SQL HowTo: napisz pętlę while bezpośrednio w zapytaniu lub „Elementary trójdrożny”

Okresowo pojawia się zadanie wyszukiwania powiązanych danych za pomocą zestawu kluczy, aż osiągniemy wymaganą liczbę rekordów.

Najbardziej „realnym” przykładem jest wywnioskowanie 20 najstarszych zadań, wymienione na liście pracowników (na przykład w ramach jednego działu). Podobny temat jest często wymagany w przypadku różnych paneli zarządczych zawierających krótkie podsumowania obszarów roboczych.

W tym artykule rozważymy implementację na PostgreSQL „naiwnego” rozwiązania takiego problemu, „mądrzejszego” i bardzo złożonego algorytmu „pętla” w SQL z warunkiem wyjścia opartym na znalezionych danych, które może być przydatne zarówno do ogólnego rozwoju, jak i do zastosowań w innych podobnych przypadkach.

Weźmy zestaw danych testowych z poprzedni artykuł. Aby zapobiec „przeskakiwaniu” rekordów wyjściowych od czasu do czasu, gdy posortowane wartości się zgadzają, Rozszerzmy indeks tematyczny dodając klucz podstawowy. Jednocześnie nada mu to natychmiast unikalność i zagwarantuje nam jednoznaczną kolejność sortowania:

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

Jest napisane tak, jak brzmi

Najpierw naszkicujmy najprostszą wersję żądania, przekazując identyfikatory wykonawców tablica jako parametr wejściowy:

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;

[patrz na explain.tensor.ru]

Trochę smutno – zamówiliśmy tylko 20 płyt, a Index Scan je nam odesłał 960 linii, które następnie należało posortować... Spróbujmy mniej czytać.

gniazdo + TABLICA

Pierwszą rzeczą, która nam pomoże, jest to, czy potrzebujemy łącznie 20 posortowanych rekordy, to wystarczy przeczytać nie więcej niż 20 posortowanych w tej samej kolejności dla każdego klawisz. Dobry, odpowiedni indeks (id_właściciela, data_zadania, id) mamy.

Zastosujmy ten sam mechanizm ekstrakcji i „obrótu kolumny” wpis do tabeli integralnej, jak w ostatni artykuł. Zastosujemy również składanie do tablicy za pomocą funkcji 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

[patrz na explain.tensor.ru]

O, tak jest o wiele lepiej! O 40% szybciej i 4.5x mniej danych Musiałem to przeczytać.

Materializacja rekordów tabeli za pomocą CTEChciałbym zwrócić Państwa uwagę na fakt, że w niektórych przypadkach próba pracy z polami rekordu bezpośrednio po wyszukaniu ich w podzapytaniu, bez „opakowania” ich w CTE, może prowadzić do „mnożenie” InitPlan proporcjonalnie do liczby tych samych pól:

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

Ten sam rekord został „przeszukany” 4 razy... Do czasu wydania PostgreSQL 11 takie zachowanie występowało regularnie i rozwiązaniem było „opakowanie” go w CTE, co stanowi absolutne ograniczenie dla optymalizatora w tych wersjach.

Akumulator rekurencyjny

W poprzedniej wersji przeczytaliśmy w sumie 200 linii dla potrzebnych 20. Już nie 960, ale jeszcze mniej - czy to możliwe?

Spróbujmy wykorzystać wiedzę, której potrzebujemy łącznie 20 dokumentacja. Oznacza to, że będziemy powtarzać odczyt danych aż do momentu, gdy osiągniemy potrzebną nam ilość.

Krok 1: Lista startowa

Oczywiste jest, że nasza „docelowa” lista 20 rekordów powinna zaczynać się od „pierwszych” rekordów dla jednego z naszych kluczy owner_id. Więc najpierw znajdźmy te „pierwszy” dla każdego z kluczy i dodajemy do listy, sortując w kolejności, w jakiej chcemy - (task_date, id).

Krok 2: Znajdź „następne” rekordy

Teraz, jeśli weźmiemy pierwszy wpis z naszej listy i zaczniemy „krok” dalej wzdłuż indeksu jeśli klucz owner_id zostanie zachowany, wszystkie znalezione rekordy będą kolejnymi w wynikach selekcji. Oczywiście, tylko dopóki nie przekroczymy zastosowanego klucza drugi wpis na liście.

Jeżeli okaże się, że „przekroczyliśmy” drugi wpis, to ostatni przeczytany wpis powinien zostać dodany do listy zamiast pierwszego (z tym samym owner_id), po czym ponownie sortujemy listę.

Czyli zawsze kończymy z tym, że lista nie ma więcej niż jednego wpisu dla każdego z kluczy (jeśli wpisy się wyczerpią i ich nie „skreślimy”, to pierwszy wpis po prostu zniknie z listy i nic nie zostanie dodane), a oni zawsze posortowane w kolejności rosnącej klucza aplikacji (task_date, id).

Krok 3: Filtruj i „rozwijaj” rekordy

W niektórych wierszach naszego wyboru rekurencyjnego niektóre rekordy rv zduplikowane - najpierw znajdujemy, np. „przekroczenie granicy 2. wpisu na liście”, a następnie podstawiamy je jako 1. wpis z listy. Tak więc pierwsze pojawienie się musi zostać odfiltrowane.

Straszne ostatnie zapytanie

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

[patrz na explain.tensor.ru]

Tak więc my handlowano 50% odczytów danych za 20% czasu wykonania. Oznacza to, że jeśli masz powody sądzić, że odczyt może potrwać długo (na przykład dane często nie znajdują się w pamięci podręcznej i trzeba je pobrać z dysku), wówczas możesz w ten sposób mniej polegać na odczycie.

W każdym razie czas wykonania okazał się lepszy niż w „naiwnej” pierwszej wersji. Ale od Ciebie zależy, którą z tych 3 opcji wybierzesz.

Źródło: www.habr.com