माइक्रोसर्भिस आर्किटेक्चर, यस संसारका सबै चीजहरू जस्तै, यसको फाइदा र बेफाइदाहरू छन्। केही प्रक्रियाहरू यससँग सजिलो हुन्छ, अरूहरू अझ गाह्रो हुन्छन्। र परिवर्तनको गति र राम्रो स्केलेबिलिटीको लागि, तपाईंले बलिदानहरू गर्न आवश्यक छ। ती मध्ये एक विश्लेषणको बढ्दो जटिलता हो। यदि एक मोनोलिथमा सबै अपरेशनल एनालिटिक्सहरूलाई SQL क्वेरीहरूमा विश्लेषणात्मक प्रतिकृतिमा घटाउन सकिन्छ, त्यसपछि बहु-सेवा वास्तुकलामा प्रत्येक सेवाको आफ्नै डाटाबेस हुन्छ र यस्तो देखिन्छ कि एउटा क्वेरी गर्न सकिँदैन (वा हुन सक्छ?)। हामीले हाम्रो कम्पनीमा अपरेशनल एनालिटिक्सको समस्या कसरी समाधान गर्यौं र हामीले यस समाधानसँग कसरी बाँच्न सिक्यौं भन्ने कुरामा रुचि राख्नेहरूका लागि - स्वागत छ।

मेरो नाम Pavel Sivash हो, DomClick मा म एक टोलीमा काम गर्छु जुन विश्लेषणात्मक डाटा गोदाम कायम राख्न जिम्मेवार छ। परम्परागत रूपमा, हाम्रा गतिविधिहरूलाई डेटा इन्जिनियरिङको रूपमा वर्गीकृत गर्न सकिन्छ, तर, वास्तवमा, कार्यहरूको दायरा धेरै फराकिलो छ। त्यहाँ डाटा इन्जिनियरिङ्को लागि ETL/ELT मानकहरू छन्, डाटा विश्लेषण र तपाईंको आफ्नै उपकरणहरूको विकासको लागि उपकरणहरूको समर्थन र अनुकूलन। विशेष गरी, परिचालन रिपोर्टिङको लागि, हामीले "बताउने" निर्णय गर्यौं कि हामीसँग एक मोनोलिथ छ र विश्लेषकहरूलाई एउटा डाटाबेस दिनेछ जसमा उनीहरूलाई आवश्यक पर्ने सबै डाटा समावेश हुनेछ।

सामान्यतया, हामीले विभिन्न विकल्पहरू विचार गर्यौं। यो एक पूर्ण भण्डार निर्माण गर्न सम्भव थियो - हामीले प्रयास पनि गर्यौं, तर, इमानदारीपूर्वक भन्नुपर्दा, हामीले भण्डार निर्माण गर्ने र त्यसमा परिवर्तनहरू गर्ने बरु ढिलो प्रक्रियासँग तर्कमा बारम्बार परिवर्तनहरू संयोजन गर्न सकेनौं (यदि कसैले सफल भयो भने। , कसरी कमेन्टमा लेख्नुहोस्)। विश्लेषकहरूलाई भन्न सम्भव थियो: "साथीहरू, पाइथन सिक्नुहोस् र विश्लेषणात्मक प्रतिकृतिहरूमा जानुहोस्," तर यो भर्तीको लागि अतिरिक्त आवश्यकता हो, र सम्भव भएमा यसलाई बेवास्ता गर्नुपर्छ जस्तो देखिन्छ। हामीले FDW (विदेशी डाटा र्यापर) प्रविधि प्रयोग गर्ने प्रयास गर्ने निर्णय गर्यौं: अनिवार्य रूपमा, यो एक मानक dblink हो, जुन SQL मानकमा छ, तर यसको आफ्नै धेरै सुविधाजनक इन्टरफेसको साथ। त्यसैको आधारमा हामीले समाधान गर्‍यौं, जुन अन्ततः समात्‍यो र हामी त्यसमा बस्यौं। यसको विवरणहरू छुट्टै लेखको विषय हुन्, र हुनसक्छ एक भन्दा बढी, किनकि म धेरै कुरा गर्न चाहन्छु: डाटाबेस स्कीमाहरू सिंक्रोनाइज गर्नदेखि पहुँच नियन्त्रण र व्यक्तिगत डाटाको निजीकरणसम्म। यो रिजर्भेसन गर्न पनि आवश्यक छ कि यो समाधान वास्तविक विश्लेषणात्मक डाटाबेस र भण्डारहरूको लागि प्रतिस्थापन होइन; यसले केवल एक विशिष्ट समस्या समाधान गर्दछ।

