SQL HowTo: क्वेरीमध्ये थेट एक while-loop लिहा, किंवा "Elementary three-way"

कालांतराने, कळांचा संच वापरून संबंधित डेटा शोधण्याचे कार्य उद्भवते. आम्हाला आवश्यक एकूण नोंदी मिळेपर्यंत.

सर्वात "वास्तविक जीवन" उदाहरण प्रदर्शित करणे आहे 20 सर्वात जुनी समस्या, सूचीबद्ध कर्मचाऱ्यांच्या यादीत (उदाहरणार्थ, एका विभागात). विविध व्यवस्थापन "डॅशबोर्ड" साठी कार्यक्षेत्रांच्या संक्षिप्त सारांशांसह, एक समान विषय बर्‍याचदा आवश्यक असतो.

या लेखात आपण पोस्टग्रेएसक्यूएल मधील अशा समस्येचे "निरागस" समाधान, एक "स्मार्ट" आणि अतिशय जटिल अल्गोरिदमची अंमलबजावणी पाहू. सापडलेल्या डेटामधून बाहेर पडण्याच्या स्थितीसह SQL मध्ये “लूप”, जे सामान्य विकासासाठी आणि इतर समान प्रकरणांमध्ये वापरण्यासाठी उपयुक्त असू शकते.

चला एक चाचणी डेटा संच घेऊ मागील लेख. जेव्हा क्रमवारी केलेली मूल्ये एकरूप होतात तेव्हा वेळोवेळी प्रदर्शित रेकॉर्डला "उडी मारण्यापासून" प्रतिबंधित करण्यासाठी, प्राथमिक की जोडून विषय निर्देशांक विस्तृत करा. त्याच वेळी, हे ताबडतोब विशिष्टता देईल आणि आम्हाला हमी देईल की क्रमवारीचा क्रम अस्पष्ट आहे:

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

जसं ऐकलं जातं तसं लिहिलं जातं

प्रथम, कलाकारांचे आयडी पास करून विनंतीची सर्वात सोपी आवृत्ती स्केच करूया इनपुट पॅरामीटर म्हणून अॅरे:

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 पहा]

थोडेसे दुःख झाले - आम्ही फक्त 20 रेकॉर्ड ऑर्डर केले, परंतु इंडेक्स स्कॅनने ते आम्हाला परत केले 960 ओळी, ज्याला नंतर देखील क्रमवारी लावावी लागली... चला कमी वाचण्याचा प्रयत्न करूया.

unnest + ARRAY

गरज पडल्यास आम्हाला मदत करणारा पहिला विचार फक्त 20 क्रमवारी लावले रेकॉर्ड, नंतर फक्त वाचा प्रत्येकासाठी समान क्रमाने 20 पेक्षा जास्त क्रमवारी लावलेली नाही की चांगले, योग्य निर्देशांक (मालक_आयडी, टास्क_डेट, आयडी) आमच्याकडे आहे.

काढण्यासाठी आणि “स्तंभांमध्ये पसरण्यासाठी” समान यंत्रणा वापरू. अविभाज्य टेबल रेकॉर्ड, म्हणून शेवटचा लेख. फंक्शन वापरून आपण अॅरेमध्ये फोल्डिंग देखील लागू करू शकतो 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 पहा]

अरे, आधीच खूप चांगले! 40% जलद आणि 4.5 पट कमी डेटा मला ते वाचावे लागले.

CTE द्वारे टेबल रेकॉर्डचे भौतिकीकरणत्या वस्तुस्थितीकडे मी तुमचे लक्ष वेधून घेतो काही बाबतीत सबक्वेरीमध्ये शोधल्यानंतर रेकॉर्डच्या फील्डसह ताबडतोब कार्य करण्याचा प्रयत्न, सीटीईमध्ये "रॅपिंग" न करता, होऊ शकते InitPlan "गुणाकार" करा या समान फील्डच्या संख्येच्या प्रमाणात:

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

हाच रेकॉर्ड 4 वेळा “पाहण्यात आला”... PostgreSQL 11 पर्यंत, हे वर्तन नियमितपणे घडते, आणि उपाय म्हणजे CTE मध्ये “रॅप” करणे, जे या आवृत्त्यांमधील ऑप्टिमायझरसाठी एक परिपूर्ण मर्यादा आहे.

