PostgreSQL એન્ટિપેટર્ન: સસલાના છિદ્ર કેટલા ઊંડા છે? ચાલો વંશવેલો પસાર કરીએ

જટિલ ERP સિસ્ટમોમાં ઘણી સંસ્થાઓ વંશવેલો સ્વભાવ ધરાવે છેજ્યારે સજાતીય વસ્તુઓ અંદર આવે છે પૂર્વજ-વંશજ સંબંધોનું વૃક્ષ - આ એન્ટરપ્રાઇઝનું સંગઠનાત્મક માળખું છે (આ તમામ શાખાઓ, વિભાગો અને કાર્ય જૂથો), અને માલની સૂચિ, અને કાર્યના ક્ષેત્રો, અને વેચાણ બિંદુઓની ભૂગોળ,...

હકીકતમાં, ત્યાં કોઈ નથી બિઝનેસ ઓટોમેશન વિસ્તારો, જ્યાં પરિણામે કોઈ વંશવેલો નહીં હોય. પરંતુ જો તમે "વ્યવસાય માટે" કામ ન કરો તો પણ, તમે હજી પણ સરળતાથી શ્રેણીબદ્ધ સંબંધોનો સામનો કરી શકો છો. તે ટ્રીટ છે, તમારા ફેમિલી ટ્રી અથવા શોપિંગ સેન્ટરમાં પરિસરની ફ્લોર પ્લાન પણ સમાન રચના છે.

ડીબીએમએસમાં આવા વૃક્ષને સંગ્રહિત કરવાની ઘણી રીતો છે, પરંતુ આજે આપણે ફક્ત એક વિકલ્પ પર ધ્યાન કેન્દ્રિત કરીશું:

CREATE TABLE hier(
  id
    integer
      PRIMARY KEY
, pid
    integer
      REFERENCES hier
, data
    json
);

CREATE INDEX ON hier(pid); -- не забываем, что FK не подразумевает автосоздание индекса, в отличие от PK

અને જ્યારે તમે પદાનુક્રમના ઊંડાણમાં ડોકિયું કરી રહ્યા છો, ત્યારે તે ધીરજપૂર્વક એ જોવાની રાહ જોઈ રહ્યું છે કે આવી રચના સાથે કામ કરવાની તમારી "નિષ્કપટ" રીતો કેટલી [માં] અસરકારક રહેશે.

ચાલો સામાન્ય સમસ્યાઓ કે જે ઉદ્દભવે છે, તેઓનું SQL માં અમલીકરણ જોઈએ અને તેમનું પ્રદર્શન સુધારવાનો પ્રયાસ કરીએ.

#1. સસલાના છિદ્ર કેટલું ઊંડું છે?

ચાલો, નિશ્ચિતતા માટે, સ્વીકારીએ કે આ માળખું સંસ્થાના માળખામાં વિભાગોની ગૌણતાને પ્રતિબિંબિત કરશે: વિભાગો, વિભાગો, ક્ષેત્રો, શાખાઓ, કાર્યકારી જૂથો... - તમે તેમને જે પણ કહો છો.

પ્રથમ, ચાલો આપણા 10K તત્વોનું 'ટ્રી' જનરેટ કરીએ

INSERT INTO hier
WITH RECURSIVE T AS (
  SELECT
    1::integer id
  , '{1}'::integer[] pids
UNION ALL
  SELECT
    id + 1
  , pids[1:(random() * array_length(pids, 1))::integer] || (id + 1)
  FROM
    T
  WHERE
    id < 10000
)
SELECT
  pids[array_length(pids, 1)] id
, pids[array_length(pids, 1) - 1] pid
FROM
  T;

ચાલો સૌથી સરળ કાર્યથી શરૂઆત કરીએ - ચોક્કસ સેક્ટરમાં અથવા વંશવેલાની દ્રષ્ટિએ કામ કરતા તમામ કર્મચારીઓને શોધવા - નોડના તમામ બાળકોને શોધો. વંશજની "ઊંડાઈ" મેળવવી પણ સરસ રહેશે... આ બધું જરૂરી હોઈ શકે છે, ઉદાહરણ તરીકે, કોઈ પ્રકારનું નિર્માણ કરવા માટે આ કર્મચારીઓના ID ની યાદીના આધારે જટિલ પસંદગી.

