માઇક્રોસર્વિસ આર્કિટેક્ચર, આ વિશ્વની દરેક વસ્તુની જેમ, તેના ફાયદા અને ગેરફાયદા છે. કેટલીક પ્રક્રિયાઓ તેની સાથે સરળ બને છે, અન્ય વધુ મુશ્કેલ. અને પરિવર્તનની ઝડપ અને વધુ સારી માપનીયતા માટે, તમારે બલિદાન આપવાની જરૂર છે. તેમાંથી એક વિશ્લેષણની વધતી જટિલતા છે. જો મોનોલિથમાં તમામ ઓપરેશનલ એનાલિટિક્સ એસક્યુએલ ક્વેરીઝમાં વિશ્લેષણાત્મક પ્રતિકૃતિમાં ઘટાડી શકાય છે, તો મલ્ટિસર્વિસ આર્કિટેક્ચરમાં દરેક સેવાનો પોતાનો ડેટાબેઝ હોય છે અને એવું લાગે છે કે એક ક્વેરી કરી શકાતી નથી (અથવા કદાચ તે થઈ શકે છે?). અમે અમારી કંપનીમાં ઑપરેશનલ ઍનલિટિક્સની સમસ્યાને કેવી રીતે હલ કરી અને અમે આ ઉકેલ સાથે કેવી રીતે જીવવાનું શીખ્યા તેમાં રસ ધરાવતા લોકો માટે - સ્વાગત છે.

મારું નામ પાવેલ શિવેશ છે, ડોમક્લિકમાં હું એક ટીમમાં કામ કરું છું જે વિશ્લેષણાત્મક ડેટા વેરહાઉસની જાળવણી માટે જવાબદાર છે. પરંપરાગત રીતે, અમારી પ્રવૃત્તિઓને ડેટા એન્જિનિયરિંગ તરીકે વર્ગીકૃત કરી શકાય છે, પરંતુ, હકીકતમાં, કાર્યોની શ્રેણી ઘણી વિશાળ છે. ડેટા એન્જીનીયરીંગ માટે ETL/ELT સ્ટાન્ડર્ડ છે, ડેટા વિશ્લેષણ અને તમારા પોતાના ટૂલ્સના વિકાસ માટે ટૂલ્સનું સમર્થન અને અનુકૂલન છે. ખાસ કરીને, ઓપરેશનલ રિપોર્ટિંગ માટે, અમે "ડોળ" કરવાનું નક્કી કર્યું છે કે અમારી પાસે એક મોનોલિથ છે અને વિશ્લેષકોને એક ડેટાબેઝ આપવાનો છે જેમાં તેમને જરૂરી તમામ ડેટા હશે.

સામાન્ય રીતે, અમે વિવિધ વિકલ્પો ધ્યાનમાં લીધા. સંપૂર્ણ સુવિધાયુક્ત ભંડાર બનાવવું શક્ય હતું - અમે પ્રયાસ પણ કર્યો, પરંતુ, પ્રમાણિકપણે, અમે ભંડાર બનાવવાની અને તેમાં ફેરફાર કરવાની ધીમી પ્રક્રિયા સાથે તર્કમાં વારંવાર થતા ફેરફારોને જોડવામાં સક્ષમ ન હતા (જો કોઈ સફળ થાય તો , ટિપ્પણીઓમાં લખો કે કેવી રીતે). વિશ્લેષકોને કહેવું શક્ય હતું: "ગાય્સ, અજગર શીખો અને વિશ્લેષણાત્મક પ્રતિકૃતિઓ પર જાઓ," પરંતુ ભરતી માટે આ એક વધારાની જરૂરિયાત છે, અને એવું લાગતું હતું કે જો શક્ય હોય તો આને ટાળવું જોઈએ. અમે FDW (ફોરેન ડેટા રેપર) ટેક્નોલોજીનો ઉપયોગ કરવાનો પ્રયાસ કરવાનું નક્કી કર્યું: આવશ્યકપણે, આ એક પ્રમાણભૂત ડીબ્લિંક છે, જે SQL સ્ટાન્ડર્ડમાં છે, પરંતુ તેના પોતાના વધુ અનુકૂળ ઇન્ટરફેસ સાથે. તેના આધારે, અમે એક ઉકેલ તૈયાર કર્યો, જે આખરે પકડાયો અને અમે તેના પર સમાધાન કર્યું. તેની વિગતો એક અલગ લેખનો વિષય છે, અને કદાચ એક કરતાં વધુ, કારણ કે હું ઘણું બધું કરવા માંગુ છું: ડેટાબેઝ સ્કીમાને સિંક્રનાઇઝ કરવાથી માંડીને એક્સેસ કંટ્રોલ અને વ્યક્તિગત ડેટાના ડિપર્સનલાઇઝેશન સુધી. રિઝર્વેશન કરવું પણ જરૂરી છે કે આ સોલ્યુશન વાસ્તવિક વિશ્લેષણાત્મક ડેટાબેસેસ અને રિપોઝીટરીઝ માટે રિપ્લેસમેન્ટ નથી; તે ફક્ત ચોક્કસ સમસ્યાને હલ કરે છે.

