SQL HowTo: ક્વેરી અથવા "પ્રાથમિક થ્રી-વે"માં સીધા જ જ્યારે-લૂપ લખો

સમયાંતરે, કીના સમૂહનો ઉપયોગ કરીને સંબંધિત ડેટા શોધવાનું કાર્ય ઉદ્ભવે છે. જ્યાં સુધી અમને રેકોર્ડની આવશ્યક કુલ સંખ્યા ન મળે.

સૌથી "વાસ્તવિક જીવન" ઉદાહરણ દર્શાવવાનું છે 20 સૌથી જૂની સમસ્યાઓ, સૂચિબદ્ધ કર્મચારીઓની યાદીમાં (ઉદાહરણ તરીકે, એક વિભાગની અંદર). કાર્યક્ષેત્રોના સંક્ષિપ્ત સારાંશ સાથે વિવિધ મેનેજમેન્ટ "ડૅશબોર્ડ્સ" માટે, સમાન વિષયની ઘણી વાર જરૂર પડે છે.

આ લેખમાં આપણે આવી સમસ્યાના "નિષ્કપટ" ઉકેલ, "સ્માર્ટ" અને ખૂબ જ જટિલ અલ્ગોરિધમના PostgreSQL માં અમલીકરણને જોઈશું. મળેલા ડેટામાંથી બહાર નીકળવાની સ્થિતિ સાથે SQL માં “લૂપ”, જે સામાન્ય વિકાસ માટે અને અન્ય સમાન કેસોમાં ઉપયોગ માટે બંને ઉપયોગી થઈ શકે છે.

ચાલો એક ટેસ્ટ ડેટા સેટ લઈએ અગાઉનો લેખ. જ્યારે સૉર્ટ કરેલ મૂલ્યો એકરૂપ થાય ત્યારે પ્રદર્શિત રેકોર્ડ્સને સમય સમય પર "જમ્પિંગ" કરતા અટકાવવા માટે, પ્રાથમિક કી ઉમેરીને વિષય અનુક્રમણિકા વિસ્તૃત કરો. તે જ સમયે, આ તરત જ તેને વિશિષ્ટતા આપશે અને અમને ખાતરી આપશે કે સૉર્ટિંગ ઓર્ડર અસ્પષ્ટ છે:

CREATE INDEX ON task(owner_id, task_date, id);
-- а старый - удалим
DROP INDEX task_owner_id_task_date_idx;

જેમ તે સાંભળવામાં આવે છે, તેમ તે લખવામાં આવે છે

પ્રથમ, ચાલો વિનંતીના સૌથી સરળ સંસ્કરણનું સ્કેચ કરીએ, રજૂઆત કરનારાઓના ID ને પસાર કરીએ ઇનપુટ પરિમાણ તરીકે એરે:

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;

[explan.tensor.ru પર જુઓ]

થોડું ઉદાસી - અમે ફક્ત 20 રેકોર્ડ્સનો ઓર્ડર આપ્યો હતો, પરંતુ ઇન્ડેક્સ સ્કેન અમને તે પાછો ફર્યો 960 રેખાઓ, જે પછી પણ સૉર્ટ કરવાની હતી... ચાલો ઓછું વાંચવાનો પ્રયત્ન કરીએ.

અનનેસ્ટ + ARRAY

જો આપણને જરૂર હોય તો પ્રથમ વિચારણા જે આપણને મદદ કરશે માત્ર 20 ક્રમાંકિત રેકોર્ડ, પછી ફક્ત વાંચો દરેક માટે સમાન ક્રમમાં 20 થી વધુ નહીં ચાવી સારું, યોગ્ય અનુક્રમણિકા (owner_id, task_date, id) અમારી પાસે છે.

ચાલો એક્સ્ટ્રેક્ટ કરવા અને "કૉલમ્સમાં ફેલાવવા" માટે સમાન પદ્ધતિનો ઉપયોગ કરીએ. અભિન્ન ટેબલ રેકોર્ડ, તરીકે છેલ્લા લેખ. આપણે ફંક્શનનો ઉપયોગ કરીને એરેમાં ફોલ્ડિંગ પણ લાગુ કરી શકીએ છીએ 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

[explan.tensor.ru પર જુઓ]

ઓહ, પહેલેથી જ ઘણું સારું! 40% ઝડપી અને 4.5 ગણો ઓછો ડેટા મારે તે વાંચવું હતું.

CTE દ્વારા ટેબલ રેકોર્ડનું ભૌતિકીકરણચાલો હું તમારું ધ્યાન એ હકીકત તરફ દોરું કે કેટલાક કિસ્સાઓમાં સબક્વેરી માં તેને શોધ્યા પછી તરત જ રેકોર્ડના ક્ષેત્રો સાથે કામ કરવાનો પ્રયાસ, તેને CTE માં "લપેટી" કર્યા વિના, પરિણમી શકે છે InitPlan "ગુણાકાર" કરો આ સમાન ક્ષેત્રોની સંખ્યાના પ્રમાણસર:

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

આ જ રેકોર્ડ 4 વખત "લુક અપ" કરવામાં આવ્યો હતો... PostgreSQL 11 સુધી, આ વર્તણૂક નિયમિતપણે થાય છે, અને ઉકેલ એ છે કે તેને CTE માં "લપેટી" રાખવું, જે આ સંસ્કરણોમાં ઑપ્ટિમાઇઝર માટે ચોક્કસ મર્યાદા છે.