शीर्ष स्तरमा यो यस्तो देखिन्छ:

त्यहाँ एक PostgreSQL डाटाबेस छ जहाँ प्रयोगकर्ताहरूले आफ्नो कामको डाटा भण्डारण गर्न सक्छन्, र सबैभन्दा महत्त्वपूर्ण कुरा, FDW मार्फत सबै सेवाहरूको विश्लेषणात्मक प्रतिकृतिहरू यस डाटाबेसमा जोडिएका छन्। यसले धेरै डाटाबेसहरूमा क्वेरी लेख्न सम्भव बनाउँछ, र यो के हो भन्ने कुराले फरक पार्दैन: PostgreSQL, MySQL, MongoDB वा अरू केहि (फाइल, API, यदि अचानक कुनै उपयुक्त र्यापर छैन भने, तपाइँ आफ्नो लेख्न सक्नुहुन्छ)। खैर, सबै राम्रो देखिन्छ! के हामी ब्रेकअप गर्दैछौं?

यदि सबै कुरा यति छिटो र सरल रूपमा समाप्त भयो भने, सायद, त्यहाँ एक लेख हुनेछैन।

पोस्टग्रेसले रिमोट सर्भरहरूमा अनुरोधहरू कसरी प्रशोधन गर्छ भन्ने बारे स्पष्ट हुन महत्त्वपूर्ण छ। यो तार्किक देखिन्छ, तर प्राय: मानिसहरूले यसमा ध्यान दिँदैनन्: पोस्टग्रेसले अनुरोधलाई भागहरूमा विभाजन गर्दछ जुन रिमोट सर्भरहरूमा स्वतन्त्र रूपमा कार्यान्वयन गरिन्छ, यो डाटा सङ्कलन गर्दछ, र अन्तिम गणनाहरू आफैं गर्दछ, त्यसैले क्वेरी कार्यान्वयनको गति धेरै निर्भर हुनेछ। यो कसरी लेखिएको छ। यो पनि ध्यान दिनुपर्छ: जब डेटा रिमोट सर्भरबाट आउँछ, यसमा अब अनुक्रमणिकाहरू छैनन्, त्यहाँ केहि पनि छैन जसले अनुसूचकलाई मद्दत गर्दछ, त्यसैले, केवल हामी आफैले उहाँलाई मद्दत गर्न र सल्लाह दिन सक्छौं। र यो ठ्याक्कै के हो म थप विस्तारमा कुरा गर्न चाहन्छु।

एक साधारण प्रश्न र यसको साथ एक योजना

पोष्टग्रेसले रिमोट सर्भरमा 6 मिलियन पङ्क्ति तालिका कसरी सोध्छ भनेर देखाउनको लागि, एउटा साधारण योजना हेरौं।

explain analyze verbose  
SELECT count(1)
FROM fdw_schema.table;

Aggregate  (cost=418383.23..418383.24 rows=1 width=8) (actual time=3857.198..3857.198 rows=1 loops=1)
  Output: count(1)
  ->  Foreign Scan on fdw_schema."table"  (cost=100.00..402376.14 rows=6402838 width=0) (actual time=4.874..3256.511 rows=6406868 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Remote SQL: SELECT NULL FROM fdw_schema.table
Planning time: 0.986 ms
Execution time: 3857.436 ms