ટોચના સ્તરે તે આના જેવો દેખાય છે:

ત્યાં એક PostgreSQL ડેટાબેઝ છે જ્યાં વપરાશકર્તાઓ તેમના કાર્ય ડેટાને સંગ્રહિત કરી શકે છે, અને સૌથી અગત્યનું, તમામ સેવાઓની વિશ્લેષણાત્મક પ્રતિકૃતિઓ FDW દ્વારા આ ડેટાબેઝ સાથે જોડાયેલ છે. આનાથી ઘણા ડેટાબેસેસ પર ક્વેરી લખવાનું શક્ય બને છે, અને તે શું છે તેનાથી કોઈ ફરક પડતો નથી: PostgreSQL, MySQL, MongoDB અથવા બીજું કંઈક (ફાઈલ, API, જો અચાનક કોઈ યોગ્ય રેપર ન હોય, તો તમે તમારું પોતાનું લખી શકો છો). સારું, બધું સરસ લાગે છે! શું આપણે તૂટી રહ્યા છીએ?

જો બધું આટલી ઝડપથી અને સરળ રીતે સમાપ્ત થાય, તો પછી, સંભવતઃ, ત્યાં કોઈ લેખ ન હોત.

પોસ્ટગ્રેસ રિમોટ સર્વર્સ પર વિનંતીઓની પ્રક્રિયા કેવી રીતે કરે છે તે વિશે સ્પષ્ટ હોવું મહત્વપૂર્ણ છે. આ તાર્કિક લાગે છે, પરંતુ ઘણીવાર લોકો તેના પર ધ્યાન આપતા નથી: પોસ્ટગ્રેસ વિનંતીને એવા ભાગોમાં વિભાજિત કરે છે કે જે રિમોટ સર્વર પર સ્વતંત્ર રીતે ચલાવવામાં આવે છે, આ ડેટા એકત્રિત કરે છે અને અંતિમ ગણતરીઓ પોતે કરે છે, તેથી ક્વેરી એક્ઝેક્યુશનની ઝડપ પર ઘણો આધાર રાખે છે. તે કેવી રીતે લખાય છે. તે પણ નોંધવું જોઈએ: જ્યારે રીમોટ સર્વરથી ડેટા આવે છે, ત્યારે તેમાં હવે અનુક્રમણિકા હોતી નથી, શેડ્યૂલરને મદદ કરશે તેવું કંઈ નથી, તેથી, ફક્ત આપણે જ તેને મદદ અને સલાહ આપી શકીએ છીએ. અને આ બરાબર છે જેના વિશે હું વધુ વિગતવાર વાત કરવા માંગુ છું.