જો આ વંશજોના માત્ર બે સ્તરો હોય અને સંખ્યા એક ડઝનની અંદર હોય તો બધું સારું રહેશે, પરંતુ જો ત્યાં 5 થી વધુ સ્તરો છે, અને પહેલેથી જ ડઝનેક વંશજો છે, તો ત્યાં સમસ્યાઓ હોઈ શકે છે. ચાલો જોઈએ કે પરંપરાગત ડાઉન-ટ્રી શોધ વિકલ્પો કેવી રીતે લખવામાં આવે છે (અને કાર્ય). પરંતુ પ્રથમ, ચાલો નક્કી કરીએ કે અમારા સંશોધન માટે કયા ગાંઠો સૌથી વધુ રસપ્રદ રહેશે.

સૌથી વધુ "ઊંડા" પેટા વૃક્ષો:

WITH RECURSIVE T AS (
  SELECT
    id
  , pid
  , ARRAY[id] path
  FROM
    hier
  WHERE
    pid IS NULL
UNION ALL
  SELECT
    hier.id
  , hier.pid
  , T.path || hier.id
  FROM
    T
  JOIN
    hier
      ON hier.pid = T.id
)
TABLE T ORDER BY array_length(path, 1) DESC;

 id  | pid  | path
---------------------------------------------
7624 | 7623 | {7615,7620,7621,7622,7623,7624}
4995 | 4994 | {4983,4985,4988,4993,4994,4995}
4991 | 4990 | {4983,4985,4988,4989,4990,4991}
...

સૌથી વધુ "વિશાળ" પેટા વૃક્ષો:

...
SELECT
  path[1] id
, count(*)
FROM
  T
GROUP BY
  1
ORDER BY
  2 DESC;

id   | count
------------
5300 |   30
 450 |   28
1239 |   27
1573 |   25

આ પ્રશ્નો માટે અમે લાક્ષણિકનો ઉપયોગ કર્યો પુનરાવર્તિત જોડાઓ:


દેખીતી રીતે, આ વિનંતી મોડેલ સાથે પુનરાવર્તનોની સંખ્યા વંશજોની કુલ સંખ્યા સાથે મેળ ખાશે (અને તેમાંના ઘણા ડઝન છે), અને આ ખૂબ નોંધપાત્ર સંસાધનો લઈ શકે છે, અને પરિણામે, સમય.

ચાલો "સૌથી પહોળા" સબટ્રી પર તપાસ કરીએ:

WITH RECURSIVE T AS (
  SELECT
    id
  FROM
    hier
  WHERE
    id = 5300
UNION ALL
  SELECT
    hier.id
  FROM
    T
  JOIN
    hier
      ON hier.pid = T.id
)
TABLE T;

[explan.tensor.ru પર જુઓ]

અપેક્ષા મુજબ, અમને તમામ 30 રેકોર્ડ મળ્યા. પરંતુ તેઓએ આના પર કુલ સમયનો 60% ખર્ચ કર્યો - કારણ કે તેઓએ અનુક્રમણિકામાં 30 શોધ પણ કરી. શું ઓછું કરવું શક્ય છે?

ઇન્ડેક્સ દ્વારા બલ્ક પ્રૂફરીડિંગ

શું આપણે દરેક નોડ માટે અલગ ઇન્ડેક્સ ક્વેરી કરવાની જરૂર છે? તે તારણ આપે છે કે ના - અમે અનુક્રમણિકામાંથી વાંચી શકીએ છીએ એક કૉલમાં એક સાથે અનેક કીનો ઉપયોગ ની મદદ સાથે = ANY(array).

અને ઓળખકર્તાઓના આવા દરેક જૂથમાં આપણે અગાઉના પગલામાં મળેલ તમામ ID ને “નોડ્સ” દ્વારા લઈ શકીએ છીએ. એટલે કે, દરેક આગલા પગલા પર આપણે કરીશું એક જ સમયે ચોક્કસ સ્તરના તમામ વંશજો માટે શોધો.

