🥇DBA: mengatur sinkronisasi dan impor

Ketika pemrosesan kompleks kumpulan data besar (berbagai proses ETL: impor, konversi dan sinkronisasi dengan sumber eksternal) seringkali ada kebutuhan untuk sementara "mengingat", dan segera memproses dengan cepat sesuatu yang banyak.

Tugas tipikal semacam ini biasanya terdengar seperti ini: "Disini akuntansi diturunkan dari klien-bank pembayaran terakhir yang diterima, Anda perlu mengunggahnya dengan cepat ke situs dan menautkannya ke akun "

Namun ketika volume "sesuatu" ini mulai diukur dalam ratusan megabyte, dan layanan harus terus bekerja dengan database dalam mode 24x7, ada banyak efek samping yang akan merusak hidup Anda.

Untuk menghadapinya di PostgreSQL (dan tidak hanya di dalamnya), Anda dapat menggunakan beberapa peluang untuk pengoptimalan yang memungkinkan Anda memproses semuanya lebih cepat dan dengan konsumsi sumber daya yang lebih sedikit.

1. Ke mana harus mengirim?

Pertama, mari kita putuskan di mana kita bisa mengisi data yang ingin kita "proses".

1.1. Tabel sementara (TABEL SEMENTARA)

Pada prinsipnya, untuk PostgreSQL, tabel sementara adalah tabel yang sama dengan tabel lainnya. Oleh karena itu, takhayul seperti "semuanya disimpan di sana hanya dalam ingatan, dan itu bisa berakhir". Tetapi ada juga beberapa perbedaan yang signifikan.

Miliki "namespace" untuk setiap koneksi ke database

Jika dua koneksi mencoba untuk terhubung pada waktu yang sama CREATE TABLE x, maka seseorang pasti akan mendapatkannya kesalahan non-keunikan objek basis data.

Tetapi jika keduanya mencoba untuk mengeksekusi CREATE TEMPORARY TABLE x, maka keduanya akan melakukannya secara normal, dan masing-masing akan menerima salinan Anda tabel. Dan tidak akan ada kesamaan di antara mereka.

"Penghancuran diri" saat terputus

Saat koneksi ditutup, semua tabel sementara dihapus secara otomatis, jadi lakukan "secara manual". DROP TABLE x tidak masuk akal kecuali...

Jika Anda bekerja melalui pgbouncer dalam mode transaksi, maka database tetap percaya bahwa koneksi ini masih aktif, dan tabel sementara ini masih ada di dalamnya.

Oleh karena itu, upaya untuk membuatnya lagi, dari koneksi lain ke pgbouncer, akan menghasilkan kesalahan. Tapi ini bisa dilewati dengan menggunakan CREATE TEMPORARY TABLE IF NOT EXISTS x.

Benar, lebih baik tidak melakukan ini sama sekali, karena Anda dapat "tiba-tiba" menemukan data yang tersisa dari "pemilik sebelumnya" di sana. Sebaliknya, jauh lebih baik membaca manual, dan melihat bahwa saat membuat tabel, dimungkinkan untuk menambahkan ON COMMIT DROP - yaitu ketika transaksi selesai, tabel akan terhapus secara otomatis.

Non-replikasi

Berdasarkan milik hanya untuk koneksi tertentu, tabel sementara tidak direplikasi. Tetapi ini menghilangkan kebutuhan untuk menulis data dua kali ke heap + WAL, jadi INSERT/UPDATE/DELETE ke dalamnya secara signifikan lebih cepat.

Tetapi karena tabel sementara masih merupakan tabel "hampir biasa", tabel itu juga tidak dapat dibuat di replika. Setidaknya untuk saat ini, meskipun tambalan yang sesuai sudah ada sejak lama.

1.2. Tabel yang tidak dicatat (UNLOGGED TABLE)

Tetapi apa yang harus dilakukan, misalnya, jika Anda memiliki semacam proses ETL yang rumit yang tidak dapat diterapkan dalam satu transaksi, tetapi Anda tetap pgbouncer dalam mode transaksi? ..

Atau apakah aliran data begitu besar sehingga tidak cukup bandwidth per koneksi dari database (baca, satu proses per CPU)?..

Atau beberapa operasi sedang berlangsung secara asinkron dalam hubungan yang berbeda?..