પુનરાવર્તિત સંચયક

અગાઉના સંસ્કરણમાં, આપણે કુલ વાંચીએ છીએ 200 રેખાઓ જરૂરી ખાતર 20. 960 નહીં, પણ ઓછું - શું તે શક્ય છે?

ચાલો આપણે જરૂરી જ્ઞાનનો ઉપયોગ કરવાનો પ્રયાસ કરીએ કુલ 20 રેકોર્ડ એટલે કે, અમે જરૂરી રકમ સુધી પહોંચીએ ત્યાં સુધી જ અમે ડેટા રીડિંગનું પુનરાવર્તન કરીશું.

પગલું 1: શરૂઆતની સૂચિ

દેખીતી રીતે, 20 રેકોર્ડ્સની અમારી "લક્ષ્ય" સૂચિ અમારી માલિક_આઇડી કીમાંથી એક માટે "પ્રથમ" રેકોર્ડ્સથી શરૂ થવી જોઈએ. તેથી, પ્રથમ આપણે આવા શોધીશું દરેક કી માટે "ખૂબ જ પ્રથમ". અને તેને અમે જોઈતા ક્રમમાં સૉર્ટ કરીને તેને સૂચિમાં ઉમેરો - (task_date, id).

પગલું 2: "આગલી" એન્ટ્રીઓ શોધો

હવે જો આપણે આપણી યાદીમાંથી પ્રથમ એન્ટ્રી લઈએ અને શરુ કરીએ અનુક્રમણિકા સાથે "પગલું" આગળ ઓનર_આઈડી કી સાચવીને, પછી મળેલા તમામ રેકોર્ડ્સ પરિણામી પસંદગીમાં બરાબર પછીના છે. અલબત્ત, માત્ર જ્યાં સુધી આપણે બટ કી પાર ન કરીએ યાદીમાં બીજી એન્ટ્રી.

જો તે તારણ આપે છે કે અમે બીજા રેકોર્ડને "ઓળંગ" કર્યો છે, તો પછી વાંચેલી છેલ્લી એન્ટ્રી પ્રથમને બદલે યાદીમાં ઉમેરવી જોઈએ (સમાન માલિક_id સાથે), જે પછી અમે સૂચિને ફરીથી સૉર્ટ કરીએ છીએ.

એટલે કે, અમે હંમેશા મેળવીએ છીએ કે સૂચિમાં દરેક કી માટે એક કરતાં વધુ એન્ટ્રી નથી (જો એન્ટ્રીઓ સમાપ્ત થઈ જાય અને અમે "ક્રોસ" ન કરીએ, તો સૂચિમાંથી પ્રથમ એન્ટ્રી ખાલી અદૃશ્ય થઈ જશે અને કંઈપણ ઉમેરવામાં આવશે નહીં. ), અને તેઓ હંમેશા ક્રમાંકિત એપ્લિકેશન કીના ચડતા ક્રમમાં (task_date, id).

પગલું 3: રેકોર્ડ્સને ફિલ્ટર કરો અને "વિસ્તૃત કરો".

અમારી પુનરાવર્તિત પસંદગીની કેટલીક પંક્તિઓમાં, કેટલાક રેકોર્ડ્સ rv ડુપ્લિકેટ છે - પહેલા આપણે શોધીએ છીએ જેમ કે "સૂચિની 2જી એન્ટ્રીની સરહદ પાર કરવી", અને પછી તેને સૂચિમાંથી 1લી તરીકે બદલીએ. તેથી પ્રથમ ઘટનાને ફિલ્ટર કરવાની જરૂર છે.

ભયાવહ અંતિમ પ્રશ્ન

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

[explan.tensor.ru પર જુઓ]

આમ, અમે એક્ઝેક્યુશન સમયના 50% માટે 20% ડેટા વાંચવામાં આવે છે. એટલે કે, જો તમારી પાસે એવું માનવાનાં કારણો છે કે વાંચવામાં ઘણો સમય લાગી શકે છે (ઉદાહરણ તરીકે, ડેટા ઘણીવાર કેશમાં નથી, અને તમારે તેના માટે ડિસ્ક પર જવું પડશે), તો આ રીતે તમે વાંચન પર ઓછો આધાર રાખી શકો છો. .

કોઈ પણ સંજોગોમાં, અમલનો સમય "નિષ્કપટ" પ્રથમ વિકલ્પ કરતાં વધુ સારો હતો. પરંતુ આ 3 વિકલ્પોમાંથી કયો ઉપયોગ કરવો તે તમારા પર નિર્ભર છે.

સોર્સ: www.habr.com