PostgreSQL એન્ટિપેટર્ન: CTE x CTE

મારા કામની લાઇનને લીધે, જ્યારે વિકાસકર્તા વિનંતી લખે છે અને વિચારે છે ત્યારે મારે પરિસ્થિતિઓનો સામનો કરવો પડે છે.આધાર સ્માર્ટ છે, તે બધું જાતે સંભાળી શકે છે!«

કેટલાક કિસ્સાઓમાં (અંશતઃ ડેટાબેઝની ક્ષમતાઓની અજ્ઞાનતાથી, અંશતઃ અકાળ ઑપ્ટિમાઇઝેશનથી), આ અભિગમ "ફ્રેન્કેસ્ટાઇન" ના દેખાવ તરફ દોરી જાય છે.

પ્રથમ, હું આવી વિનંતીનું ઉદાહરણ આપીશ:

-- 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;

વિનંતીની ગુણવત્તાનું નોંધપાત્ર મૂલ્યાંકન કરવા માટે, ચાલો કેટલાક મનસ્વી ડેટા સેટ બનાવીએ:

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);

તે તારણ આપે છે કે ડેટા વાંચવામાં એક ક્વાર્ટર કરતા ઓછો સમય લાગ્યો ક્વેરી અમલ:

[explan.tensor.ru પર જુઓ]

ટુકડે ટુકડે તેને અલગ કરીને લઈ જવાનું

ચાલો વિનંતી પર નજીકથી નજર કરીએ અને મૂંઝવણમાં રહીએ:

1. જો કોઈ પુનરાવર્તિત CTE ના હોય તો અહીં WITH RECURSIVE શા માટે છે?
2. એક અલગ CTE માં લઘુત્તમ/મહત્તમ મૂલ્યોનું જૂથ શા માટે જો તેઓ કોઈપણ રીતે મૂળ નમૂના સાથે જોડાયેલા હોય?
   +25% સમય
3. અગાઉના CTE ના અંતે બિનશરતી 'SELECT * FROM' નો ઉપયોગ શા માટે કરવો?
   +14% સમય

આ કિસ્સામાં, અમે ખૂબ નસીબદાર હતા કે કનેક્શન માટે Hash Join પસંદ કરવામાં આવ્યું હતું, નેસ્ટેડ લૂપ માટે નહીં, કારણ કે પછી અમને માત્ર એક CTE સ્કેન પાસ નહીં, પરંતુ 10K પ્રાપ્ત થયા હોત!

CTE સ્કેન વિશે થોડુંઅહીં આપણે તે યાદ રાખવું જોઈએ CTE સ્કેન Seq Scan જેવું જ છે - એટલે કે, કોઈ અનુક્રમણિકા નહીં, પરંતુ માત્ર એક સંપૂર્ણ શોધ, જેની જરૂર પડશે 10K x 0.3ms = 3000ms cte_max દ્વારા ચક્ર માટે અથવા 1K x 1.5ms = 1500ms cte_bind દ્વારા લૂપ કરતી વખતે!
વાસ્તવમાં, તમે પરિણામ તરીકે શું મેળવવા માંગતા હતા? હા, સામાન્ય રીતે આ તે પ્રશ્ન છે જે "ત્રણ-વાર્તા" પ્રશ્નોનું વિશ્લેષણ કરવાની 5મી મિનિટમાં ક્યાંક આવે છે.

અમે દરેક અનન્ય કી જોડી માટે આઉટપુટ કરવા માંગીએ છીએ કી_એ દ્વારા જૂથમાંથી ન્યૂનતમ/મહત્તમ.
તો ચાલો આ માટે તેનો ઉપયોગ કરીએ વિન્ડો કાર્યો:

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);

[explan.tensor.ru પર જુઓ]

બંને વિકલ્પોમાં ડેટા વાંચવામાં લગભગ 4-5ms જેટલો સમય લાગે છે, તે પછી અમારો બધો સમય લાભ થાય છે -32% - આ તેના શુદ્ધ સ્વરૂપમાં છે આધાર CPU માંથી લોડ દૂર કર્યો, જો આવી વિનંતી ઘણી વખત પર્યાપ્ત રીતે ચલાવવામાં આવે છે.

સામાન્ય રીતે, તમારે આધારને "ગોળાકાર વહન કરવા, ચોરસ એકને રોલ કરવા" માટે દબાણ કરવું જોઈએ નહીં.

સોર્સ: www.habr.com