Hanya ada satu opsi di sini - buat sementara tabel non-temp. Pun, ya. Itu adalah:

membuat tabel "nya" dengan nama acak maksimal agar tidak berpapasan dengan siapa pun
Ekstrak: mengisinya dengan data dari sumber eksternal
Mengubah: dikonversi, mengisi bidang penjilidan kunci
Beban: menuangkan data siap pakai ke tabel target
menghapus tabel "milik sendiri".

Dan sekarang - lalat di salep. Nyatanya, semua tulisan di PostgreSQL terjadi dua kali - pertama di WAL, lalu sudah ada di badan tabel/indeks. Semua ini dilakukan untuk mendukung ACID dan memperbaiki visibilitas data antara COMMIT'cewek dan ROLLBACK'membutuhkan transaksi.

Tapi kita tidak membutuhkan itu! Kami memiliki seluruh proses benar-benar berhasil atau tidak. Tidak masalah berapa banyak transaksi perantara yang akan terjadi - kami tidak tertarik untuk "melanjutkan proses dari tengah", terutama jika tidak jelas di mana itu.

Untuk melakukan ini, pengembang PostgreSQL, kembali ke versi 9.1, memperkenalkan hal seperti tabel yang belum dicatat (UNLOGGED).:

Dengan petunjuk ini, tabel dibuat sebagai non-log. Data yang ditulis ke tabel non-log tidak melalui log tulis-depan (lihat Bab 29), menyebabkan tabel tersebut bekerja lebih cepat dari biasanya. Namun, mereka tidak tahan kesalahan; pada server crash atau shutdown, tabel unloged otomatis terpotong. Selain itu, isi tabel unloged tidak direplikasi ke server budak. Indeks apa pun yang dibuat pada tabel yang tidak dicatat secara otomatis menjadi tidak dicatat.

Singkatnya, akan jauh lebih cepat, tetapi jika server database "jatuh" - itu akan menjadi tidak menyenangkan. Tetapi seberapa sering hal ini terjadi, dan apakah proses ETL Anda dapat menyempurnakan "dari tengah" ini dengan benar setelah "kebangkitan" database?..

Jika tidak, dan kasus di atas mirip dengan kasus Anda, gunakan UNLOGGEDtapi tidak pernah jangan aktifkan atribut ini di tabel nyata, yang datanya sangat Anda sayangi.

1.3. ON COMMIT { HAPUS BARIS | MENJATUHKAN}

Konstruksi ini memungkinkan Anda menyetel perilaku otomatis saat transaksi selesai saat membuat tabel.

Tentang ON COMMIT DROP Saya sudah menulis di atas, itu menghasilkan DROP TABLE, tetapi dengan ON COMMIT DELETE ROWS situasinya lebih menarik - ini dia yang dihasilkan TRUNCATE TABLE.

Karena seluruh infrastruktur untuk menyimpan deskripsi meta dari tabel sementara persis sama dengan tabel biasa, maka pembuatan dan penghapusan tabel sementara yang konstan menyebabkan "pembengkakan" yang kuat pada tabel sistem pg_class, pg_attribute, pg_attrdef, pg_depend,…

Sekarang bayangkan Anda memiliki pekerja dengan koneksi langsung ke database, yang membuka transaksi baru setiap detik, membuat, mengisi, memproses, dan menghapus tabel sementara ... Sampah di tabel sistem akan menumpuk secara berlebihan, dan ini tambahan rem untuk setiap operasi.

Secara umum, tidak perlu! Jauh lebih efisien dalam hal ini. CREATE TEMPORARY TABLE x ... ON COMMIT DELETE ROWS keluarkan dari siklus transaksi - kemudian pada awal setiap transaksi baru, tabel sudah akan ada (kami menyimpan panggilan CREATE), tetapi akan kosong, terimakasih untuk TRUNCATE (kami juga menyimpan panggilannya) di akhir transaksi sebelumnya.

1.4. SEPERTI… TERMASUK…

Saya sebutkan di awal bahwa salah satu kasus penggunaan umum untuk tabel sementara adalah semua jenis impor - dan pengembang dengan lelah menyalin-tempel daftar bidang dari tabel target ke dalam deklarasi ...

