SQL ಹೇಗೆ: ಪ್ರಶ್ನೆಯಲ್ಲಿ ನೇರವಾಗಿ ಲೂಪ್ ಅನ್ನು ಬರೆಯಿರಿ, ಅಥವಾ "ಎಲಿಮೆಂಟರಿ ತ್ರಿ-ವೇ"

ನಿಯತಕಾಲಿಕವಾಗಿ, ಕೀಗಳ ಗುಂಪನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಬಂಧಿತ ಡೇಟಾವನ್ನು ಹುಡುಕುವ ಕಾರ್ಯವು ಉದ್ಭವಿಸುತ್ತದೆ. ನಾವು ಅಗತ್ಯವಿರುವ ಒಟ್ಟು ಸಂಖ್ಯೆಯ ದಾಖಲೆಗಳನ್ನು ಪಡೆಯುವವರೆಗೆ.

ಅತ್ಯಂತ "ನೈಜ ಜೀವನ" ಉದಾಹರಣೆಯನ್ನು ಪ್ರದರ್ಶಿಸುವುದು 20 ಹಳೆಯ ಸಮಸ್ಯೆಗಳು, ಪಟ್ಟಿಮಾಡಲಾಗಿದೆ ಉದ್ಯೋಗಿಗಳ ಪಟ್ಟಿಯಲ್ಲಿ (ಉದಾಹರಣೆಗೆ, ಒಂದು ವಿಭಾಗದೊಳಗೆ). ಕೆಲಸದ ಪ್ರದೇಶಗಳ ಸಂಕ್ಷಿಪ್ತ ಸಾರಾಂಶಗಳೊಂದಿಗೆ ವಿವಿಧ ನಿರ್ವಹಣೆ "ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳು" ಗಾಗಿ, ಇದೇ ರೀತಿಯ ವಿಷಯವು ಸಾಕಷ್ಟು ಬಾರಿ ಅಗತ್ಯವಾಗಿರುತ್ತದೆ.

ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಅಂತಹ ಸಮಸ್ಯೆಗೆ "ನಿಷ್ಕಪಟ" ಪರಿಹಾರದ PostgreSQL ನಲ್ಲಿ ಅನುಷ್ಠಾನವನ್ನು ನೋಡುತ್ತೇವೆ, "ಸ್ಮಾರ್ಟರ್" ಮತ್ತು ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾದ ಅಲ್ಗಾರಿದಮ್ ಕಂಡುಬಂದ ಡೇಟಾದಿಂದ ನಿರ್ಗಮನ ಸ್ಥಿತಿಯೊಂದಿಗೆ SQL ನಲ್ಲಿ "ಲೂಪ್", ಇದು ಸಾಮಾನ್ಯ ಅಭಿವೃದ್ಧಿಗೆ ಮತ್ತು ಇತರ ರೀತಿಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ಬಳಕೆಗೆ ಎರಡೂ ಉಪಯುಕ್ತವಾಗಿದೆ.

ಪರೀಕ್ಷಾ ಡೇಟಾವನ್ನು ತೆಗೆದುಕೊಳ್ಳೋಣ ಹಿಂದಿನ ಲೇಖನ. ವಿಂಗಡಿಸಲಾದ ಮೌಲ್ಯಗಳು ಹೊಂದಿಕೆಯಾದಾಗ ಪ್ರದರ್ಶಿತ ದಾಖಲೆಗಳನ್ನು ಕಾಲಕಾಲಕ್ಕೆ "ಜಂಪಿಂಗ್" ಮಾಡುವುದನ್ನು ತಡೆಯಲು, ಪ್ರಾಥಮಿಕ ಕೀಲಿಯನ್ನು ಸೇರಿಸುವ ಮೂಲಕ ವಿಷಯ ಸೂಚಿಯನ್ನು ವಿಸ್ತರಿಸಿ. ಅದೇ ಸಮಯದಲ್ಲಿ, ಇದು ತಕ್ಷಣವೇ ಅನನ್ಯತೆಯನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು ವಿಂಗಡಣೆಯ ಕ್ರಮವು ನಿಸ್ಸಂದಿಗ್ಧವಾಗಿದೆ ಎಂದು ನಮಗೆ ಖಾತರಿ ನೀಡುತ್ತದೆ:

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

ಕೇಳಿದಂತೆ, ಬರೆಯಲಾಗಿದೆ

ಮೊದಲಿಗೆ, ಪ್ರದರ್ಶಕರ ID ಗಳನ್ನು ರವಾನಿಸುವ ವಿನಂತಿಯ ಸರಳವಾದ ಆವೃತ್ತಿಯನ್ನು ಚಿತ್ರಿಸೋಣ ಅರೇ ಇನ್‌ಪುಟ್ ಪ್ಯಾರಾಮೀಟರ್ ಆಗಿ:

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;

[explain.tensor.ru ನೋಡಿ]

ಸ್ವಲ್ಪ ದುಃಖ - ನಾವು ಕೇವಲ 20 ದಾಖಲೆಗಳನ್ನು ಆರ್ಡರ್ ಮಾಡಿದ್ದೇವೆ, ಆದರೆ ಸೂಚ್ಯಂಕ ಸ್ಕ್ಯಾನ್ ಅದನ್ನು ನಮಗೆ ಹಿಂತಿರುಗಿಸಿದೆ 960 ಸಾಲುಗಳು, ನಂತರ ಅದನ್ನು ವಿಂಗಡಿಸಬೇಕಾಗಿತ್ತು ... ಕಡಿಮೆ ಓದಲು ಪ್ರಯತ್ನಿಸೋಣ.

unnest + ARRAY

ನಮಗೆ ಸಹಾಯ ಮಾಡುವ ಮೊದಲ ಪರಿಗಣನೆಯು ನಮಗೆ ಅಗತ್ಯವಿದ್ದರೆ ಕೇವಲ 20 ವಿಂಗಡಿಸಲಾಗಿದೆ ದಾಖಲೆಗಳು, ನಂತರ ಕೇವಲ ಓದಿ ಪ್ರತಿಯೊಂದಕ್ಕೂ ಒಂದೇ ಕ್ರಮದಲ್ಲಿ 20 ಕ್ಕಿಂತ ಹೆಚ್ಚು ವಿಂಗಡಿಸಲಾಗಿಲ್ಲ ಕೀ. ಒಳ್ಳೆಯದು, ಸೂಕ್ತವಾದ ಸೂಚ್ಯಂಕ (owner_id, task_date, id) ನಾವು ಹೊಂದಿದ್ದೇವೆ.

ಹೊರತೆಗೆಯಲು ಮತ್ತು "ಕಾಲಮ್‌ಗಳಾಗಿ ಹರಡಲು" ಅದೇ ಕಾರ್ಯವಿಧಾನವನ್ನು ಬಳಸೋಣ ಅವಿಭಾಜ್ಯ ಕೋಷ್ಟಕ ದಾಖಲೆ, ನಲ್ಲಿರುವಂತೆ ಕೊನೆಯ ಲೇಖನ. ನಾವು ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ರಚನೆಯೊಳಗೆ ಮಡಿಸುವಿಕೆಯನ್ನು ಅನ್ವಯಿಸಬಹುದು 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

[explain.tensor.ru ನೋಡಿ]

ಓಹ್, ಈಗಾಗಲೇ ಉತ್ತಮವಾಗಿದೆ! 40% ವೇಗ ಮತ್ತು 4.5 ಪಟ್ಟು ಕಡಿಮೆ ಡೇಟಾ ನಾನು ಅದನ್ನು ಓದಬೇಕಾಗಿತ್ತು.

CTE ಮೂಲಕ ಟೇಬಲ್ ದಾಖಲೆಗಳ ಮೆಟೀರಿಯಲೈಸೇಶನ್ಎಂಬ ಅಂಶಕ್ಕೆ ನಿಮ್ಮ ಗಮನವನ್ನು ಸೆಳೆಯುತ್ತೇನೆ ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ CTE ಯಲ್ಲಿ "ಸುತ್ತಿಕೊಳ್ಳದೆ" ಸಬ್ಕ್ವೆರಿಯಲ್ಲಿ ಅದನ್ನು ಹುಡುಕಿದ ನಂತರ ತಕ್ಷಣವೇ ದಾಖಲೆಯ ಕ್ಷೇತ್ರಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಪ್ರಯತ್ನವು ಕಾರಣವಾಗಬಹುದು InitPlan "ಗುಣಿಸಿ" ಇದೇ ಕ್ಷೇತ್ರಗಳ ಸಂಖ್ಯೆಗೆ ಅನುಪಾತದಲ್ಲಿರುತ್ತದೆ:

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

ಅದೇ ದಾಖಲೆಯನ್ನು 4 ಬಾರಿ "ನೋಡಲಾಗಿದೆ"... PostgreSQL 11 ರವರೆಗೆ, ಈ ನಡವಳಿಕೆಯು ನಿಯಮಿತವಾಗಿ ಸಂಭವಿಸುತ್ತದೆ, ಮತ್ತು ಪರಿಹಾರವು CTE ನಲ್ಲಿ "ಸುತ್ತು" ಆಗಿದೆ, ಇದು ಈ ಆವೃತ್ತಿಗಳಲ್ಲಿ ಆಪ್ಟಿಮೈಜರ್‌ಗೆ ಸಂಪೂರ್ಣ ಮಿತಿಯಾಗಿದೆ.