VERBOSE कथन प्रयोग गरेर हामीलाई रिमोट सर्भरमा पठाइने क्वेरी र थप प्रशोधनका लागि हामीले प्राप्त गर्ने नतिजाहरू हेर्न अनुमति दिन्छ (RemoteSQL लाइन)।

अलि अगाडि जाऔं र हाम्रो अनुरोधमा धेरै फिल्टरहरू थपौं: एउटाको लागि बूलियन क्षेत्र, घटना द्वारा एक टाइमस्ट्याम्प अन्तराल मा र एक द्वारा jsonb.

explain analyze verbose
SELECT count(1)
FROM fdw_schema.table 
WHERE is_active is True
AND created_dt BETWEEN CURRENT_DATE - INTERVAL '7 month' 
AND CURRENT_DATE - INTERVAL '6 month'
AND meta->>'source' = 'test';

Aggregate  (cost=577487.69..577487.70 rows=1 width=8) (actual time=27473.818..25473.819 rows=1 loops=1)
  Output: count(1)
  ->  Foreign Scan on fdw_schema."table"  (cost=100.00..577469.21 rows=7390 width=0) (actual time=31.369..25372.466 rows=1360025 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Filter: (("table".is_active IS TRUE) AND (("table".meta ->> 'source'::text) = 'test'::text) AND ("table".created_dt >= (('now'::cstring)::date - '7 mons'::interval)) AND ("table".created_dt <= ((('now'::cstring)::date)::timestamp with time zone - '6 mons'::interval)))
        Rows Removed by Filter: 5046843
        Remote SQL: SELECT created_dt, is_active, meta FROM fdw_schema.table
Planning time: 0.665 ms
Execution time: 27474.118 ms

प्रश्नहरू लेख्दा तपाईंले ध्यान दिनु पर्ने बिन्दु यही हो। फिल्टरहरू रिमोट सर्भरमा स्थानान्तरण गरिएका थिएनन्, जसको अर्थ यो कार्यान्वयन गर्न, पोस्टग्रेसले स्थानीय रूपमा फिल्टर गर्न (फिल्टर पङ्क्ति) र एग्रीगेसन प्रदर्शन गर्नको लागि सबै 6 मिलियन पङ्क्तिहरू बाहिर निकाल्छ। सफलताको कुञ्जी भनेको क्वेरी लेख्नु हो ताकि फिल्टरहरू रिमोट मेसिनमा स्थानान्तरण हुन्छन्, र हामीले आवश्यक पङ्क्तिहरू मात्र प्राप्त र जम्मा गर्छौं।

त्यो केही बुलेन्सिट हो

बुलियन क्षेत्रहरु संग सबै सरल छ। मूल अनुरोधमा, समस्या अपरेटरको कारण थियो is। यदि तपाइँ यसलाई बदल्नुहोस् =, त्यसपछि हामी निम्न परिणाम प्राप्त:

explain analyze verbose
SELECT count(1)
FROM fdw_schema.table
WHERE is_active = True
AND created_dt BETWEEN CURRENT_DATE - INTERVAL '7 month' 
AND CURRENT_DATE - INTERVAL '6 month'
AND meta->>'source' = 'test';

Aggregate  (cost=508010.14..508010.15 rows=1 width=8) (actual time=19064.314..19064.314 rows=1 loops=1)
  Output: count(1)
  ->  Foreign Scan on fdw_schema."table"  (cost=100.00..507988.44 rows=8679 width=0) (actual time=33.035..18951.278 rows=1360025 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Filter: ((("table".meta ->> 'source'::text) = 'test'::text) AND ("table".created_dt >= (('now'::cstring)::date - '7 mons'::interval)) AND ("table".created_dt <= ((('now'::cstring)::date)::timestamp with time zone - '6 mons'::interval)))
        Rows Removed by Filter: 3567989
        Remote SQL: SELECT created_dt, meta FROM fdw_schema.table WHERE (is_active)
Planning time: 0.834 ms
Execution time: 19064.534 ms