માત્ર, અહીં સમસ્યા છે, પુનરાવર્તિત પસંદગીમાં, તમે નેસ્ટેડ ક્વેરીમાંથી પોતાને ઍક્સેસ કરી શકતા નથી, પરંતુ આપણે કોઈક રીતે ફક્ત તે જ પસંદ કરવાની જરૂર છે જે અગાઉના સ્તર પર મળી હતી... તે તારણ આપે છે કે સમગ્ર પસંદગી માટે નેસ્ટેડ ક્વેરી કરવી અશક્ય છે, પરંતુ તેના ચોક્કસ ક્ષેત્ર માટે તે શક્ય છે. અને આ ક્ષેત્ર એરે પણ હોઈ શકે છે - જેનો આપણે ઉપયોગ કરવાની જરૂર છે ANY.

તે થોડું પાગલ લાગે છે, પરંતુ આકૃતિમાં બધું સરળ છે.

WITH RECURSIVE T AS (
  SELECT
    ARRAY[id] id$
  FROM
    hier
  WHERE
    id = 5300
UNION ALL
  SELECT
    ARRAY(
      SELECT
        id
      FROM
        hier
      WHERE
        pid = ANY(T.id$)
    ) id$
  FROM
    T
  WHERE
    coalesce(id$, '{}') <> '{}' -- условие выхода из цикла - пустой массив
)
SELECT
  unnest(id$) id
FROM
  T;

[explan.tensor.ru પર જુઓ]

અને અહીં સૌથી મહત્વની વસ્તુ એ પણ નથી સમય માં 1.5 વખત જીતો, અને તે કે અમે ઓછા બફર્સ બાદ કર્યા છે, કારણ કે અમારી પાસે 5 ને બદલે માત્ર 30 કૉલ્સ છે!

વધારાનું બોનસ એ હકીકત છે કે અંતિમ અનનેસ્ટ પછી, ઓળખકર્તાઓ "સ્તરો" દ્વારા ક્રમાંકિત રહેશે.

નોડ ચિહ્ન

આગળની વિચારણા જે કામગીરી સુધારવામાં મદદ કરશે તે છે - "પાંદડા" ને બાળકો ન હોઈ શકે, એટલે કે, તેમના માટે "નીચે" જોવાની જરૂર નથી. અમારા કાર્યની રચનામાં, આનો અર્થ એ છે કે જો આપણે વિભાગોની સાંકળને અનુસરીએ અને કોઈ કર્મચારી સુધી પહોંચીએ, તો પછી આ શાખામાં આગળ જોવાની જરૂર નથી.

ચાલો આપણા કોષ્ટકમાં પ્રવેશ કરીએ વધારાનુ boolean-ક્ષેત્ર, જે અમને તરત જ કહેશે કે શું અમારા વૃક્ષમાં આ ચોક્કસ પ્રવેશ "નોડ" છે - એટલે કે, તેના વંશજો હોઈ શકે છે કે કેમ.

ALTER TABLE hier
  ADD COLUMN branch boolean;

UPDATE
  hier T
SET
  branch = TRUE
WHERE
  EXISTS(
    SELECT
      NULL
    FROM
      hier
    WHERE
      pid = T.id
    LIMIT 1
);
-- Запрос успешно выполнен: 3033 строк изменено за 42 мс.

સરસ! તે તારણ આપે છે કે તમામ વૃક્ષ તત્વોમાંથી માત્ર 30% થી વધુ વંશજો છે.

હવે ચાલો થોડો અલગ મિકેનિકનો ઉપયોગ કરીએ - દ્વારા પુનરાવર્તિત ભાગ સાથે જોડાણો LATERAL, જે અમને પુનરાવર્તિત "ટેબલ" ના ક્ષેત્રોને તરત જ ઍક્સેસ કરવાની મંજૂરી આપશે, અને કીના સમૂહને ઘટાડવા માટે નોડ પર આધારિત ફિલ્ટરિંગ સ્થિતિ સાથે એકંદર કાર્યનો ઉપયોગ કરો:

