PostgreSQL 11 това поведение се случва редовно и решението е да се „обвие“ в CTE, което е безусловна граница за оптимизатора в тези версии.

рекурсивен акумулатор

В предишната версия четем общо 200 реда в името на необходимите 20. Вече не 960, но още по-малко - възможно ли е?

Нека се опитаме да използваме знанията, от които се нуждаем общо 20 записи. Тоест, ние ще повтаряме изваждането на данни само докато не бъде достигната необходимата ни сума.

Стъпка 1: Стартов списък

Очевидно нашият „целеви“ списък от 20 записа трябва да започне с „първите“ записи за един от нашите ключове owner_id. Затова първо намираме такива "първи" за всеки от ключовете и го поставяме в списъка, като го сортираме в реда, който желаем - (task_date, id).

Стъпка 2: намерете „следващите“ записи

Сега, ако вземем първия запис от нашия списък и започнем "стъпка" по-надолу в индекса със запазване на owner_id-key, тогава всички намерени записи са само следващите в резултантната селекция. Разбира се, само докато пресечем приложения ключ втори запис в списъка.

Ако се окаже, че сме „пресекли“ втория запис, тогава последният прочетен запис трябва да се добави към списъка вместо първия (със същия owner_id), след което списъкът се сортира отново.

Тоест винаги получаваме, че списъкът има не повече от един запис за всеки от ключовете (ако записите са свършили и не сме „пресекли“, тогава първият запис просто ще изчезне от списъка и нищо няма да бъде добавено ), и те винаги сортирани във възходящ ред на ключа на приложението (task_date, id).

Стъпка 3: Филтриране и разширяване на записи

В частта от редовете на нашата рекурсивна селекция, някои записи rv се дублират - първо намираме като „пресичане на границата на 2-ри запис от списъка“, а след това заместваме като 1-ви от списъка. И така, първото срещане трябва да бъде филтрирано.

Ужасно последно запитване

WITH RECURSIVE T AS (
  -- #1 : заносим в список "первые" записи по каждому из ключей набора
  WITH wrap AS ( -- "материализуем" record'ы, чтобы обращение к полям не вызывало умножения InitPlan/SubPlan
    WITH T AS (
      SELECT
        (
          SELECT
            r
          FROM
            task r
          WHERE
            owner_id = unnest
          ORDER BY
            task_date, id
          LIMIT 1
        ) r
      FROM
        unnest('{1,2,4,8,16,32,64,128,256,512}'::integer[])
    )
    SELECT
      array_agg(r ORDER BY (r).task_date, (r).id) list -- сортируем список в нужном порядке
    FROM
      T
  )
  SELECT
    list
  , list[1] rv
  , FALSE not_cross
  , 0 size
  FROM
    wrap
UNION ALL
  -- #2 : вычитываем записи 1-го по порядку ключа, пока не перешагнем через запись 2-го
  SELECT
    CASE
      -- если ничего не найдено для ключа 1-й записи
      WHEN X._r IS NOT DISTINCT FROM NULL THEN
        T.list[2:] -- убираем ее из списка
      -- если мы НЕ пересекли прикладной ключ 2-й записи
      WHEN X.not_cross THEN
        T.list -- просто протягиваем тот же список без модификаций
      -- если в списке уже нет 2-й записи
      WHEN T.list[2] IS NULL THEN
        -- просто возвращаем пустой список
        '{}'
      -- пересортировываем словарь, убирая 1-ю запись и добавляя последнюю из найденных
      ELSE (
        SELECT
          coalesce(T.list[2] || array_agg(r ORDER BY (r).task_date, (r).id), '{}')
        FROM
          unnest(T.list[3:] || X._r) r
      )
    END
  , X._r
  , X.not_cross
  , T.size + X.not_cross::integer
  FROM
    T
  , LATERAL(
      WITH wrap AS ( -- "материализуем" record
        SELECT
          CASE
            -- если все-таки "перешагнули" через 2-ю запись
            WHEN NOT T.not_cross
              -- то нужная запись - первая из спписка
              THEN T.list[1]
            ELSE ( -- если не пересекли, то ключ остался как в предыдущей записи - отталкиваемся от нее
              SELECT
                _r
              FROM
                task _r
              WHERE
                owner_id = (rv).owner_id AND
                (task_date, id) > ((rv).task_date, (rv).id)
              ORDER BY
                task_date, id
              LIMIT 1
            )
          END _r
      )
      SELECT
        _r
      , CASE
          -- если 2-й записи уже нет в списке, но мы хоть что-то нашли
          WHEN list[2] IS NULL AND _r IS DISTINCT FROM NULL THEN
            TRUE
          ELSE -- ничего не нашли или "перешагнули"
            coalesce(((_r).task_date, (_r).id) < ((list[2]).task_date, (list[2]).id), FALSE)
        END not_cross
      FROM
        wrap
    ) X
  WHERE
    T.size < 20 AND -- ограничиваем тут количество
    T.list IS DISTINCT FROM '{}' -- или пока список не кончился
)
-- #3 : "разворачиваем" записи - порядок гарантирован по построению
SELECT
  (rv).*
FROM
  T
WHERE
  not_cross; -- берем только "непересекающие" записи

[вижте expand.tensor.ru]

По този начин, ние търгувани 50% четения на данни за 20% време за изпълнение. Тоест, ако имате причина да смятате, че четенето може да бъде дълго (например данните често не са в кеша и трябва да отидете на диска за това), тогава по този начин можете да разчитате на по-малко четене.

Във всеки случай времето за изпълнение се оказа по-добро, отколкото в "наивния" първи вариант. Но коя от тези 3 опции да използвате, зависи от вас.

Източник: www.habr.com