SQL HowTo: ჩაწერეთ while-ციკლი პირდაპირ მოთხოვნაში, ან „დაწყებითი სამმხრივი“

პერიოდულად ჩნდება დაკავშირებული მონაცემების ძებნის ამოცანა გასაღებების ნაკრებით, სანამ არ მივიღებთ ჩანაწერების საჭირო საერთო რაოდენობას.

ყველაზე "ცხოვრების მსგავსი" მაგალითია ჩვენება 20 უძველესი პრობლემა, ჩამოთვლილი თანამშრომელთა სიაში (მაგალითად, იმავე განყოფილებაში). სხვადასხვა მენეჯერული "დაფებისთვის" სამუშაო სფეროების მოკლე მიმოხილვით, მსგავსი თემა საკმაოდ ხშირად არის საჭირო.

სტატიაში განვიხილავთ PostgreSQL-ზე ამგვარი პრობლემის გადაჭრის „გულუბრყვილო“ ვერსიის, „ჭკვიანური“ და ძალიან რთული ალგორითმის განხორციელებას. "მარყუჟი" SQL-ში აღმოჩენილი მონაცემებიდან გასასვლელი პირობით, რომელიც გამოდგება როგორც ზოგადი განვითარებისთვის, ასევე სხვა მსგავს შემთხვევებში გამოსაყენებლად.

ავიღოთ სატესტო მონაცემთა ნაკრები წინა სტატია. ისე, რომ გამომავალი ჩანაწერები არ "ხტუნდეს" დროდადრო, როდესაც დახარისხებული მნიშვნელობები ემთხვევა, გააფართოვეთ საგნის ინდექსი პირველადი გასაღების დამატებით. ამავდროულად, ეს დაუყოვნებლივ მისცემს მას უნიკალურობას და გვაძლევს გარანტიას დალაგების რიგის უნიკალურობას:

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

როგორც ისმის, ისე წერია

პირველ რიგში, მოდით გამოვსახოთ მოთხოვნის უმარტივესი ვერსია, შემსრულებლების პირადობის მოწმობების გადაცემით მასივი შეყვანის სახით:

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;

[ნახეთ description.tensor.ru]

ცოტა სამწუხაროა - მხოლოდ 20 ჩანაწერი შევუკვეთეთ და Index Scan-მა დაგვიბრუნა 960 ხაზი, რომელიც შემდეგ ასევე უნდა დალაგებულიყო... და ვეცადოთ ნაკლებად წავიკითხოთ.

unnest + ARRAY

პირველი მოსაზრება, რომელიც დაგვეხმარება - თუ გვჭირდება სულ 20 დალაგებულია ჩანაწერები, საკმარისია წაიკითხოთ არაუმეტეს 20 დალაგებულია ერთიდაიგივე თანმიმდევრობით თითოეულისთვის გასაღები. კარგი, შესაფერისი ინდექსი (owner_id, task_date, id) გვაქვს.

გამოვიყენოთ ამოღების და „სვეტებად გადაქცევის“ იგივე მექანიზმი. ცხრილის ინტეგრალური ჩანაწერი, როგორც ბოლო სტატია. ასევე გამოიყენეთ კონვოლუცია მასივზე ფუნქციის გამოყენებით 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

[ნახეთ description.tensor.ru]

ოჰ, ეს უკვე ბევრად უკეთესია! 40%-ით უფრო სწრაფი და 4.5-ჯერ ნაკლები მონაცემები უნდა წაეკითხა.

ცხრილის ჩანაწერების მატერიალიზაცია CTE-ის საშუალებითამას აღვნიშნავ ზოგიერთ შემთხვევაში ჩანაწერების ველებთან დაუყონებლივ მუშაობის მცდელობა ქვემოთხოვნაში ძიების შემდეგ, CTE-ში „შეფუთვის“ გარეშე, შეიძლება გამოიწვიოს "გამრავლება" InitPlan იგივე ველების რაოდენობის პროპორციულია:

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

იგივე ჩანაწერი "მოძებნეს" 4-ჯერ... PostgreSQL 11-მდე ეს ქცევა რეგულარულად ხდება და გამოსავალი არის "გადახვევა" CTE-ში, რაც ამ ვერსიებში ოპტიმიზატორის უპირობო საზღვარია.

