SQL എങ്ങനെ: ചോദ്യത്തിൽ നേരിട്ട് ഒരു ലൂപ്പ് എഴുതുക, അല്ലെങ്കിൽ "എലിമെന്ററി ത്രീ-സ്റ്റെപ്പ്"

ആനുകാലികമായി, ഒരു കൂട്ടം കീകൾ ഉപയോഗിച്ച് അനുബന്ധ ഡാറ്റ തിരയുന്നതിനുള്ള ചുമതല ഉയർന്നുവരുന്നു. ആവശ്യമായ മൊത്തം റെക്കോർഡുകളുടെ എണ്ണം ലഭിക്കുന്നതുവരെ.

ഏറ്റവും "യഥാർത്ഥ ജീവിത" ഉദാഹരണം പ്രദർശിപ്പിക്കുക എന്നതാണ് 20 ഏറ്റവും പഴയ പ്രശ്നങ്ങൾ, പട്ടികപ്പെടുത്തിയിരിക്കുന്നു ജീവനക്കാരുടെ പട്ടികയിൽ (ഉദാഹരണത്തിന്, ഒരു ഡിവിഷനിൽ). തൊഴിൽ മേഖലകളുടെ സംക്ഷിപ്ത സംഗ്രഹങ്ങളുള്ള വിവിധ മാനേജുമെന്റ് "ഡാഷ്ബോർഡുകൾക്ക്", സമാനമായ ഒരു വിഷയം പലപ്പോഴും ആവശ്യമാണ്.

ഈ ലേഖനത്തിൽ നമ്മൾ PostgreSQL-ൽ ഇത്തരമൊരു പ്രശ്നത്തിനുള്ള "നിഷ്കളങ്കമായ" പരിഹാരം, "സ്മാർട്ടർ", വളരെ സങ്കീർണ്ണമായ അൽഗോരിതം നടപ്പിലാക്കുന്നത് നോക്കാം. കണ്ടെത്തിയ ഡാറ്റയിൽ നിന്ന് ഒരു എക്സിറ്റ് വ്യവസ്ഥയോടെ SQL-ൽ "ലൂപ്പ്", ഇത് പൊതുവായ വികസനത്തിനും സമാനമായ മറ്റ് സന്ദർഭങ്ങളിൽ ഉപയോഗിക്കാനും ഉപയോഗപ്രദമാകും.

നമുക്ക് ഒരു ടെസ്റ്റ് ഡാറ്റ സെറ്റ് എടുക്കാം മുൻ ലേഖനം. ക്രമീകരിച്ച മൂല്യങ്ങൾ പൊരുത്തപ്പെടുമ്പോൾ, പ്രദർശിപ്പിച്ച റെക്കോർഡുകൾ കാലാകാലങ്ങളിൽ "ചാടി" തടയുന്നതിന്, ഒരു പ്രാഥമിക കീ ചേർത്തുകൊണ്ട് വിഷയ സൂചിക വികസിപ്പിക്കുക. അതേ സമയം, ഇത് ഉടനടി അതിന് അദ്വിതീയത നൽകുകയും സോർട്ടിംഗ് ഓർഡർ അവ്യക്തമാണെന്ന് ഞങ്ങൾക്ക് ഉറപ്പ് നൽകുകയും ചെയ്യും:

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

കേട്ടതുപോലെ എഴുതിയിരിക്കുന്നു

ആദ്യം, അഭ്യർത്ഥനയുടെ ഏറ്റവും ലളിതമായ പതിപ്പ് വരയ്ക്കാം, പ്രകടനം നടത്തുന്നവരുടെ ഐഡികൾ കൈമാറുക ഇൻപുട്ട് പാരാമീറ്ററായി അറേ:

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-ൽ കാണുക]

അൽപ്പം സങ്കടം - ഞങ്ങൾ 20 റെക്കോർഡുകൾ മാത്രമേ ഓർഡർ ചെയ്തിട്ടുള്ളൂ, പക്ഷേ ഇൻഡക്സ് സ്കാൻ അത് ഞങ്ങൾക്ക് തിരികെ നൽകി 960 വരികൾ, അതും അടുക്കേണ്ടി വന്നു... കുറച്ചു വായിക്കാൻ ശ്രമിക്കാം.

unnest + ARRAY

ആവശ്യമുള്ളപ്പോൾ എന്നതാണ് നമ്മെ സഹായിക്കുന്ന ആദ്യ പരിഗണന 20 എണ്ണം മാത്രം റെക്കോർഡുകൾ, തുടർന്ന് വായിക്കുക ഓരോന്നിനും ഒരേ ക്രമത്തിൽ 20-ൽ കൂടുതൽ അടുക്കരുത് താക്കോൽ. നല്ലത്, അനുയോജ്യമായ സൂചിക (owner_id, task_date, id) ഞങ്ങളുടെ പക്കലുണ്ട്.

എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നതിനും “നിരകളിലേക്ക് വ്യാപിക്കുന്നതിനും” നമുക്ക് അതേ സംവിധാനം ഉപയോഗിക്കാം ഇന്റഗ്രൽ ടേബിൾ റെക്കോർഡ്, എന്നപോലെ കഴിഞ്ഞ ലേഖനം. ഫംഗ്‌ഷൻ ഉപയോഗിച്ച് നമുക്ക് ഒരു അറേയിലേക്ക് ഫോൾഡിംഗ് പ്രയോഗിക്കാനും കഴിയും 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-ൽ കാണുക]

ഓ, ഇതിനകം വളരെ നല്ലത്! 40% വേഗതയും 4.5 മടങ്ങ് കുറവ് ഡാറ്റയും എനിക്കത് വായിക്കേണ്ടി വന്നു.

CTE വഴി ടേബിൾ റെക്കോർഡുകളുടെ മെറ്റീരിയലൈസേഷൻഎന്ന വസ്തുതയിലേക്ക് ഞാൻ നിങ്ങളുടെ ശ്രദ്ധ ക്ഷണിക്കട്ടെ ചില കേസുകളിൽ ഒരു സബ്‌ക്വറിയിൽ തിരഞ്ഞതിന് ശേഷം, അത് ഒരു CTE-യിൽ "പൊതിഞ്ഞ്" ചെയ്യാതെ, ഒരു റെക്കോർഡിന്റെ ഫീൽഡുകളുമായി ഉടനടി പ്രവർത്തിക്കാനുള്ള ശ്രമം ഇതിലേക്ക് നയിച്ചേക്കാം. InitPlan "ഗുണിക്കുക" ഇതേ ഫീൽഡുകളുടെ എണ്ണത്തിന് ആനുപാതികമായി:

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

ഇതേ റെക്കോർഡ് 4 പ്രാവശ്യം "തിരഞ്ഞെടുത്തു"... PostgreSQL 11 വരെ, ഈ സ്വഭാവം പതിവായി സംഭവിക്കുന്നു, ഈ പതിപ്പുകളിലെ ഒപ്റ്റിമൈസറിന് ഒരു സമ്പൂർണ്ണ പരിധിയായ CTE-യിൽ ഇത് "പൊതിഞ്ഞ്" എന്നതാണ് പരിഹാരം.

റിക്കർസീവ് അക്യുമുലേറ്റർ

മുമ്പത്തെ പതിപ്പിൽ, മൊത്തത്തിൽ ഞങ്ങൾ വായിക്കുന്നു 200 വരികൾ ആവശ്യമായ 20. 960 അല്ല, അതിലും കുറവ് - ഇത് സാധ്യമാണോ?

നമുക്ക് ആവശ്യമായ അറിവ് ഉപയോഗിക്കാൻ ശ്രമിക്കാം ആകെ 20 രേഖകള്. അതായത്, ഞങ്ങൾക്ക് ആവശ്യമുള്ള അളവിൽ എത്തുന്നതുവരെ മാത്രമേ ഞങ്ങൾ ഡാറ്റ റീഡിംഗ് ആവർത്തിക്കുകയുള്ളൂ.

ഘട്ടം 1: ആരംഭ ലിസ്റ്റ്

വ്യക്തമായും, ഞങ്ങളുടെ 20 റെക്കോർഡുകളുടെ "ടാർഗെറ്റ്" ലിസ്റ്റ് ഞങ്ങളുടെ ഉടമസ്ഥൻ_ഐഡി കീകളിൽ ഒന്നിന്റെ "ആദ്യം" റെക്കോർഡുകളിൽ നിന്ന് ആരംഭിക്കണം. അതിനാൽ, ആദ്യം നമ്മൾ അത്തരത്തിലുള്ളവ കണ്ടെത്തും ഓരോ കീകൾക്കും "വളരെ ആദ്യം" പട്ടികയിലേക്ക് ചേർക്കുക, നമുക്ക് ആവശ്യമുള്ള ക്രമത്തിൽ അടുക്കുക - (task_date, id).