तपाईले देख्न सक्नुहुने रूपमा, फिल्टर टाढाको सर्भरमा उड्यो, र कार्यान्वयन समय 27 देखि 19 सेकेन्डमा घट्यो।

यो अपरेटर ध्यान दिन लायक छ is अपरेटर भन्दा फरक = किनभने यसले शून्य मानसँग काम गर्न सक्छ। यसको अर्थ हुन्छ सत्य होइन फिल्टरमा मान False र Null छोड्नेछ, जबकि ! = साँचो केवल गलत मानहरू छोड्नेछ। त्यसैले, अपरेटर प्रतिस्थापन गर्दा छैन OR अपरेटरसँग दुई सर्तहरू फिल्टरमा पास गरिनुपर्छ, उदाहरणका लागि, कहाँ (col != True) OR (col null छ).

हामीले बुलियनसँग व्यवहार गरेका छौं, अगाडि बढौं। अहिलेको लागि, अन्य परिवर्तनहरूको प्रभावलाई स्वतन्त्र रूपमा विचार गर्नको लागि बुलियन फिल्टरलाई यसको मूल रूपमा फिर्ता गरौं।

timestamptz? hz

सामान्यतया, तपाइँले प्राय: रिमोट सर्भरहरू समावेश गर्ने अनुरोध कसरी सही रूपमा लेख्ने भनेर प्रयोग गर्नुपर्छ, र त्यसपछि मात्र यो किन हुन्छ भन्ने व्याख्या खोज्नुहोस्। यसको बारेमा धेरै थोरै जानकारी इन्टरनेटमा फेला पार्न सकिन्छ। त्यसोभए, प्रयोगहरूमा हामीले पत्ता लगायौं कि एक निश्चित मिति फिल्टरले रिमोट सर्भरमा ब्यांगको साथ उड्छ, तर जब हामी गतिशील रूपमा मिति सेट गर्न चाहन्छौं, उदाहरणका लागि, now() वा CURRENT_DATE, यो हुँदैन। हाम्रो उदाहरणमा, हामीले एउटा फिल्टर थप्यौं जसले गर्दा सिर्जना गरिएको_एट स्तम्भमा ठ्याक्कै १ महिनाको डेटा समावेश थियो (बिचमा CURRENT_DATE - INTERVAL '७ महिना' र CURRENT_DATE - INTERVAL '1 महिना')। यो मामला मा हामीले के गर्यौं?

explain analyze verbose
SELECT count(1)
FROM fdw_schema.table 
WHERE is_active is True
AND created_dt >= (SELECT CURRENT_DATE::timestamptz - INTERVAL '7 month') 
AND created_dt <(SELECT CURRENT_DATE::timestamptz - INTERVAL '6 month')
AND meta->>'source' = 'test';

Aggregate  (cost=306875.17..306875.18 rows=1 width=8) (actual time=4789.114..4789.115 rows=1 loops=1)
  Output: count(1)
  InitPlan 1 (returns $0)
    ->  Result  (cost=0.00..0.02 rows=1 width=8) (actual time=0.007..0.008 rows=1 loops=1)
          Output: ((('now'::cstring)::date)::timestamp with time zone - '7 mons'::interval)
  InitPlan 2 (returns $1)
    ->  Result  (cost=0.00..0.02 rows=1 width=8) (actual time=0.002..0.002 rows=1 loops=1)
          Output: ((('now'::cstring)::date)::timestamp with time zone - '6 mons'::interval)
  ->  Foreign Scan on fdw_schema."table"  (cost=100.02..306874.86 rows=105 width=0) (actual time=23.475..4681.419 rows=1360025 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Filter: (("table".is_active IS TRUE) AND (("table".meta ->> 'source'::text) = 'test'::text))
        Rows Removed by Filter: 76934
        Remote SQL: SELECT is_active, meta FROM fdw_schema.table WHERE ((created_dt >= $1::timestamp with time zone)) AND ((created_dt < $2::timestamp with time zone))
Planning time: 0.703 ms
Execution time: 4789.379 ms