ಪುನರಾವರ್ತಿತ ಸಂಚಯಕ

ಹಿಂದಿನ ಆವೃತ್ತಿಯಲ್ಲಿ, ಒಟ್ಟಾರೆಯಾಗಿ ನಾವು ಓದುತ್ತೇವೆ 200 ಸಾಲುಗಳು ಅಗತ್ಯವಿರುವ 20. 960 ಅಲ್ಲ, ಆದರೆ ಇನ್ನೂ ಕಡಿಮೆ - ಇದು ಸಾಧ್ಯವೇ?

ನಮಗೆ ಅಗತ್ಯವಿರುವ ಜ್ಞಾನವನ್ನು ಬಳಸಲು ಪ್ರಯತ್ನಿಸೋಣ ಒಟ್ಟು xnumx ದಾಖಲೆಗಳು. ಅಂದರೆ, ನಮಗೆ ಅಗತ್ಯವಿರುವ ಮೊತ್ತವನ್ನು ತಲುಪುವವರೆಗೆ ಮಾತ್ರ ನಾವು ಡೇಟಾ ಓದುವಿಕೆಯನ್ನು ಪುನರಾವರ್ತಿಸುತ್ತೇವೆ.

ಹಂತ 1: ಪ್ರಾರಂಭದ ಪಟ್ಟಿ

ನಿಸ್ಸಂಶಯವಾಗಿ, ನಮ್ಮ 20 ದಾಖಲೆಗಳ "ಗುರಿ" ಪಟ್ಟಿಯು ನಮ್ಮ ಮಾಲೀಕ_ಐಡಿ ಕೀಗಳಲ್ಲಿ ಒಂದಕ್ಕೆ "ಮೊದಲ" ದಾಖಲೆಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗಬೇಕು. ಆದ್ದರಿಂದ, ಮೊದಲು ನಾವು ಅಂತಹದನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತೇವೆ ಪ್ರತಿಯೊಂದು ಕೀಲಿಗಳಿಗೂ "ಮೊದಲು" ಮತ್ತು ಅದನ್ನು ಪಟ್ಟಿಗೆ ಸೇರಿಸಿ, ನಮಗೆ ಬೇಕಾದ ಕ್ರಮದಲ್ಲಿ ವಿಂಗಡಿಸಿ - (task_date, id).

ಹಂತ 2: "ಮುಂದಿನ" ನಮೂದುಗಳನ್ನು ಹುಡುಕಿ

ಈಗ ನಾವು ನಮ್ಮ ಪಟ್ಟಿಯಿಂದ ಮೊದಲ ನಮೂದನ್ನು ತೆಗೆದುಕೊಂಡು ಪ್ರಾರಂಭಿಸಿದರೆ ಸೂಚ್ಯಂಕದ ಉದ್ದಕ್ಕೂ "ಹೆಜ್ಜೆ" owner_id ಕೀಲಿಯನ್ನು ಸಂರಕ್ಷಿಸಿ, ನಂತರ ಕಂಡುಬರುವ ಎಲ್ಲಾ ದಾಖಲೆಗಳು ಫಲಿತಾಂಶದ ಆಯ್ಕೆಯಲ್ಲಿ ನಿಖರವಾಗಿ ಮುಂದಿನವುಗಳಾಗಿವೆ. ಸಹಜವಾಗಿ, ಮಾತ್ರ ನಾವು ಬಟ್ ಕೀಯನ್ನು ದಾಟುವವರೆಗೆ ಪಟ್ಟಿಯಲ್ಲಿ ಎರಡನೇ ನಮೂದು.

ನಾವು ಎರಡನೇ ದಾಖಲೆಯನ್ನು "ಕ್ರಾಸ್" ಮಾಡಿದ್ದೇವೆ ಎಂದು ತಿರುಗಿದರೆ, ಆಗ ಮೊದಲನೆಯದಕ್ಕೆ ಬದಲಾಗಿ ಕೊನೆಯದಾಗಿ ಓದಿದ್ದನ್ನು ಪಟ್ಟಿಗೆ ಸೇರಿಸಬೇಕು (ಅದೇ ಮಾಲೀಕ_ಐಡಿಯೊಂದಿಗೆ), ಅದರ ನಂತರ ನಾವು ಮತ್ತೆ ಪಟ್ಟಿಯನ್ನು ಮರು-ವಿಂಗಡಣೆ ಮಾಡುತ್ತೇವೆ.

