SQL HowTo: ierakstiet kamēr cilpu tieši vaicājumā vai "Elementary trīsceļu"

Periodiski rodas uzdevums meklēt saistītos datus pēc atslēgu kopas, līdz iegūstam nepieciešamo kopējo ierakstu skaitu.

Visvairāk "dzīves" piemērs ir parādīt 20 senākās problēmas, uzskaitīti darbinieku sarakstā (piemēram, tajā pašā nodaļā). Dažādiem vadības "informācijas paneļiem" ar īsiem darba jomu kopsavilkumiem līdzīga tēma ir nepieciešama diezgan bieži.

Rakstā mēs apsvērsim šādas problēmas risināšanas “naivas” versijas ieviešanu PostgreSQL, “gudrāku” un ļoti sarežģītu algoritmu. "cilpa" SQL ar izejas nosacījumu no atrastajiem datiem, kas var noderēt gan vispārējai attīstībai, gan lietošanai citos līdzīgos gadījumos.

Ņemsim testa datu kopu no iepriekšējais raksts. Lai izvades ieraksti ik pa laikam “nepārlēktu”, kad sakārtotās vērtības sakrīt, paplašināt priekšmeta indeksu, pievienojot primāro atslēgu. Tajā pašā laikā tas nekavējoties piešķirs tai unikalitāti un garantē mums šķirošanas secības unikalitāti:

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

Kā dzirdēts, tā rakstīts

Vispirms ieskicēsim vienkāršāko pieprasījuma versiju, nododot izpildītāju ID masīvs kā ievade:

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;

[apskatiet skaidro.tensor.ru]

Mazliet skumji – pasūtījām tikai 20 ierakstus, un Index Scan mums atdeva 960 rindas, kas tad arī bija jāšķiro... Un mēģināsim mazāk lasīt.

unnest + ARRAY

Pirmais apsvērums, kas mums palīdzēs – ja vajag kopā 20 sakārtoti ierakstus, pietiek izlasīt ne vairāk kā 20 sakārtoti tādā pašā secībā katram taustiņu. Labi, piemērots indekss (īpašnieka_id, uzdevuma_datums, id) mums ir.

Izmantosim to pašu izvilkšanas un "pārvēršanas kolonnās" mehānismu neatņemama tabulas ievade, kā pēdējais raksts. Un arī pielietojiet konvolūciju masīvam, izmantojot funkciju 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

[apskatiet skaidro.tensor.ru]

Ak, tas jau ir daudz labāk! Par 40% ātrāk un 4.5 reizes mazāk datu bija jālasa.

Tabulas ierakstu materializācija, izmantojot CTEEs to atzīmēšu dažos gadījumos mēģinājums nekavējoties strādāt ar ieraksta laukiem pēc to meklēšanas apakšvaicājumā, “neiesaiņojot” CTE, var izraisīt "reizināšana" InitPlan proporcionāls šo pašu lauku skaitam:

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 ieraksts tika “meklēts” 4 reizes... Līdz PostgreSQL 11 šāda rīcība notiek regulāri, un risinājums ir “ietīt” CTE, kas ir beznosacījuma robeža optimizētājam šajās versijās.

rekursīvs akumulators

Iepriekšējā versijā kopumā mēs lasījām 200 rindas vajadzīgās 20 labad. Jau ne 960, bet vēl mazāk - vai tas ir iespējams?

Mēģināsim izmantot mums nepieciešamās zināšanas kopā xnumx ieraksti. Tas ir, mēs atkārtosim datu atņemšanu tikai līdz brīdim, kad tiks sasniegta nepieciešamā summa.

1. darbība: sākuma saraksts

Acīmredzot mūsu 20 ierakstu “mērķa” sarakstam jāsākas ar “pirmajiem” ierakstiem vienai no mūsu īpašnieka_id atslēgām. Tāpēc mēs vispirms atrodam tādus "pavisam pirmais" katram taustiņam un ievietojiet to sarakstā, sakārtojot mums vēlamajā secībā - (uzdevuma_datums, id).

2. darbība: atrodiet "nākamos" ierakstus

Tagad, ja mēs ņemam pirmo ierakstu no mūsu saraksta un sākam "kāpiet" tālāk indeksā ar īpašnieka_id-key saglabāšanu, tad visi atrastie ieraksti ir tikai nākamie iegūtajā atlasē. Protams, tikai līdz mēs šķērsojam lietoto taustiņu otrais ieraksts sarakstā.

Ja izrādījās, ka esam “šķērsojuši” otro ierakstu, tad sarakstam jāpievieno pēdējais lasītais ieraksts, nevis pirmais (ar to pašu īpašnieka_id), pēc kura saraksts tiek kārtots vēlreiz.

Tas ir, mēs vienmēr iegūstam, ka sarakstā ir ne vairāk kā viens ieraksts katrai atslēgai (ja ieraksti ir beigušies un mēs neesam “šķērsojuši”, tad pirmais ieraksts vienkārši pazudīs no saraksta un nekas netiks pievienots ), un viņi vienmēr sakārtots lietojumprogrammas atslēgas augošā secībā (uzdevuma_datums, id).

3. darbība: ierakstu filtrēšana un paplašināšana

Mūsu rekursīvās izlases rindu daļā daži ieraksti rv tiek dublēti - vispirms atrodam tādus piemērus kā “šķērsojot saraksta 2. ieraksta robežu”, un pēc tam aizstājam to kā pirmo no saraksta. Un tāpēc pirmais gadījums ir jāfiltrē.

Briesmīgs pēdējais jautājums

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

[apskatiet skaidro.tensor.ru]

Tādējādi mēs tirgoti 50% datu nolasīšanas par 20% izpildes laiku. Tas ir, ja jums ir pamats uzskatīt, ka lasīšana var būt ilga (piemēram, dati bieži neatrodas kešatmiņā, un jums ir jāiet uz disku), tādā veidā jūs varat paļauties uz mazāku lasīšanu.

Katrā ziņā izpildes laiks izrādījās labāks nekā "naivajā" pirmajā variantā. Bet kuru no šīm 3 iespējām izmantot, ir atkarīgs no jums.

Avots: www.habr.com