SQL HowTo: parašykite while-ciklą tiesiai į užklausą arba "Elementary Three-way"

Periodiškai iškyla užduotis ieškoti susijusių duomenų pagal raktų rinkinį, kol gausime reikiamą bendrą įrašų skaičių.

Pats „gyvenimiškiausias“ pavyzdys – rodyti 20 seniausių problemų, išvardyti darbuotojų sąraše (pavyzdžiui, tame pačiame skyriuje). Įvairių vadybinių „prietaisų skydelių“ su trumpomis darbo sričių santraukomis panašios temos prireikia gana dažnai.

Straipsnyje mes apsvarstysime „naivios“ tokios problemos sprendimo versijos, „protingesnio“ ir labai sudėtingo algoritmo, įdiegimą „PostgreSQL“. „ciklas“ SQL su išėjimo iš rastų duomenų sąlyga, kuris gali būti naudingas tiek bendram vystymuisi, tiek naudojimui kitais panašiais atvejais.

Paimkime bandomąjį duomenų rinkinį iš ankstesnis straipsnis. Kad išvesties įrašai karts nuo karto „neperšoktų“, kai sutampa surūšiuotos reikšmės, išplėsti dalyko rodyklę pridėjus pirminį raktą. Tuo pačiu tai iš karto suteiks jam unikalumo ir garantuoja rūšiavimo tvarkos unikalumą:

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

Kaip girdima, taip ir parašyta

Pirmiausia nubrėžkime paprasčiausią užklausos variantą, perduodant atlikėjų ID masyvas kaip įvestis:

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;

[pažiūrėkite paaiškinkite.tensor.ru]

Šiek tiek liūdna – užsisakėme tik 20 įrašų, o Index Scan mus grąžino 960 eilučių, kurią tada irgi reikėjo rūšiuoti... Ir pabandykime skaityti mažiau.

unnest + ARRAY

Pirmas svarstymas, kuris mums padės – jei reikės iš viso 20 surūšiuotų įrašų, pakanka perskaityti ne daugiau kaip 20 surūšiuotų ta pačia tvarka kiekvienam Raktas. Gerai, tinkamas indeksas (savininko_id, užduoties_data, id) turime.

Naudokime tą patį ištraukimo ir „pavertimo stulpeliais“ mechanizmą integruotas lentelės įrašas, kaip ir paskutinis straipsnis. Taip pat taikykite konvoliuciją masyvei naudodami funkciją 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

[pažiūrėkite paaiškinkite.tensor.ru]

O, tai jau daug geriau! 40 % greičiau ir 4.5 karto mažiau duomenų teko skaityti.

Lentelės įrašų materializavimas per CTEPažymėsiu tai Kai kuriais atvejais bandymas iš karto dirbti su įrašo laukais po to, kai jo ieškoma papildomoje užklausoje, „neįvyniojant“ į CTE, gali sukelti "daugyba" InitPlan proporcingas tų pačių laukų skaičiui:

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

Tas pats įrašas buvo „ieškotas“ 4 kartus... Iki „PostgreSQL 11“ šis elgesys vyksta reguliariai, o sprendimas yra „įvynioti“ į CTE, o tai yra besąlygiška optimizavimo priemonės riba šiose versijose.

rekursinis akumuliatorius

Ankstesnėje versijoje skaitėme iš viso 200 eilučių vardan reikiamo 20. Jau ne 960, o dar maziau - ar galima?

Pabandykime panaudoti tas žinias, kurių mums reikia viso 20 įrašų. Tai yra, mes kartosime duomenų atėmimą tik tol, kol bus pasiekta mums reikalinga suma.

1 veiksmas: pradžios sąrašas

Akivaizdu, kad mūsų „tikslinis“ 20 įrašų sąrašas turėtų prasidėti „pirmaisiais“ vieno iš mūsų savininko_id raktų įrašais. Todėl pirmiausia randame tokius „pirmas“ kiekvienam klavišui ir įdėkite jį į sąrašą, surūšiuodami norima tvarka – (užduoties_data, id).

2 veiksmas: suraskite „kitus“ įrašus

Dabar, jei paimsime pirmąjį įrašą iš savo sąrašo ir pradėsime „žingsnis“ toliau indekse išsaugant savininko_id-raktą, visi rasti įrašai yra tik kiti gautame pasirinkime. Žinoma, tik kol kirsime taikomą raktą antrasis įrašas sąraše.

Jei paaiškėtų, kad „peržengėme“ antrąjį įrašą, tada Paskutinis skaitytas įrašas turėtų būti įtrauktas į sąrašą, o ne pirmasis (su tuo pačiu savininko_id), po kurio sąrašas vėl rūšiuojamas.

Tai reiškia, kad visada gauname, kad sąraše yra ne daugiau kaip vienas įrašas kiekvienam klavišui (jei įrašai baigėsi ir mes „neperžengėme“, tada pirmasis įrašas tiesiog išnyks iš sąrašo ir niekas nebus pridėtas ), Ir jie visada rūšiuojama programos rakto didėjimo tvarka (užduoties_data, ID).

3 veiksmas: įrašų filtravimas ir išplėtimas

Mūsų rekursinės atrankos eilučių dalyje kai kurie įrašai rv yra dubliuojami - pirmiausia randame tokius, kaip „peržengiant 2-ojo sąrašo įrašo sieną“, o tada pakeičiame kaip 1-ą iš sąrašo. Taigi pirmasis įvykis turėtų būti išfiltruotas.

Baisus galutinis klausimas

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

[pažiūrėkite paaiškinkite.tensor.ru]

Taigi, mes prekiaujama 50% duomenų nuskaitymu 20% vykdymo laiko. Tai yra, jei turite pagrindo manyti, kad skaitymas gali būti ilgas (pavyzdžiui, duomenų dažnai nėra talpykloje, ir jūs turite eiti į diską), tokiu būdu galite pasikliauti nuo skaitymo mažiau.

Bet kokiu atveju vykdymo laikas pasirodė geresnis nei „naivus“ pirmas variantas. Bet kurį iš šių 3 variantų naudoti, priklauso nuo jūsų.

Šaltinis: www.habr.com