PostgreSQL अँटीपॅटर्न: CTE x CTE

माझ्या कार्यपद्धतीमुळे, जेव्हा विकासक विनंती लिहितो आणि विचार करतो तेव्हा मला अशा परिस्थितींचा सामना करावा लागतो “बेस हुशार आहे, तो स्वतः सर्वकाही हाताळू शकतो!«

काही प्रकरणांमध्ये (अंशतः डेटाबेसच्या क्षमतेच्या अज्ञानामुळे, अंशतः अकाली ऑप्टिमायझेशनमुळे), हा दृष्टीकोन "फ्रँकेन्स्टाईन" दिसण्यास कारणीभूत ठरतो.

प्रथम, मी अशा विनंतीचे उदाहरण देईन:

-- для каждой ключевой пары находим ассоциированные значения полей
WITH RECURSIVE cte_bind AS (
  SELECT DISTINCT ON (key_a, key_b)
    key_a a
  , key_b b
  , fld1 bind_fld1
  , fld2 bind_fld2
  FROM
    tbl
)
-- находим min/max значений для каждого первого ключа
, cte_max AS (
  SELECT
    a
  , max(bind_fld1) bind_fld1
  , min(bind_fld2) bind_fld2
  FROM
    cte_bind
  GROUP BY
    a
)
-- связываем по первому ключу ключевые пары и min/max-значения
, cte_a_bind AS (
  SELECT
    cte_bind.a
  , cte_bind.b
  , cte_max.bind_fld1
  , cte_max.bind_fld2
  FROM
    cte_bind
  INNER JOIN
    cte_max
      ON cte_max.a = cte_bind.a
)
SELECT * FROM cte_a_bind;

विनंतीच्या गुणवत्तेचे ठोस मूल्यमापन करण्यासाठी, चला काही अनियंत्रित डेटा संच तयार करूया:

CREATE TABLE tbl AS
SELECT
  (random() * 1000)::integer key_a
, (random() * 1000)::integer key_b
, (random() * 10000)::integer fld1
, (random() * 10000)::integer fld2
FROM
  generate_series(1, 10000);
CREATE INDEX ON tbl(key_a, key_b);

ते बाहेर वळते डेटा वाचण्यात एक चतुर्थांशपेक्षा कमी वेळ लागला क्वेरी अंमलबजावणी:

[explain.tensor.ru पहा]

तुकड्या तुकड्याने वेगळे करणे

चला विनंतीकडे जवळून पाहू आणि गोंधळून जाऊ:

1. जर रिकर्सिव CTE नसतील तर WITH RECURSIVE इथे का आहे?
2. वेगळ्या CTE मधील किमान/अधिकतम मूल्ये मूळ नमुन्याशी जोडली गेल्यास ती का गट करायची?
   +25% वेळ
3. मागील CTE ची पुनरावृत्ती करण्यासाठी शेवटी बिनशर्त 'SELECT * FROM' का वापरावे?
   +14% वेळ

या प्रकरणात, आम्ही खूप भाग्यवान आहोत की कनेक्शनसाठी हॅश जॉईन निवडले गेले होते, नेस्टेड लूप नाही, कारण तेव्हा आम्हाला फक्त एक CTE स्कॅन पास मिळाला नसता तर 10K!

CTE स्कॅन बद्दल थोडेसेयेथे आपण ते लक्षात ठेवले पाहिजे सीटीई स्कॅन हे सेक स्कॅनसारखेच आहे - म्हणजे, अनुक्रमणिका नाही, परंतु केवळ एक संपूर्ण शोध, ज्याची आवश्यकता असेल 10K x 0.3ms = 3000ms cte_max द्वारे सायकलसाठी किंवा 1K x 1.5ms = 1500ms cte_bind द्वारे लूप करताना!
वास्तविक, तुम्हाला परिणाम म्हणून काय मिळवायचे होते? होय, सहसा हा प्रश्न "तीन-मजली" प्रश्नांचे विश्लेषण करताना 5 व्या मिनिटाला कुठेतरी येतो.

आम्हाला प्रत्येक अद्वितीय की जोडीसाठी आउटपुट करायचे होते key_a द्वारे गटातून किमान/कमाल.
तर याचा वापर करूया विंडो फंक्शन्स:

SELECT DISTINCT ON(key_a, key_b)
	key_a a
,	key_b b
,	max(fld1) OVER(w) bind_fld1
,	min(fld2) OVER(w) bind_fld2
FROM
	tbl
WINDOW
	w AS (PARTITION BY key_a);

[explain.tensor.ru पहा]

दोन्ही पर्यायांमध्‍ये डेटा वाचण्‍यासाठी अंदाजे 4-5ms इतकाच वेळ लागतो, मग आमचा सर्व वेळ वाढतो -32% - हे त्याच्या शुद्ध स्वरूपात आहे बेस CPU वरून लोड काढले, जर अशी विनंती पुरेशी अंमलात आणली जाते.

सर्वसाधारणपणे, तुम्ही बेसला "गोलाकार घेऊन जा, चौकोनी रोल करा" अशी सक्ती करू नये.

स्त्रोत: www.habr.com