એક સરળ પ્રશ્ન અને તેની સાથે એક યોજના

પોસ્ટગ્રેસ કેવી રીતે રિમોટ સર્વર પર 6 મિલિયન પંક્તિ ટેબલને પૂછે છે તે બતાવવા માટે, ચાલો એક સરળ યોજના જોઈએ.

explain analyze verbose  
SELECT count(1)
FROM fdw_schema.table;

Aggregate  (cost=418383.23..418383.24 rows=1 width=8) (actual time=3857.198..3857.198 rows=1 loops=1)
  Output: count(1)
  ->  Foreign Scan on fdw_schema."table"  (cost=100.00..402376.14 rows=6402838 width=0) (actual time=4.874..3256.511 rows=6406868 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Remote SQL: SELECT NULL FROM fdw_schema.table
Planning time: 0.986 ms
Execution time: 3857.436 ms

વર્બોઝ સ્ટેટમેન્ટનો ઉપયોગ કરવાથી અમને રિમોટ સર્વરને મોકલવામાં આવશે તે ક્વેરી જોવા મળે છે અને જેના પરિણામો અમે આગળની પ્રક્રિયા માટે પ્રાપ્ત કરીશું (RemoteSQL લાઇન).

ચાલો થોડા આગળ જઈએ અને અમારી વિનંતીમાં ઘણા ફિલ્ટર્સ ઉમેરીએ: એક માટે બુલિયન ક્ષેત્ર, ઘટના દ્વારા એક ટાઇમસ્ટેમ્પ અંતરાલમાં અને એક બાય jsonb.

explain analyze verbose
SELECT count(1)
FROM fdw_schema.table 
WHERE is_active is True
AND created_dt BETWEEN CURRENT_DATE - INTERVAL '7 month' 
AND CURRENT_DATE - INTERVAL '6 month'
AND meta->>'source' = 'test';

Aggregate  (cost=577487.69..577487.70 rows=1 width=8) (actual time=27473.818..25473.819 rows=1 loops=1)
  Output: count(1)
  ->  Foreign Scan on fdw_schema."table"  (cost=100.00..577469.21 rows=7390 width=0) (actual time=31.369..25372.466 rows=1360025 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Filter: (("table".is_active IS TRUE) AND (("table".meta ->> 'source'::text) = 'test'::text) AND ("table".created_dt >= (('now'::cstring)::date - '7 mons'::interval)) AND ("table".created_dt <= ((('now'::cstring)::date)::timestamp with time zone - '6 mons'::interval)))
        Rows Removed by Filter: 5046843
        Remote SQL: SELECT created_dt, is_active, meta FROM fdw_schema.table
Planning time: 0.665 ms
Execution time: 27474.118 ms

આ તે છે જ્યાં પ્રશ્નો લખતી વખતે તમારે ધ્યાન આપવાની જરૂર છે. ફિલ્ટર્સ રિમોટ સર્વર પર સ્થાનાંતરિત થયા ન હતા, જેનો અર્થ છે કે તેને ચલાવવા માટે, પોસ્ટગ્રેસ સ્થાનિક રીતે ફિલ્ટર કરવા (ફિલ્ટર પંક્તિ) અને એકત્રીકરણ કરવા માટે તમામ 6 મિલિયન પંક્તિઓ ખેંચે છે. સફળતાની ચાવી એ ક્વેરી લખવાની છે જેથી ફિલ્ટર્સ રિમોટ મશીન પર ટ્રાન્સફર થાય અને અમે ફક્ત જરૂરી પંક્તિઓ પ્રાપ્ત કરીએ છીએ અને એકત્રિત કરીએ છીએ.

તે કેટલીક બુલનશીટ છે

બુલિયન ક્ષેત્રો સાથે બધું સરળ છે. મૂળ વિનંતીમાં, સમસ્યા ઓપરેટરને કારણે હતી is. જો તમે તેની સાથે બદલો =, પછી આપણને નીચેનું પરિણામ મળે છે:

explain analyze verbose
SELECT count(1)
FROM fdw_schema.table
WHERE is_active = True
AND created_dt BETWEEN CURRENT_DATE - INTERVAL '7 month' 
AND CURRENT_DATE - INTERVAL '6 month'
AND meta->>'source' = 'test';