WITH RECURSIVE T AS (
  SELECT
    array_agg(id) id$
  , array_agg(id) FILTER(WHERE branch) ns$
  FROM
    hier
  WHERE
    id = 5300
UNION ALL
  SELECT
    X.*
  FROM
    T
  JOIN LATERAL (
    SELECT
      array_agg(id) id$
    , array_agg(id) FILTER(WHERE branch) ns$
    FROM
      hier
    WHERE
      pid = ANY(T.ns$)
  ) X
    ON coalesce(T.ns$, '{}') <> '{}'
)
SELECT
  unnest(id$) id
FROM
  T;

[explan.tensor.ru પર જુઓ]

અમે વધુ એક ઇન્ડેક્સ કૉલ ઘટાડવામાં સક્ષમ હતા અને વોલ્યુમમાં 2 કરતા વધુ વખત જીત્યો પ્રૂફરીડ

#2. ચાલો મૂળ પર પાછા જઈએ

આ એલ્ગોરિધમ ઉપયોગી થશે જો તમારે "વૃક્ષ ઉપર" તમામ ઘટકો માટે રેકોર્ડ્સ એકત્રિત કરવાની જરૂર હોય, જ્યારે તે માહિતીને જાળવી રાખતી વખતે (અને કયા સૂચકાંકો સાથે) તેને નમૂનામાં સમાવિષ્ટ કરવાનું કારણ બને છે - ઉદાહરણ તરીકે, સારાંશ અહેવાલ જનરેટ કરવા માટે નોડ્સમાં એકત્રીકરણ સાથે.

નીચેની બાબતોને માત્ર ખ્યાલના પુરાવા તરીકે જ લેવી જોઈએ, કારણ કે વિનંતી ખૂબ જ બોજારૂપ છે. પરંતુ જો તે તમારા ડેટાબેઝ પર પ્રભુત્વ ધરાવે છે, તો તમારે સમાન તકનીકોનો ઉપયોગ કરવા વિશે વિચારવું જોઈએ.

ચાલો કેટલાક સરળ નિવેદનો સાથે પ્રારંભ કરીએ:

• ડેટાબેઝમાંથી સમાન રેકોર્ડ તેને ફક્ત એક જ વાર વાંચવું શ્રેષ્ઠ છે.
• ડેટાબેઝમાંથી રેકોર્ડ્સ બેચમાં વાંચવા માટે તે વધુ કાર્યક્ષમ છેએકલા કરતાં.

ચાલો હવે આપણને જોઈતી વિનંતી તૈયાર કરવાનો પ્રયાસ કરીએ.

પગલું 1

દેખીતી રીતે, જ્યારે પુનરાવર્તન શરૂ કરવામાં આવે છે (તે વિના આપણે ક્યાં હોઈશું!) આપણે પ્રારંભિક ઓળખકર્તાઓના સમૂહના આધારે પાંદડાના રેકોર્ડને બાદબાકી કરવી પડશે:

WITH RECURSIVE tree AS (
  SELECT
    rec -- это цельная запись таблицы
  , id::text chld -- это "набор" приведших сюда исходных листьев
  FROM
    hier rec
  WHERE
    id = ANY('{1,2,4,8,16,32,64,128,256,512,1024,2048,4096,8192}'::integer[])
UNION ALL
  ...

જો કોઈને તે વિચિત્ર લાગતું હોય કે "સેટ" એ સ્ટ્રિંગ તરીકે સંગ્રહિત છે અને એરે તરીકે નહીં, તો આ માટે એક સરળ સમજૂતી છે. શબ્દમાળાઓ માટે બિલ્ટ-ઇન એકંદર "ગ્લુઇંગ" કાર્ય છે string_agg, પરંતુ એરે માટે નહીં. જોકે તેણી તમારા પોતાના પર અમલ કરવા માટે સરળ.

પગલું 2

હવે અમને વિભાગ ID નો સમૂહ મળશે જેને આગળ વાંચવાની જરૂર પડશે. લગભગ હંમેશા તેઓ મૂળ સેટના વિવિધ રેકોર્ડ્સમાં ડુપ્લિકેટ કરવામાં આવશે - તેથી અમે કરીશું તેમને જૂથ કરો, સ્ત્રોત પાંદડા વિશે માહિતી સાચવતી વખતે.