ಅಂದರೆ, ಪ್ರತಿಯೊಂದು ಕೀಲಿಗಳಿಗೆ ಪಟ್ಟಿಯು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ನಮೂದುಗಳನ್ನು ಹೊಂದಿಲ್ಲ ಎಂದು ನಾವು ಯಾವಾಗಲೂ ಪಡೆಯುತ್ತೇವೆ (ನಮೂದುಗಳು ಮುಗಿದುಹೋದರೆ ಮತ್ತು ನಾವು "ಕ್ರಾಸ್" ಮಾಡದಿದ್ದರೆ, ಪಟ್ಟಿಯಿಂದ ಮೊದಲ ನಮೂದು ಸರಳವಾಗಿ ಕಣ್ಮರೆಯಾಗುತ್ತದೆ ಮತ್ತು ಏನನ್ನೂ ಸೇರಿಸಲಾಗುವುದಿಲ್ಲ ), ಮತ್ತು ಅವರು ಯಾವಾಗಲೂ ವಿಂಗಡಿಸಲಾಗುತ್ತದೆ ಅಪ್ಲಿಕೇಶನ್ ಕೀಲಿಯ ಆರೋಹಣ ಕ್ರಮದಲ್ಲಿ (task_date, id).

ಹಂತ 3: ದಾಖಲೆಗಳನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಿ ಮತ್ತು "ವಿಸ್ತರಿಸು"

ನಮ್ಮ ಪುನರಾವರ್ತಿತ ಆಯ್ಕೆಯ ಕೆಲವು ಸಾಲುಗಳಲ್ಲಿ, ಕೆಲವು ದಾಖಲೆಗಳು rv ನಕಲು ಮಾಡಲಾಗಿದೆ - ಮೊದಲು ನಾವು "ಪಟ್ಟಿಯ 2 ನೇ ಪ್ರವೇಶದ ಗಡಿಯನ್ನು ದಾಟುವುದು" ಎಂದು ಕಂಡುಕೊಳ್ಳುತ್ತೇವೆ ಮತ್ತು ನಂತರ ಅದನ್ನು ಪಟ್ಟಿಯಿಂದ 1 ನೇ ಸ್ಥಾನಕ್ಕೆ ಬದಲಿಸಿ. ಆದ್ದರಿಂದ ಮೊದಲ ಸಂಭವವನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಬೇಕಾಗಿದೆ.

ಭಯಾನಕ ಅಂತಿಮ ಪ್ರಶ್ನೆ

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

[explain.tensor.ru ನೋಡಿ]

ಹೀಗಾಗಿ, ನಾವು 50% ಎಕ್ಸಿಕ್ಯೂಶನ್ ಸಮಯಕ್ಕೆ 20% ರಷ್ಟು ಡೇಟಾವನ್ನು ಓದುತ್ತದೆ. ಅಂದರೆ, ಓದುವುದು ಬಹಳ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು ಎಂದು ನೀವು ನಂಬಲು ಕಾರಣಗಳನ್ನು ಹೊಂದಿದ್ದರೆ (ಉದಾಹರಣೆಗೆ, ಡೇಟಾವು ಹೆಚ್ಚಾಗಿ ಸಂಗ್ರಹದಲ್ಲಿ ಇರುವುದಿಲ್ಲ ಮತ್ತು ಅದಕ್ಕಾಗಿ ನೀವು ಡಿಸ್ಕ್ಗೆ ಹೋಗಬೇಕಾಗುತ್ತದೆ), ನಂತರ ಈ ರೀತಿಯಲ್ಲಿ ನೀವು ಓದುವಿಕೆಯನ್ನು ಕಡಿಮೆ ಅವಲಂಬಿಸಬಹುದು .

ಯಾವುದೇ ಸಂದರ್ಭದಲ್ಲಿ, "ನಿಷ್ಕಪಟ" ಮೊದಲ ಆಯ್ಕೆಗಿಂತ ಮರಣದಂಡನೆಯ ಸಮಯವು ಉತ್ತಮವಾಗಿದೆ. ಆದರೆ ಈ 3 ಆಯ್ಕೆಗಳಲ್ಲಿ ಯಾವುದನ್ನು ಬಳಸುವುದು ನಿಮಗೆ ಬಿಟ್ಟದ್ದು.

ಮೂಲ: www.habr.com