Vzhledem ke svému oboru práce musím řešit situace, kdy vývojář napíše požadavek a myslí si „Základna je chytrá, se vším si poradí sama!«
V některých případech (částečně z neznalosti možností databáze, částečně z předčasných optimalizací) tento přístup vede ke vzniku „Frankensteinů“.
Nejprve uvedu příklad takového požadavku:
-- для каждой ключевой пары находим ассоциированные значения полей
WITH RECURSIVE cte_bind AS (
SELECT DISTINCT ON (key_a, key_b)
key_a a
, key_b b
, fld1 bind_fld1
, fld2 bind_fld2
FROM
tbl
)
-- находим min/max значений для каждого первого ключа
, cte_max AS (
SELECT
a
, max(bind_fld1) bind_fld1
, min(bind_fld2) bind_fld2
FROM
cte_bind
GROUP BY
a
)
-- связываем по первому ключу ключевые пары и min/max-значения
, cte_a_bind AS (
SELECT
cte_bind.a
, cte_bind.b
, cte_max.bind_fld1
, cte_max.bind_fld2
FROM
cte_bind
INNER JOIN
cte_max
ON cte_max.a = cte_bind.a
)
SELECT * FROM cte_a_bind;
Abychom mohli věcně vyhodnotit kvalitu požadavku, vytvořte si libovolný soubor dat:
CREATE TABLE tbl AS
SELECT
(random() * 1000)::integer key_a
, (random() * 1000)::integer key_b
, (random() * 10000)::integer fld1
, (random() * 10000)::integer fld2
FROM
generate_series(1, 10000);
CREATE INDEX ON tbl(key_a, key_b);
Ukázalo se, že čtení dat trvalo méně než čtvrtinu času provedení dotazu:
Rozebrat to kus po kuse
Podívejme se na žádost blíže a nechme se zmást:
- Proč je zde WITH RECURSIVE, když neexistují žádné rekurzivní CTE?
- Proč seskupovat hodnoty min/max do samostatného CTE, pokud jsou pak stejně svázány s původním vzorkem?
+25 % času - Proč používat bezpodmínečné 'SELECT * FROM' na konci k opakování předchozího CTE?
+14 % času
V tomto případě jsme měli velké štěstí, že pro připojení byl vybrán Hash Join, a ne Nested Loop, protože pak bychom dostali nejen jeden průchod CTE Scan, ale 10 XNUMX!
něco o CTE ScanTady to musíme mít na paměti CTE Scan je podobný Seq Scan - tedy žádné indexování, ale pouze kompletní vyhledávání, které by vyžadovalo 10K x 0.3 ms = 3000ms pro cykly podle cte_max nebo 1K x 1.5 ms = 1500ms při opakování pomocí cte_bind!
Vlastně, čeho jste chtěli dosáhnout? Jo, to je obvykle otázka, která se objeví někde v 5. minutě analýzy „třípatrových“ dotazů.
Chtěli jsme vytvořit výstup pro každý jedinečný pár klíčů min/max ze skupiny podle klíče_a.
Tak to k tomu použijme
SELECT DISTINCT ON(key_a, key_b)
key_a a
, key_b b
, max(fld1) OVER(w) bind_fld1
, min(fld2) OVER(w) bind_fld2
FROM
tbl
WINDOW
w AS (PARTITION BY key_a);
Vzhledem k tomu, že čtení dat v obou možnostech trvá stejně přibližně 4-5 ms, získáme veškerý náš čas -32% - to je ve své nejčistší podobě zátěž odstraněna ze základního CPU, pokud je takový požadavek prováděn dostatečně často.
Obecně platí, že byste neměli nutit základnu, aby „nesla kulatou, rolovala čtvercovou“.
Zdroj: www.habr.com