Aggregate  (cost=508010.14..508010.15 rows=1 width=8) (actual time=19064.314..19064.314 rows=1 loops=1)
  Output: count(1)
  ->  Foreign Scan on fdw_schema."table"  (cost=100.00..507988.44 rows=8679 width=0) (actual time=33.035..18951.278 rows=1360025 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Filter: ((("table".meta ->> 'source'::text) = 'test'::text) AND ("table".created_dt >= (('now'::cstring)::date - '7 mons'::interval)) AND ("table".created_dt <= ((('now'::cstring)::date)::timestamp with time zone - '6 mons'::interval)))
        Rows Removed by Filter: 3567989
        Remote SQL: SELECT created_dt, meta FROM fdw_schema.table WHERE (is_active)
Planning time: 0.834 ms
Execution time: 19064.534 ms

જેમ તમે જોઈ શકો છો, ફિલ્ટર રિમોટ સર્વર પર ઉડાન ભરી, અને એક્ઝેક્યુશનનો સમય 27 થી 19 સેકંડ સુધી ઘટાડી દેવામાં આવ્યો.

નોંધનીય છે કે ઓપરેટર is ઓપરેટરથી અલગ = કારણ કે તે નલ વેલ્યુ સાથે કામ કરી શકે છે. તેનો અર્થ એ છે કે સાચું નથી ફિલ્ટરમાં False અને Null મૂલ્યો છોડી દેશે, જ્યારે != સાચું માત્ર ખોટા મૂલ્યો જ છોડશે. તેથી, જ્યારે ઓપરેટરને બદલી રહ્યા હોય નથી OR ઓપરેટર સાથેની બે શરતો ફિલ્ટરને પસાર કરવી જોઈએ, ઉદાહરણ તરીકે, WHERE (col != True) અથવા (col null છે).

અમે બુલિયન સાથે વ્યવહાર કર્યો છે, ચાલો આગળ વધીએ. હમણાં માટે, ચાલો અન્ય ફેરફારોની અસરને સ્વતંત્ર રીતે ધ્યાનમાં લેવા માટે બુલિયન ફિલ્ટરને તેના મૂળ સ્વરૂપમાં પરત કરીએ.

ટાઇમસ્ટેમ્પટ્ઝ? hz

સામાન્ય રીતે, તમારે વારંવાર પ્રયોગ કરવો પડે છે કે રિમોટ સર્વર શામેલ હોય તેવી વિનંતી કેવી રીતે યોગ્ય રીતે લખવી, અને તે પછી જ આવું શા માટે થાય છે તેની સમજૂતી શોધો. ઇન્ટરનેટ પર આ વિશે બહુ ઓછી માહિતી મળી શકે છે. તેથી, પ્રયોગોમાં અમને જાણવા મળ્યું કે એક નિશ્ચિત તારીખ ફિલ્ટર ધડાકા સાથે રિમોટ સર્વર પર ઉડે છે, પરંતુ જ્યારે આપણે તારીખને ગતિશીલ રીતે સેટ કરવા માંગીએ છીએ, ઉદાહરણ તરીકે, now() અથવા CURRENT_DATE, તો આવું થતું નથી. અમારા ઉદાહરણમાં, અમે એક ફિલ્ટર ઉમેર્યું જેથી કરીને બનાવવામાં આવેલ કૉલમમાં ભૂતકાળમાં બરાબર 1 મહિનાનો ડેટા હોય (CURRENT_DATE - INTERVAL '7 મહિનો' અને CURRENT_DATE - INTERVAL '6 મહિનો' વચ્ચે). આ કિસ્સામાં અમે શું કર્યું?

explain analyze verbose
SELECT count(1)
FROM fdw_schema.table 
WHERE is_active is True
AND created_dt >= (SELECT CURRENT_DATE::timestamptz - INTERVAL '7 month') 
AND created_dt <(SELECT CURRENT_DATE::timestamptz - INTERVAL '6 month')
AND meta->>'source' = 'test';