Tapi kemalasan adalah mesin kemajuan! Itu sebabnya membuat spreadsheet baru bisa jauh lebih mudah:

CREATE TEMPORARY TABLE import_table(
  LIKE target_table
);

Karena Anda kemudian dapat menghasilkan banyak data ke dalam tabel ini, pencarian melaluinya tidak akan pernah cepat. Tapi ada solusi tradisional untuk ini - indeks! Dan ya tabel sementara juga dapat memiliki indeks.

Karena seringkali indeks yang diinginkan sama dengan indeks tabel target, Anda cukup menulis LIKE target_table INCLUDING INDEXES.

Jika Anda membutuhkan lebih banyak DEFAULT-nilai (misalnya, untuk mengisi nilai kunci utama), Anda dapat menggunakan LIKE target_table INCLUDING DEFAULTS. Atau hanya - LIKE target_table INCLUDING ALL — akan menyalin default, indeks, batasan,…

Tapi di sini Anda sudah perlu memahami bahwa jika Anda membuatnya impor-tabel segera dengan indeks, maka data akan diisi lebih lamadaripada jika Anda mengisi semuanya terlebih dahulu, dan baru kemudian menggulung indeks - lihat sebagai contoh caranya hal_dump.

Secara umum, RTFM!

2. Bagaimana cara menulis?

Sederhananya - gunakan COPY-stream bukan "paket" INSERT, percepatan berkali-kali. Anda bahkan dapat langsung dari file yang dibuat sebelumnya.

3. Bagaimana prosesnya?

Jadi, katakanlah pengantar kita terlihat seperti ini:

Anda memiliki tabel dengan data klien yang disimpan di database Anda 1 juta catatan
setiap hari klien mengirimi Anda yang baru lengkapi "gambar"
Anda tahu dari pengalaman bahwa dari waktu ke waktu tidak lebih dari 10K catatan berubah

Contoh klasik dari situasi seperti itu adalah dasar KLADR - alamatnya banyak, tapi di setiap unggahan mingguan sangat sedikit perubahan (ganti nama pemukiman, penggabungan jalan, rumah baru) bahkan dalam skala nasional.

3.1. Algoritma Sinkronisasi Penuh

Untuk kesederhanaan, katakanlah Anda bahkan tidak perlu menyusun ulang data - cukup bawa tabel ke bentuk yang diinginkan, yaitu:

hapus semua itu tidak ada lagi
upgrade segala sesuatu yang sudah ada dan perlu diperbarui
masukkan semua yang belum terjadi

Mengapa perlu melakukan operasi dalam urutan ini? Karena begitulah ukuran tabel akan bertambah minimal (ingat MVCC!).

HAPUS DARI dst

Tidak, tentu saja Anda dapat melakukannya hanya dengan dua operasi:

hapus (DELETE) secara umum semuanya
masukkan semua dari gambar baru

Namun pada saat yang sama, berkat MVCC, ukuran meja akan bertambah tepat dua kali lipat! Dapatkan +1 juta gambar rekaman tabel karena pembaruan 10K - redundansi biasa-biasa saja...

POTONG dst

Pengembang yang lebih berpengalaman tahu bahwa seluruh tabel dapat dibersihkan dengan cukup murah:

jelas (TRUNCATE) seluruh meja
masukkan semua dari gambar baru

Metode ini efektif terkadang dapat diterapkan, tetapi ada nasib buruk ... Kami akan menuangkan 1 juta catatan untuk waktu yang lama, jadi kami tidak dapat membiarkan tabel kosong selama ini (karena itu akan terjadi tanpa membungkusnya menjadi satu transaksi).

Yang berarti:

kita mulai transaksi berjalan lama
TRUNCATE memaksakan Akses Eksklusif- memblokir
kami membuat sisipan untuk waktu yang lama, dan semua orang saat ini bahkan tidak bisa SELECT

Ada yang salah...

ALTER TABLE… RENAME… / DROP TABLE…

Sebagai opsi, isi semuanya ke dalam tabel baru yang terpisah, lalu cukup ganti namanya ke tempat yang lama. Beberapa hal kecil yang mengganggu:

masih juga Akses Eksklusif, meskipun waktu jauh lebih sedikit
semua paket kueri/statistik tabel ini disetel ulang, Anda perlu mengemudi ANALISIS
semua kunci asing putus (FK) per meja

Ada tambalan WIP dari Simon Riggs yang disarankan untuk dilakukan ALTER- operasi untuk mengubah isi tabel pada tingkat file, tanpa menyentuh statistik dan FK, tetapi tidak mengumpulkan kuorum.