რეკურსიული აკუმულატორი

წინა ვერსიაში, ჯამში, ვკითხულობთ 200 ხაზი საჭირო 20-ის გულისთვის. უკვე არა 960, მაგრამ კიდევ უფრო ნაკლები - შესაძლებელია?

შევეცადოთ გამოვიყენოთ ის ცოდნა, რომელიც გვჭირდება სულ xnumx ჩანაწერები. ანუ, ჩვენ ვიმეორებთ მონაცემთა გამოკლებას მხოლოდ მანამ, სანამ არ მივაღწევთ საჭირო რაოდენობას.

ნაბიჯი 1: დაწყების სია

ცხადია, ჩვენი "სამიზნე" სია 20 ჩანაწერისგან უნდა დაიწყოს "პირველი" ჩანაწერებით ჩვენი მფლობელი_id გასაღებისთვის. ამიტომ, ჩვენ პირველად ვპოულობთ ასეთებს "პირველი" თითოეული გასაღებისთვის და ჩადეთ სიაში, დაალაგეთ სასურველი თანმიმდევრობით - (დავალების_თარიღი, id).

ნაბიჯი 2: იპოვნეთ "შემდეგი" ჩანაწერები

ახლა თუ ავიღებთ პირველ ჩანაწერს ჩვენი სიიდან და დავიწყებთ "ნაბიჯი" უფრო ქვემოთ ინდექსი მფლობელი_id-key-ის შენახვით, მაშინ ყველა ნაპოვნი ჩანაწერი მხოლოდ შემდეგია მიღებული შერჩევისას. რა თქმა უნდა, მხოლოდ სანამ არ გადავკვეთთ გამოყენებული გასაღებს მეორე ჩანაწერი სიაში.

თუ აღმოჩნდა, რომ ჩვენ "გადაკვეთეთ" მეორე ჩანაწერი, მაშინ ბოლო წაკითხული ჩანაწერი უნდა დაემატოს სიას პირველის ნაცვლად (იგივე მფლობელი_id-ით), რის შემდეგაც სია ხელახლა დალაგებულია.

ანუ, ყოველთვის ვხვდებით, რომ სიას არ აქვს ერთზე მეტი ჩანაწერი თითოეული გასაღებისთვის (თუ ჩანაწერები დასრულდა და ჩვენ არ "გადაკვეთა", მაშინ პირველი ჩანაწერი უბრალოდ გაქრება სიიდან და არაფერი დაემატება. ), და ისინი ყოველთვის დალაგებულია აპლიკაციის გასაღების ზრდადი თანმიმდევრობით (ამოცანის_თარიღი, ID).

ნაბიჯი 3: ჩანაწერების გაფილტვრა და გაფართოება

ჩვენი რეკურსიული შერჩევის რიგების ნაწილში რამდენიმე ჩანაწერი rv დუბლირებულია - ჯერ ვხვდებით ისეთს, როგორიცაა „სიის მე-2 ჩანაწერის საზღვრის გადაკვეთა“, შემდეგ კი მას ვანაცვლებთ სიიდან პირველ ადგილზე. ასე რომ, პირველი შემთხვევა უნდა იყოს გაფილტრული.

საშინელი საბოლოო შეკითხვა

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

[ნახეთ description.tensor.ru]

ამრიგად, ჩვენ მოახდინეს 50% მონაცემების წაკითხვა 20% შესრულების დროზე. ანუ, თუ გაქვთ საფუძველი იმის დასაჯერებლად, რომ კითხვა შეიძლება იყოს გრძელი (მაგალითად, მონაცემები ხშირად არ არის ქეშში და ამისათვის დისკზე უნდა წახვიდეთ), მაშინ ამ გზით შეგიძლიათ დაეყრდნოთ ნაკლებ კითხვას.

ყოველ შემთხვევაში, შესრულების დრო უკეთესი აღმოჩნდა, ვიდრე "გულუბრყვილო" პირველ ვარიანტში. მაგრამ ამ 3 ვარიანტიდან რომელი გამოიყენო, შენზეა დამოკიდებული.

წყარო: www.habr.com