हामीले योजनाकारलाई सबक्वेरीमा मिति अग्रिम गणना गर्न र फिल्टरमा रेडिमेड भेरिएबल पास गर्न भन्यौं। र यो संकेतले हामीलाई उत्कृष्ट परिणाम दियो, अनुरोध लगभग 6 पटक छिटो भयो!

फेरि, यहाँ सावधानी अपनाउनु महत्त्वपूर्ण छ: सबक्वेरीमा डेटा प्रकार हामीले फिल्टर गर्ने फिल्डको जस्तै हुनुपर्छ, अन्यथा योजनाकारले निर्णय गर्नेछ कि प्रकारहरू फरक भएकाले, पहिले सबै प्राप्त गर्न आवश्यक छ। डाटा र यसलाई स्थानीय रूपमा फिल्टर गर्नुहोस्।

मिति फिल्टरलाई यसको मूल मानमा फर्काउँछौं।

फ्रेडी बनाम Jsonb

सामान्यतया, बुलियन फिल्डहरू र मितिहरूले पहिले नै हाम्रो क्वेरीलाई पर्याप्त रूपमा गति दिएका छन्, तर त्यहाँ एक थप डेटा प्रकार बाँकी थियो। इमानदारीपूर्वक भन्नुपर्दा, यसको द्वारा फिल्टर गर्ने लडाई अझै सकिएको छैन, यद्यपि यहाँ पनि सफलता छ। त्यसोभए, यसरी हामीले फिल्टर पास गर्न व्यवस्थित गर्यौं jsonb रिमोट सर्भरमा फिल्ड।

explain analyze verbose
SELECT count(1)
FROM fdw_schema.table 
WHERE is_active is True
AND created_dt BETWEEN CURRENT_DATE - INTERVAL '7 month' 
AND CURRENT_DATE - INTERVAL '6 month'
AND meta @> '{"source":"test"}'::jsonb;

Aggregate  (cost=245463.60..245463.61 rows=1 width=8) (actual time=6727.589..6727.590 rows=1 loops=1)
  Output: count(1)
  ->  Foreign Scan on fdw_schema."table"  (cost=1100.00..245459.90 rows=1478 width=0) (actual time=16.213..6634.794 rows=1360025 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Filter: (("table".is_active IS TRUE) AND ("table".created_dt >= (('now'::cstring)::date - '7 mons'::interval)) AND ("table".created_dt <= ((('now'::cstring)::date)::timestamp with time zone - '6 mons'::interval)))
        Rows Removed by Filter: 619961
        Remote SQL: SELECT created_dt, is_active FROM fdw_schema.table WHERE ((meta @> '{"source": "test"}'::jsonb))
Planning time: 0.747 ms
Execution time: 6727.815 ms

अपरेटरहरू फिल्टर गर्नुको सट्टा, तपाईंले एक अपरेटरको उपस्थिति प्रयोग गर्नुपर्छ jsonb फरक मा। मूल 7 को सट्टा 29 सेकेन्ड। अहिले सम्म यो मार्फत फिल्टर प्रसारण को लागी एक मात्र सफल विकल्प हो। jsonb रिमोट सर्भरमा, तर यहाँ एउटा सीमिततालाई ध्यानमा राख्नु महत्त्वपूर्ण छ: हामी डाटाबेसको संस्करण 9.6 प्रयोग गर्दैछौं, तर अप्रिलको अन्त्यमा हामी अन्तिम परीक्षणहरू पूरा गर्ने र संस्करण 12 मा जाने योजना गर्छौं। एकचोटि हामीले अपडेट गरेपछि, हामी यसले कसरी असर गर्छ भन्ने बारे लेख्नेछौं, किनभने त्यहाँ धेरै परिवर्तनहरू छन् जसको लागि धेरै आशा छ: json_path, नयाँ CTE व्यवहार, पुश डाउन (संस्करण 10 देखि अवस्थित)। म साँच्चै चाँडै यो प्रयास गर्न चाहन्छु।