Aggregate  (cost=306875.17..306875.18 rows=1 width=8) (actual time=4789.114..4789.115 rows=1 loops=1)
  Output: count(1)
  InitPlan 1 (returns $0)
    ->  Result  (cost=0.00..0.02 rows=1 width=8) (actual time=0.007..0.008 rows=1 loops=1)
          Output: ((('now'::cstring)::date)::timestamp with time zone - '7 mons'::interval)
  InitPlan 2 (returns $1)
    ->  Result  (cost=0.00..0.02 rows=1 width=8) (actual time=0.002..0.002 rows=1 loops=1)
          Output: ((('now'::cstring)::date)::timestamp with time zone - '6 mons'::interval)
  ->  Foreign Scan on fdw_schema."table"  (cost=100.02..306874.86 rows=105 width=0) (actual time=23.475..4681.419 rows=1360025 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Filter: (("table".is_active IS TRUE) AND (("table".meta ->> 'source'::text) = 'test'::text))
        Rows Removed by Filter: 76934
        Remote SQL: SELECT is_active, meta FROM fdw_schema.table WHERE ((created_dt >= $1::timestamp with time zone)) AND ((created_dt < $2::timestamp with time zone))
Planning time: 0.703 ms
Execution time: 4789.379 ms

અમે આયોજકને અગાઉથી સબક્વેરીમાં તારીખની ગણતરી કરવા અને તૈયાર વેરીએબલને ફિલ્ટરમાં પાસ કરવાનું કહ્યું. અને આ સંકેતે અમને એક ઉત્તમ પરિણામ આપ્યું, વિનંતી લગભગ 6 ગણી ઝડપી બની!

ફરીથી, અહીં સાવચેતી રાખવી જરૂરી છે: સબક્વેરીનો ડેટા પ્રકાર એ ફીલ્ડ જેવો જ હોવો જોઈએ કે જેના પર આપણે ફિલ્ટર કરી રહ્યા છીએ, અન્યથા પ્લાનર નક્કી કરશે કે પ્રકારો અલગ હોવાને કારણે, સૌપ્રથમ બધું મેળવવું જરૂરી છે. ડેટા અને તેને સ્થાનિક રીતે ફિલ્ટર કરો.

ચાલો તારીખ ફિલ્ટરને તેના મૂળ મૂલ્યમાં પરત કરીએ.

ફ્રેડી વિ. જેસોનબ

સામાન્ય રીતે, બુલિયન ફીલ્ડ્સ અને તારીખોએ પહેલાથી જ અમારી ક્વેરી પર્યાપ્ત રીતે ઝડપી કરી દીધી છે, પરંતુ એક વધુ ડેટા પ્રકાર બાકી હતો. તેના દ્વારા ફિલ્ટરિંગ સાથેની લડાઈ, પ્રમાણિકપણે, હજી પણ સમાપ્ત થઈ નથી, જોકે અહીં પણ સફળતા છે. તેથી, આ રીતે અમે ફિલ્ટર પસાર કરવામાં વ્યવસ્થાપિત થયા jsonb રિમોટ સર્વર પર ફીલ્ડ.

explain analyze verbose
SELECT count(1)
FROM fdw_schema.table 
WHERE is_active is True
AND created_dt BETWEEN CURRENT_DATE - INTERVAL '7 month' 
AND CURRENT_DATE - INTERVAL '6 month'
AND meta @> '{"source":"test"}'::jsonb;

Aggregate  (cost=245463.60..245463.61 rows=1 width=8) (actual time=6727.589..6727.590 rows=1 loops=1)
  Output: count(1)
  ->  Foreign Scan on fdw_schema."table"  (cost=1100.00..245459.90 rows=1478 width=0) (actual time=16.213..6634.794 rows=1360025 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Filter: (("table".is_active IS TRUE) AND ("table".created_dt >= (('now'::cstring)::date - '7 mons'::interval)) AND ("table".created_dt <= ((('now'::cstring)::date)::timestamp with time zone - '6 mons'::interval)))
        Rows Removed by Filter: 619961
        Remote SQL: SELECT created_dt, is_active FROM fdw_schema.table WHERE ((meta @> '{"source": "test"}'::jsonb))
Planning time: 0.747 ms
Execution time: 6727.815 ms