HAPUS, PERBARUI, MASUKKAN

Jadi, kami berhenti pada varian non-pemblokiran dari tiga operasi. Hampir tiga... Bagaimana melakukannya dengan paling efektif?

-- все делаем в рамках транзакции, чтобы никто не видел "промежуточных" состояний
BEGIN;

-- создаем временную таблицу с импортируемыми данными
CREATE TEMPORARY TABLE tmp(
  LIKE dst INCLUDING INDEXES -- по образу и подобию, вместе с индексами
) ON COMMIT DROP; -- за рамками транзакции она нам не нужна

-- быстро-быстро вливаем новый образ через COPY
COPY tmp FROM STDIN;
-- ...
-- .

-- удаляем отсутствующие
DELETE FROM
  dst D
USING
  dst X
LEFT JOIN
  tmp Y
    USING(pk1, pk2) -- поля первичного ключа
WHERE
  (D.pk1, D.pk2) = (X.pk1, X.pk2) AND
  Y IS NOT DISTINCT FROM NULL; -- "антиджойн"

-- обновляем оставшиеся
UPDATE
  dst D
SET
  (f1, f2, f3) = (T.f1, T.f2, T.f3)
FROM
  tmp T
WHERE
  (D.pk1, D.pk2) = (T.pk1, T.pk2) AND
  (D.f1, D.f2, D.f3) IS DISTINCT FROM (T.f1, T.f2, T.f3); -- незачем обновлять совпадающие

-- вставляем отсутствующие
INSERT INTO
  dst
SELECT
  T.*
FROM
  tmp T
LEFT JOIN
  dst D
    USING(pk1, pk2)
WHERE
  D IS NOT DISTINCT FROM NULL;

COMMIT;

3.2. Impor pasca-pemrosesan

Dalam KLADR yang sama, semua catatan yang diubah harus dijalankan tambahan melalui pasca-pemrosesan - kata kunci yang dinormalisasi dan disorot, dibawa ke struktur yang diinginkan. Tapi bagaimana cara mengetahuinya apa sebenarnya yang berubahtanpa mempersulit kode sinkronisasi, idealnya tanpa menyentuhnya sama sekali?

Jika hanya proses Anda yang memiliki akses tulis pada saat sinkronisasi, Anda dapat menggunakan pemicu yang akan mengumpulkan semua perubahan untuk kami:

-- целевые таблицы
CREATE TABLE kladr(...);
CREATE TABLE kladr_house(...);

-- таблицы с историей изменений
CREATE TABLE kladr$log(
  ro kladr, -- тут лежат целые образы записей старой/новой
  rn kladr
);

CREATE TABLE kladr_house$log(
  ro kladr_house,
  rn kladr_house
);

-- общая функция логирования изменений
CREATE OR REPLACE FUNCTION diff$log() RETURNS trigger AS $$
DECLARE
  dst varchar = TG_TABLE_NAME || '$log';
  stmt text = '';
BEGIN
  -- проверяем необходимость логгирования при обновлении записи
  IF TG_OP = 'UPDATE' THEN
    IF NEW IS NOT DISTINCT FROM OLD THEN
      RETURN NEW;
    END IF;
  END IF;
  -- создаем запись лога
  stmt = 'INSERT INTO ' || dst::text || '(ro,rn)VALUES(';
  CASE TG_OP
    WHEN 'INSERT' THEN
      EXECUTE stmt || 'NULL,$1)' USING NEW;
    WHEN 'UPDATE' THEN
      EXECUTE stmt || '$1,$2)' USING OLD, NEW;
    WHEN 'DELETE' THEN
      EXECUTE stmt || '$1,NULL)' USING OLD;
  END CASE;
  RETURN NEW;
END;
$$ LANGUAGE plpgsql;

Sekarang kita dapat menerapkan pemicu sebelum memulai sinkronisasi (atau mengaktifkannya melalui ALTER TABLE ... ENABLE TRIGGER ...):

CREATE TRIGGER log
  AFTER INSERT OR UPDATE OR DELETE
  ON kladr
    FOR EACH ROW
      EXECUTE PROCEDURE diff$log();

CREATE TRIGGER log
  AFTER INSERT OR UPDATE OR DELETE
  ON kladr_house
    FOR EACH ROW
      EXECUTE PROCEDURE diff$log();

Dan kemudian kami dengan tenang mengekstrak semua perubahan yang kami butuhkan dari tabel log dan menjalankannya melalui prosesor tambahan.