आवर्ती संचयक

मागील आवृत्तीत, आम्ही एकूण वाचतो 200 ओळी आवश्यक फायद्यासाठी 20. 960 नाही, परंतु त्याहूनही कमी - हे शक्य आहे का?

आपल्याला आवश्यक असलेले ज्ञान वापरण्याचा प्रयत्न करूया एकूण 20 नोंदी. म्हणजेच, आम्हाला आवश्यक असलेल्या रकमेपर्यंत पोहोचेपर्यंत आम्ही डेटा वाचन पुन्हा करू.

चरण 1: प्रारंभ सूची

अर्थात, आमची 20 रेकॉर्डची "लक्ष्य" यादी आमच्या मालक_आयडी कीपैकी एकासाठी "प्रथम" रेकॉर्डसह सुरू झाली पाहिजे. म्हणून, प्रथम आपण असे शोधू प्रत्येक कीसाठी “अगदी प्रथम” आणि आम्हाला हव्या त्या क्रमाने क्रमवारी लावत यादीत जोडा - (task_date, id).

पायरी 2: "पुढील" नोंदी शोधा

आता जर आपण आपल्या यादीतून पहिली एंट्री घेतली आणि सुरुवात केली निर्देशांकाच्या पुढे “चरण” मालक_आयडी की जतन करून, नंतर सर्व सापडलेल्या नोंदी परिणामी निवडीतील अगदी पुढील आहेत. अर्थात, फक्त जोपर्यंत आपण बट की ओलांडत नाही तोपर्यंत यादीतील दुसरी नोंद.

जर असे दिसून आले की आम्ही दुसरा विक्रम "ओलांडला" तर वाचलेली शेवटची नोंद पहिल्या ऐवजी यादीत जोडली जावी (त्याच मालक_आयडीसह), ज्यानंतर आम्ही सूची पुन्हा क्रमवारी लावतो.

म्हणजेच, आम्हाला नेहमी कळते की सूचीमध्ये प्रत्येक कीसाठी एकापेक्षा जास्त एंट्री नाहीत (जर नोंदी संपल्या आणि आम्ही "क्रॉस" केले नाही, तर यादीतील पहिली एंट्री फक्त अदृश्य होईल आणि काहीही जोडले जाणार नाही. ), आणि ते नेहमी क्रमवारी लावलेली ऍप्लिकेशन की (task_date, id) च्या चढत्या क्रमाने.

पायरी 3: फिल्टर आणि "विस्तारित" रेकॉर्ड

आमच्या आवर्ती निवडीच्या काही पंक्तींमध्ये, काही नोंदी rv डुप्लिकेट आहेत - प्रथम आम्हाला "यादीच्या 2र्‍या एंट्रीची सीमा ओलांडणे" सारखे आढळते आणि नंतर सूचीमधून ते 1ले म्हणून बदला. म्हणून प्रथम घटना फिल्टर करणे आवश्यक आहे.

भयानक अंतिम प्रश्न

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 पहा]

अशा प्रकारे, आम्ही अंमलबजावणी वेळेच्या 50% साठी 20% डेटा वाचतो. म्हणजेच, जर तुमच्याकडे असे मानण्याचे कारण असेल की वाचनाला बराच वेळ लागू शकतो (उदाहरणार्थ, डेटा बहुतेक वेळा कॅशेमध्ये नसतो आणि त्यासाठी तुम्हाला डिस्कवर जावे लागते), तर अशा प्रकारे तुम्ही वाचनावर कमी अवलंबून राहू शकता. .

कोणत्याही परिस्थितीत, अंमलबजावणीची वेळ "भोळे" पहिल्या पर्यायापेक्षा चांगली असल्याचे दिसून आले. पण या 3 पर्यायांपैकी कोणता वापरायचा हे तुमच्यावर अवलंबून आहे.

स्त्रोत: www.habr.com