ઓપરેટરોને ફિલ્ટર કરવાને બદલે, તમારે એક ઓપરેટરની હાજરીનો ઉપયોગ કરવો આવશ્યક છે jsonb એક અલગ માં. મૂળ 7 ને બદલે 29 સેકંડ jsonb રિમોટ સર્વર પર, પરંતુ અહીં એક મર્યાદા ધ્યાનમાં લેવી મહત્વપૂર્ણ છે: અમે ડેટાબેઝના સંસ્કરણ 9.6 નો ઉપયોગ કરી રહ્યા છીએ, પરંતુ એપ્રિલના અંત સુધીમાં અમે છેલ્લી પરીક્ષણો પૂર્ણ કરવાની અને સંસ્કરણ 12 પર જવાની યોજના બનાવીએ છીએ. એકવાર અમે અપડેટ કરીએ, પછી અમે તે કેવી રીતે અસર કરે છે તે વિશે લખીશું, કારણ કે ત્યાં ઘણા બધા ફેરફારો છે જેના માટે ઘણી આશા છે: json_path, નવું CTE વર્તન, દબાણ ડાઉન (સંસ્કરણ 10 થી અસ્તિત્વમાં છે). હું ખરેખર તેને જલ્દી અજમાવવા માંગુ છું.

તેને પૂરો કરી નાખ

અમે પરીક્ષણ કર્યું છે કે દરેક ફેરફાર વિનંતીની ઝડપને વ્યક્તિગત રીતે કેવી રીતે અસર કરે છે. ચાલો હવે જોઈએ કે જ્યારે ત્રણેય ફિલ્ટર યોગ્ય રીતે લખવામાં આવે ત્યારે શું થાય છે.

explain analyze verbose
SELECT count(1)
FROM fdw_schema.table 
WHERE is_active = True
AND created_dt >= (SELECT CURRENT_DATE::timestamptz - INTERVAL '7 month') 
AND created_dt <(SELECT CURRENT_DATE::timestamptz - INTERVAL '6 month')
AND meta @> '{"source":"test"}'::jsonb;

Aggregate  (cost=322041.51..322041.52 rows=1 width=8) (actual time=2278.867..2278.867 rows=1 loops=1)
  Output: count(1)
  InitPlan 1 (returns $0)
    ->  Result  (cost=0.00..0.02 rows=1 width=8) (actual time=0.010..0.010 rows=1 loops=1)
          Output: ((('now'::cstring)::date)::timestamp with time zone - '7 mons'::interval)
  InitPlan 2 (returns $1)
    ->  Result  (cost=0.00..0.02 rows=1 width=8) (actual time=0.003..0.003 rows=1 loops=1)
          Output: ((('now'::cstring)::date)::timestamp with time zone - '6 mons'::interval)
  ->  Foreign Scan on fdw_schema."table"  (cost=100.02..322041.41 rows=25 width=0) (actual time=8.597..2153.809 rows=1360025 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Remote SQL: SELECT NULL FROM fdw_schema.table WHERE (is_active) AND ((created_dt >= $1::timestamp with time zone)) AND ((created_dt < $2::timestamp with time zone)) AND ((meta @> '{"source": "test"}'::jsonb))
Planning time: 0.820 ms
Execution time: 2279.087 ms

હા, વિનંતી વધુ જટિલ લાગે છે, આ ફરજિયાત ફી છે, પરંતુ અમલની ઝડપ 2 સેકન્ડ છે, જે 10 ગણા કરતાં વધુ ઝડપી છે! અને અમે પ્રમાણમાં નાના ડેટા સેટ સામે એક સરળ ક્વેરી વિશે વાત કરી રહ્યા છીએ. વાસ્તવિક વિનંતીઓ પર, અમને કેટલાક સો ગણો વધારો મળ્યો છે.

સારાંશ માટે: જો તમે FDW સાથે PostgreSQL નો ઉપયોગ કરો છો, તો હંમેશા તપાસો કે બધા ફિલ્ટર્સ રિમોટ સર્વર પર મોકલવામાં આવ્યા છે, અને તમે ખુશ થશો... ઓછામાં ઓછા જ્યાં સુધી તમે જુદા જુદા સર્વરમાંથી કોષ્ટકો વચ્ચે જોડાશો નહીં. પરંતુ તે બીજા લેખ માટે એક વાર્તા છે.

તમારા ધ્યાન બદલ આભાર! મને ટિપ્પણીઓમાં તમારા અનુભવો વિશે પ્રશ્નો, ટિપ્પણીઓ અને વાર્તાઓ સાંભળવી ગમશે.

સોર્સ: www.habr.com