3.3. Mengimpor Set Terkait

Di atas, kami mempertimbangkan kasus di mana struktur data sumber dan tujuan sama. Namun bagaimana jika upload dari sistem eksternal memiliki format yang berbeda dengan struktur penyimpanan di database kita?

Mari kita ambil contoh penyimpanan pelanggan dan faktur untuk mereka, opsi klasik many-to-one:

CREATE TABLE client(
  client_id
    serial
      PRIMARY KEY
, inn
    varchar
      UNIQUE
, name
    varchar
);

CREATE TABLE invoice(
  invoice_id
    serial
      PRIMARY KEY
, client_id
    integer
      REFERENCES client(client_id)
, number
    varchar
, dt
    date
, sum
    numeric(32,2)
);

Tetapi pembongkaran dari sumber eksternal datang kepada kita dalam bentuk "semua dalam satu":

CREATE TEMPORARY TABLE invoice_import(
  client_inn
    varchar
, client_name
    varchar
, invoice_number
    varchar
, invoice_dt
    date
, invoice_sum
    numeric(32,2)
);

Jelas, data pelanggan dapat digandakan dalam versi ini, dan catatan utamanya adalah "akun":

0123456789;Вася;A-01;2020-03-16;1000.00
9876543210;Петя;A-02;2020-03-16;666.00
0123456789;Вася;B-03;2020-03-16;9999.00

Untuk modelnya, cukup masukkan data uji kami, tapi ingat - COPY lebih hemat!

INSERT INTO invoice_import
VALUES
  ('0123456789', 'Вася', 'A-01', '2020-03-16', 1000.00)
, ('9876543210', 'Петя', 'A-02', '2020-03-16', 666.00)
, ('0123456789', 'Вася', 'B-03', '2020-03-16', 9999.00);

Pertama-tama mari kita pilih "bagian" yang dirujuk oleh "fakta" kita. Dalam kasus kami, faktur mengacu pada pelanggan:

CREATE TEMPORARY TABLE client_import AS
SELECT DISTINCT ON(client_inn)
-- можно просто SELECT DISTINCT, если данные заведомо непротиворечивы
  client_inn inn
, client_name "name"
FROM
  invoice_import;

Agar akun dapat dikaitkan dengan benar dengan ID pelanggan, pertama-tama kami perlu mengetahui atau membuat pengenal ini. Mari tambahkan bidang di bawahnya:

ALTER TABLE invoice_import ADD COLUMN client_id integer;
ALTER TABLE client_import ADD COLUMN client_id integer;

Mari gunakan metode sinkronisasi tabel yang dijelaskan di atas dengan sedikit koreksi - kami tidak akan memperbarui atau menghapus apa pun di tabel target, karena kami memiliki impor klien "tambahan saja":

-- проставляем в таблице импорта ID уже существующих записей
UPDATE
  client_import T
SET
  client_id = D.client_id
FROM
  client D
WHERE
  T.inn = D.inn; -- unique key

-- вставляем отсутствовавшие записи и проставляем их ID
WITH ins AS (
  INSERT INTO client(
    inn
  , name
  )
  SELECT
    inn
  , name
  FROM
    client_import
  WHERE
    client_id IS NULL -- если ID не проставился
  RETURNING *
)
UPDATE
  client_import T
SET
  client_id = D.client_id
FROM
  ins D
WHERE
  T.inn = D.inn; -- unique key

-- проставляем ID клиентов у записей счетов
UPDATE
  invoice_import T
SET
  client_id = D.client_id
FROM
  client_import D
WHERE
  T.client_inn = D.inn; -- прикладной ключ

Sebenarnya, semuanya invoice_import sekarang kita memiliki bidang yang terisi client_id, yang dengannya kami akan memasukkan akun.

Sumber: www.habr.com

DBA: mengatur sinkronisasi dan impor secara kompeten