उसलाई समाप्त गर्नुहोस्

हामीले प्रत्येक परिवर्तनले अनुरोधको गतिलाई व्यक्तिगत रूपमा कसरी प्रभाव पार्छ भन्ने परीक्षण गर्‍यौं। अब के हुन्छ हेरौं जब सबै तीन फिल्टरहरू सही रूपमा लेखिएका छन्।

explain analyze verbose
SELECT count(1)
FROM fdw_schema.table 
WHERE is_active = True
AND created_dt >= (SELECT CURRENT_DATE::timestamptz - INTERVAL '7 month') 
AND created_dt <(SELECT CURRENT_DATE::timestamptz - INTERVAL '6 month')
AND meta @> '{"source":"test"}'::jsonb;

Aggregate  (cost=322041.51..322041.52 rows=1 width=8) (actual time=2278.867..2278.867 rows=1 loops=1)
  Output: count(1)
  InitPlan 1 (returns $0)
    ->  Result  (cost=0.00..0.02 rows=1 width=8) (actual time=0.010..0.010 rows=1 loops=1)
          Output: ((('now'::cstring)::date)::timestamp with time zone - '7 mons'::interval)
  InitPlan 2 (returns $1)
    ->  Result  (cost=0.00..0.02 rows=1 width=8) (actual time=0.003..0.003 rows=1 loops=1)
          Output: ((('now'::cstring)::date)::timestamp with time zone - '6 mons'::interval)
  ->  Foreign Scan on fdw_schema."table"  (cost=100.02..322041.41 rows=25 width=0) (actual time=8.597..2153.809 rows=1360025 loops=1)
        Output: "table".id, "table".is_active, "table".meta, "table".created_dt
        Remote SQL: SELECT NULL FROM fdw_schema.table WHERE (is_active) AND ((created_dt >= $1::timestamp with time zone)) AND ((created_dt < $2::timestamp with time zone)) AND ((meta @> '{"source": "test"}'::jsonb))
Planning time: 0.820 ms
Execution time: 2279.087 ms

हो, अनुरोध अधिक जटिल देखिन्छ, यो एक जबरजस्ती शुल्क हो, तर कार्यान्वयन गति 2 सेकेन्ड हो, जुन 10 गुणा भन्दा छिटो छ! र हामी तुलनात्मक रूपमा सानो डाटा सेट विरुद्ध एक साधारण प्रश्नको बारेमा कुरा गर्दैछौं। वास्तविक अनुरोधहरूमा, हामीले धेरै सय गुणा सम्मको वृद्धि प्राप्त गर्यौं।

संक्षेपमा: यदि तपाइँ FDW सँग PostgreSQL प्रयोग गर्नुहुन्छ भने, सधैँ जाँच गर्नुहोस् कि सबै फिल्टरहरू रिमोट सर्भरमा पठाइएका छन्, र तपाइँ खुसी हुनुहुनेछ... कम्तिमा तपाइँ विभिन्न सर्भरहरूबाट तालिकाहरू बीच जोडिन नपाउँदासम्म। तर त्यो अर्को लेखको लागि कथा हो।

तपाईको ध्यानाकर्सनको लागि धन्यवाद! म टिप्पणीहरूमा तपाईंको अनुभवहरूको बारेमा प्रश्नहरू, टिप्पणीहरू, र कथाहरू सुन्न चाहन्छु।

स्रोत: www.habr.com