પરંતુ અહીં ત્રણ મુશ્કેલીઓ આપણી રાહ જોશે:

1. ક્વેરીનો "સબરિકર્સિવ" ભાગમાં એકંદર ફંક્શન્સ શામેલ હોઈ શકતા નથી GROUP BY.
2. પુનરાવર્તિત "ટેબલ" નો સંદર્ભ નેસ્ટેડ સબક્વેરી માં હોઈ શકતો નથી.
3. પુનરાવર્તિત ભાગની વિનંતીમાં CTE શામેલ હોઈ શકતું નથી.

સદનસીબે, આ બધી સમસ્યાઓ આસપાસ કામ કરવા માટે એકદમ સરળ છે. ચાલો અંતથી શરૂ કરીએ.

પુનરાવર્તિત ભાગમાં CTE

આની જેમ નથી કામ કરે છે

WITH RECURSIVE tree AS (
  ...
UNION ALL
  WITH T (...)
  SELECT ...
)

અને તેથી તે કામ કરે છે, કૌંસ ફરક બનાવે છે!

WITH RECURSIVE tree AS (
  ...
UNION ALL
  (
    WITH T (...)
    SELECT ...
  )
)

પુનરાવર્તિત "ટેબલ" સામે નેસ્ટેડ ક્વેરી

હમ્મ... સબક્વેરીમાં પુનરાવર્તિત CTE ઍક્સેસ કરી શકાતું નથી. પરંતુ તે CTE ની અંદર હોઈ શકે છે! અને નેસ્ટેડ વિનંતી પહેલાથી જ આ CTE ને ઍક્સેસ કરી શકે છે!

પુનરાવૃત્તિની અંદર જૂથ દ્વારા

તે અપ્રિય છે, પરંતુ... અમારી પાસે GROUP BY નો ઉપયોગ કરીને અનુકરણ કરવાની એક સરળ રીત છે DISTINCT ON અને વિન્ડો કાર્યો!

SELECT
  (rec).pid id
, string_agg(chld::text, ',') chld
FROM
  tree
WHERE
  (rec).pid IS NOT NULL
GROUP BY 1 -- не работает!

અને આ રીતે તે કામ કરે છે!

SELECT DISTINCT ON((rec).pid)
  (rec).pid id
, string_agg(chld::text, ',') OVER(PARTITION BY (rec).pid) chld
FROM
  tree
WHERE
  (rec).pid IS NOT NULL

હવે આપણે જોઈએ છીએ કે શા માટે સંખ્યાત્મક ID ટેક્સ્ટમાં ફેરવાઈ હતી - જેથી તેઓ અલ્પવિરામથી અલગ થઈને એકસાથે જોડાઈ શકે!

પગલું 3

ફાઈનલ માટે અમારી પાસે કંઈ બાકી નથી:

• અમે જૂથબદ્ધ ID ના સમૂહના આધારે "વિભાગ" રેકોર્ડ વાંચીએ છીએ
• અમે બાદબાકી કરેલ વિભાગોની તુલના મૂળ શીટ્સના "સેટ્સ" સાથે કરીએ છીએ
• નો ઉપયોગ કરીને સેટ-સ્ટ્રિંગને "વિસ્તૃત કરો". unnest(string_to_array(chld, ',')::integer[])

WITH RECURSIVE tree AS (
  SELECT
    rec
  , id::text chld
  FROM
    hier rec
  WHERE
    id = ANY('{1,2,4,8,16,32,64,128,256,512,1024,2048,4096,8192}'::integer[])
UNION ALL
  (
    WITH prnt AS (
      SELECT DISTINCT ON((rec).pid)
        (rec).pid id
      , string_agg(chld::text, ',') OVER(PARTITION BY (rec).pid) chld
      FROM
        tree
      WHERE
        (rec).pid IS NOT NULL
    )
    , nodes AS (
      SELECT
        rec
      FROM
        hier rec
      WHERE
        id = ANY(ARRAY(
          SELECT
            id
          FROM
            prnt
        ))
    )
    SELECT
      nodes.rec
    , prnt.chld
    FROM
      prnt
    JOIN
      nodes
        ON (nodes.rec).id = prnt.id
  )
)
SELECT
  unnest(string_to_array(chld, ',')::integer[]) leaf
, (rec).*
FROM
  tree;

[explan.tensor.ru પર જુઓ]

સોર્સ: www.habr.com