Pravidelně vyvstává úkol vyhledávat související data pomocí sady klíčů. dokud nezískáme požadovaný celkový počet záznamů.
Nejvíce „skutečným“ příkladem je zobrazení 20 nejstarších problémů, uvedené na seznamu zaměstnanců (například v rámci jednoho oddílu). Pro různé manažerské „dashboardy“ se stručnými přehledy pracovních oblastí je podobné téma vyžadováno poměrně často.
V tomto článku se podíváme na implementaci „naivního“ řešení takového problému v PostgreSQL, „chytřejšího“ a velmi složitého algoritmu „loop“ v SQL s výstupní podmínkou z nalezených dat, což může být užitečné jak pro obecný vývoj, tak pro použití v jiných podobných případech.
Vezměme testovací soubor dat z
CREATE INDEX ON task(owner_id, task_date, id);
-- а старый - удалим
DROP INDEX task_owner_id_task_date_idx;
Jak se slyší, tak se píše
Nejprve si načrtneme nejjednodušší verzi žádosti a předáme ID účinkujících
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;
Trochu smutné - objednali jsme jen 20 desek, ale Index Scan nám to vrátil 960 řádků, které se pak také muselo třídit... Zkusme méně číst.
unnest + ARRAY
První úvaha, která nám pomůže, je, jestli potřebujeme pouze 20 seřazeno záznamy, pak stačí číst ne více než 20 seřazených ve stejném pořadí pro každého klíč. Dobrý, vhodný index (owner_id, task_date, id) máme.
Použijme stejný mechanismus pro extrakci a „rozložení do sloupců“ integrální záznam tabulky, jako v 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
Oh, už mnohem lepší! O 40 % rychlejší a 4.5krát méně dat Musel jsem si to přečíst.
Materializace tabulkových záznamů přes CTEDovolte mi, abych na to upozornil v některých případech Pokus o okamžitou práci s poli záznamu po jeho vyhledání v dílčím dotazu, aniž by byl „zabalen“ do CTE, může vést k "násobit" InitPlan úměrně počtu těchto stejných polí:
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
Stejný záznam byl „vyhledán“ 4x... Do PostgreSQL 11 se toto chování vyskytuje pravidelně a řešením je „zabalit“ jej do CTE, což je v těchto verzích pro optimalizátor absolutní limit.
Rekurzivní akumulátor
V předchozí verzi celkem čteme 200 řádků kvůli požadovaným 20. Ne 960, ale ještě méně - je to možné?
Zkusme využít znalosti, které potřebujeme celkový xnumx evidence. To znamená, že budeme opakovat čtení dat, dokud nedosáhneme množství, které potřebujeme.
Krok 1: Startovní listina
Je zřejmé, že náš „cílový“ seznam 20 záznamů by měl začínat „prvními“ záznamy pro jeden z našich klíčů id vlastníka. Proto nejprve takové najdeme „úplně první“ pro každý z klíčů a přidejte jej do seznamu a seřaďte jej v požadovaném pořadí - (datum_úkolu, id).
Krok 2: Najděte „další“ položky
Nyní, když vezmeme první položku z našeho seznamu a začneme „krok“ dále podél indexu zachováte klíč owner_id, pak jsou všechny nalezené záznamy přesně ty následující ve výsledném výběru. Samozřejmě jen dokud nezkřížíme tupý klíč druhý záznam v seznamu.
Pokud se ukáže, že jsme „překročili“ druhý rekord, pak poslední přečtený záznam by měl být přidán do seznamu místo prvního (se stejným id vlastníka), načež seznam znovu seřadíme.
To znamená, že vždy dostaneme, že seznam nemá více než jeden záznam pro každý z klíčů (pokud záznamy dojdou a my „nepřekřížíme“, tak první záznam ze seznamu jednoduše zmizí a nic se nepřidá ), a oni vždy seřazeno ve vzestupném pořadí klíče aplikace (datum_úlohy, id).
Krok 3: Filtrujte a „rozbalte“ záznamy
V některých řádcích našeho rekurzivního výběru některé záznamy rv
jsou duplicitní - nejprve najdeme např. „překročení hranice 2. položky seznamu“ a poté ji dosadíme jako 1. ze seznamu. První výskyt je tedy potřeba filtrovat.
Obávaný závěrečný dotaz
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
Tedy my zobchodováno 50 % přečtení dat po 20 % doby provedení. To znamená, že pokud máte důvody se domnívat, že čtení může trvat dlouho (například data často nejsou v mezipaměti a musíte pro ně jít na disk), můžete se tímto způsobem méně spoléhat na čtení .
V každém případě se čas provedení ukázal být lepší než u „naivní“ první možnosti. Je ale na vás, kterou z těchto 3 možností využijete.
Zdroj: www.habr.com