PostgreSQL యాంటీప్యాటర్న్‌లు: CTE x CTE

నా పని విధానం కారణంగా, డెవలపర్ ఒక అభ్యర్థనను వ్రాసి ఇలా ఆలోచించినప్పుడు నేను పరిస్థితులను ఎదుర్కోవలసి ఉంటుంది “బేస్ స్మార్ట్, ఇది ప్రతిదీ స్వయంగా నిర్వహించగలదు!«

కొన్ని సందర్భాల్లో (పాక్షికంగా డేటాబేస్ యొక్క సామర్థ్యాల అజ్ఞానం నుండి, పాక్షికంగా అకాల ఆప్టిమైజేషన్ల నుండి), ఈ విధానం "ఫ్రాంకెన్‌స్టైయిన్స్" రూపానికి దారి తీస్తుంది.

మొదట, నేను అలాంటి అభ్యర్థనకు ఉదాహరణ ఇస్తాను:

-- 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;

అభ్యర్థన నాణ్యతను గణనీయంగా అంచనా వేయడానికి, కొన్ని ఏకపక్ష డేటా సెట్‌ను రూపొందించండి:

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);

అని తేలుతుంది డేటాను చదవడానికి పావు వంతు కంటే తక్కువ సమయం పట్టింది ప్రశ్న అమలు:

[explain.tensor.ru చూడండి]

దాన్ని ముక్కలుగా తీయడం

అభ్యర్థనను నిశితంగా పరిశీలిద్దాం మరియు అబ్బురపడండి:

1. పునరావృత CTEలు లేకుంటే ఇక్కడ రికర్సివ్‌తో ఎందుకు ఉంది?
2. ఏమైనప్పటికీ అసలు నమూనాతో ముడిపడి ఉంటే, ప్రత్యేక CTEలో min/max విలువలను ఎందుకు సమూహపరచాలి?
   + 25% సమయం
3. మునుపటి CTEని పునరావృతం చేయడానికి చివరిలో షరతులు లేని 'SELECT * FROM'ని ఎందుకు ఉపయోగించాలి?
   + 14% సమయం

ఈ సందర్భంలో, మేము నెస్టెడ్ లూప్ కాకుండా కనెక్షన్ కోసం హాష్ జాయిన్‌ని ఎంపిక చేయడం చాలా అదృష్టవంతులం, ఎందుకంటే అప్పుడు మేము కేవలం ఒక CTE స్కాన్ పాస్ మాత్రమే కాకుండా 10K అందుకుంటాము!

CTE స్కాన్ గురించి కొంచెంఇక్కడ మనం గుర్తుంచుకోవాలి CTE స్కాన్ Seq స్కాన్ మాదిరిగానే ఉంటుంది - అంటే, ఇండెక్సింగ్ లేదు, కానీ పూర్తి శోధన మాత్రమే అవసరం 10K x 0.3ms = 3000ms cte_max ద్వారా చక్రాల కోసం లేదా 1K x 1.5ms = 1500ms cte_bind ద్వారా లూప్ చేసినప్పుడు!
నిజానికి, మీరు ఫలితంగా ఏమి పొందాలనుకుంటున్నారు? అవును, సాధారణంగా ఇది "మూడు-అంతస్తుల" ప్రశ్నలను విశ్లేషించిన 5వ నిమిషంలో ఎక్కడో వచ్చే ప్రశ్న.

మేము ప్రతి ప్రత్యేక కీ జత కోసం అవుట్‌పుట్ చేయాలనుకుంటున్నాము కీ_ఎ ద్వారా సమూహం నుండి నిమి/గరిష్టం.
కాబట్టి దీనిని ఉపయోగించుకుందాం విండో విధులు:

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 చూడండి]

రెండు ఆప్షన్‌లలోని డేటాను చదవడానికి దాదాపు 4-5ms పడుతుంది కాబట్టి, మన సమయమంతా లాభం పొందుతుంది -32% - ఇది దాని స్వచ్ఛమైన రూపంలో ఉంటుంది బేస్ CPU నుండి లోడ్ తీసివేయబడింది, అటువంటి అభ్యర్థనను తరచుగా అమలు చేస్తే సరిపోతుంది.

సాధారణంగా, మీరు ఆధారాన్ని "రౌండ్ వన్ క్యారీ, స్క్వేర్ వన్ రోల్" అని బలవంతం చేయకూడదు.

మూలం: www.habr.com