ഘട്ടം 2: "അടുത്തത്" എൻട്രികൾ കണ്ടെത്തുക

ഇനി നമ്മുടെ ലിസ്റ്റിൽ നിന്നും ആദ്യ എൻട്രി എടുത്ത് തുടങ്ങുകയാണെങ്കിൽ സൂചികയോടൊപ്പം "പടി" owner_id കീ സംരക്ഷിക്കുന്നു, തുടർന്ന് കണ്ടെത്തിയ എല്ലാ രേഖകളും ഫലമായുണ്ടാകുന്ന തിരഞ്ഞെടുപ്പിലെ അടുത്തവയാണ്. തീർച്ചയായും, മാത്രം ഞങ്ങൾ ബട്ട് കീ കടക്കുന്നതുവരെ പട്ടികയിലെ രണ്ടാമത്തെ എൻട്രി.

ഞങ്ങൾ രണ്ടാമത്തെ റെക്കോർഡ് "കടന്നു" എന്ന് മാറുകയാണെങ്കിൽ, പിന്നെ ആദ്യത്തേതിന് പകരം അവസാനം വായിച്ച എൻട്രി പട്ടികയിൽ ചേർക്കണം (അതേ ഉടമസ്ഥൻ_ഐഡിക്കൊപ്പം), അതിനുശേഷം ഞങ്ങൾ ലിസ്റ്റ് വീണ്ടും അടുക്കുന്നു.

അതായത്, ഓരോ കീകൾക്കും ലിസ്റ്റിൽ ഒന്നിൽ കൂടുതൽ എൻട്രികൾ ഇല്ലെന്ന് ഞങ്ങൾക്ക് എല്ലായ്പ്പോഴും ലഭിക്കുന്നു (എൻട്രികൾ തീർന്ന് ഞങ്ങൾ "ക്രോസ്" ചെയ്യുന്നില്ലെങ്കിൽ, ലിസ്റ്റിൽ നിന്നുള്ള ആദ്യ എൻട്രി അപ്രത്യക്ഷമാകും കൂടാതെ ഒന്നും ചേർക്കില്ല ), പിന്നെ അവർ എപ്പോഴും അടുക്കിയിരിക്കുന്നു ആപ്ലിക്കേഷൻ കീയുടെ ആരോഹണ ക്രമത്തിൽ (task_date, id).

ഘട്ടം 3: റെക്കോർഡുകൾ ഫിൽട്ടർ ചെയ്ത് "വികസിപ്പിക്കുക"

ഞങ്ങളുടെ ആവർത്തന തിരഞ്ഞെടുപ്പിന്റെ ചില വരികളിൽ, ചില റെക്കോർഡുകൾ rv ഡ്യൂപ്ലിക്കേറ്റ് ചെയ്തവയാണ് - ആദ്യം നമ്മൾ "ലിസ്റ്റിന്റെ 2-ആം എൻട്രിയുടെ ബോർഡർ ക്രോസ് ചെയ്യുന്നത്" പോലെയുള്ളവ കണ്ടെത്തുന്നു, തുടർന്ന് ലിസ്റ്റിൽ നിന്ന് 1-ആമത്തേത് പകരം വയ്ക്കുക. അതിനാൽ ആദ്യ സംഭവം ഫിൽട്ടർ ചെയ്യേണ്ടതുണ്ട്.

ഭയാനകമായ അവസാന ചോദ്യം

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-ൽ കാണുക]

അങ്ങനെ, ഞങ്ങൾ എക്‌സിക്യൂഷൻ സമയത്തിന്റെ 50% റീഡുകളുടെ 20% ട്രേഡ് ചെയ്തു. അതായത്, വായനയ്ക്ക് വളരെയധികം സമയമെടുക്കുമെന്ന് വിശ്വസിക്കാൻ നിങ്ങൾക്ക് കാരണങ്ങളുണ്ടെങ്കിൽ (ഉദാഹരണത്തിന്, ഡാറ്റ പലപ്പോഴും കാഷെയിലായിരിക്കില്ല, അതിനായി നിങ്ങൾ ഡിസ്കിലേക്ക് പോകേണ്ടതുണ്ട്), ഈ രീതിയിൽ നിങ്ങൾക്ക് വായനയെ കുറച്ച് ആശ്രയിക്കാൻ കഴിയും. .

ഏത് സാഹചര്യത്തിലും, എക്സിക്യൂഷൻ സമയം "നിഷ്കളങ്ക" ആദ്യ ഓപ്ഷനേക്കാൾ മികച്ചതായി മാറി. എന്നാൽ ഈ 3 ഓപ്ഷനുകളിൽ ഏതാണ് ഉപയോഗിക്കേണ്ടത് എന്നത് നിങ്ങളുടേതാണ്.

അവലംബം: www.habr.com