ایس کیو ایل ہاؤ ٹو: استفسار میں براہ راست ایک دیر لوپ لکھیں، یا "ایلیمنٹری تھری وے"

وقتا فوقتا، چابیاں کے سیٹ کا استعمال کرتے ہوئے متعلقہ ڈیٹا کو تلاش کرنے کا کام پیدا ہوتا ہے۔ جب تک کہ ہمیں ریکارڈ کی مطلوبہ کل تعداد نہ مل جائے۔.

سب سے زیادہ "حقیقی زندگی" کی مثال ظاہر کرنا ہے۔ 20 قدیم ترین مسائل، درج ملازمین کی فہرست میں (مثال کے طور پر، ایک ڈویژن کے اندر)۔ کام کے علاقوں کے مختصر خلاصوں کے ساتھ مختلف انتظامی "ڈیش بورڈز" کے لیے، اکثر اسی طرح کے موضوع کی ضرورت ہوتی ہے۔

اس مضمون میں ہم پوسٹگری ایس کیو ایل میں اس طرح کے مسئلے کے ایک "بولے" حل کے نفاذ کو دیکھیں گے، ایک "ہوشیار" اور بہت پیچیدہ الگورتھم ایس کیو ایل میں "لوپ" ملے ڈیٹا سے باہر نکلنے کی شرط کے ساتھ، جو عام ترقی اور اسی طرح کے دیگر معاملات میں استعمال کے لیے مفید ہو سکتا ہے۔

آئیے اس سے ایک ٹیسٹ ڈیٹا سیٹ لیتے ہیں۔ گزشتہ مضمون. دکھائے گئے ریکارڈز کو وقتاً فوقتاً "جمپنگ" سے روکنے کے لیے جب ترتیب شدہ اقدار ایک دوسرے سے ملتی ہیں، ایک بنیادی کلید شامل کر کے سبجیکٹ انڈیکس کو پھیلائیں۔. ایک ہی وقت میں، یہ اسے فوری طور پر انفرادیت دے گا اور ہمیں اس بات کی ضمانت دے گا کہ ترتیب دینے کا حکم غیر واضح ہے:

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

جیسے سنا جاتا ہے ویسا ہی لکھا جاتا ہے۔

سب سے پہلے، آئیے درخواست کے سب سے آسان ورژن کا خاکہ بنائیں، فنکاروں کی IDs کو پاس کرتے ہوئے۔ ان پٹ پیرامیٹر کے طور پر صف:

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 پر دیکھیں]

تھوڑا سا افسوس ہوا - ہم نے صرف 20 ریکارڈز کا آرڈر دیا، لیکن انڈیکس اسکین نے ہمیں واپس کر دیا۔ 960 لائنیںجس کو پھر ترتیب دینا پڑی... آئیے کم پڑھنے کی کوشش کرتے ہیں۔

unnest + ARRAY

پہلا غور جو ہماری مدد کرے گا اگر ہمیں ضرورت ہو۔ صرف 20 ترتیب دیا گیا ہے۔ ریکارڈ، پھر صرف پڑھیں ہر ایک کے لیے 20 سے زیادہ کو ایک ہی ترتیب میں ترتیب نہیں دیا گیا ہے۔ چابی. اچھی، مناسب انڈیکس (owner_id، task_date، id) ہمارے پاس ہے۔

آئیے ایک ہی طریقہ کار کو نکالنے اور "کالموں میں پھیلانے" کے لیے استعمال کریں انٹیگرل ٹیبل ریکارڈجیسا کہ میں آخری آرٹیکل. ہم فنکشن کا استعمال کرتے ہوئے ایک صف میں فولڈنگ بھی لگا سکتے ہیں۔ 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 پر دیکھیں]

اوہ، پہلے ہی بہت بہتر! 40% تیز اور 4.5 گنا کم ڈیٹا مجھے اسے پڑھنا پڑا۔

CTE کے توسط سے ٹیبل ریکارڈز کی مٹیریلائزیشنمیں آپ کی توجہ اس حقیقت کی طرف مبذول کرواتا ہوں۔ کچھ معاملات میں ذیلی سوال میں اسے تلاش کرنے کے بعد فوری طور پر ریکارڈ کے شعبوں کے ساتھ کام کرنے کی کوشش، اسے CTE میں "لپیٹ" کیے بغیر، اس کا باعث بن سکتی ہے۔ InitPlan کو "ضرب" کریں۔ انہی فیلڈز کی تعداد کے متناسب:

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

اسی ریکارڈ کو 4 بار "دیکھا" گیا تھا... PostgreSQL 11 تک، یہ رویہ باقاعدگی سے ہوتا ہے، اور اس کا حل یہ ہے کہ اسے CTE میں "لپیٹ" کیا جائے، جو کہ ان ورژنز میں اصلاح کار کے لیے ایک مکمل حد ہے۔

تکراری جمع کرنے والا

پچھلے ورژن میں، مجموعی طور پر ہم پڑھتے ہیں۔ 200 لائنیں مطلوبہ 20 کی خاطر۔ 960 نہیں بلکہ اس سے بھی کم - کیا یہ ممکن ہے؟

آئیے اس علم کو استعمال کرنے کی کوشش کریں جس کی ہمیں ضرورت ہے۔ کل 20 ریکارڈز یعنی، ہم صرف اس وقت تک ڈیٹا پڑھنے کا اعادہ کریں گے جب تک کہ ہم اپنی ضرورت کی مقدار تک نہ پہنچ جائیں۔

مرحلہ 1: فہرست شروع کرنا

ظاہر ہے، 20 ریکارڈز کی ہماری "ٹارگٹ" کی فہرست ہماری مالک_آئی ڈی کیز میں سے ایک کے لیے "پہلے" ریکارڈ سے شروع ہونی چاہیے۔ لہذا، سب سے پہلے ہم اس طرح تلاش کریں گے ہر ایک چابیاں کے لیے "بہت پہلے" اور اسے فہرست میں شامل کریں، اس ترتیب سے ترتیب دیں جسے ہم چاہتے ہیں - (task_date، id)۔

مرحلہ 2: "اگلی" اندراجات تلاش کریں۔

اب اگر ہم اپنی فہرست سے پہلی انٹری لیں اور شروع کریں۔ انڈیکس کے ساتھ ساتھ "قدم" مزید مالک_آئی ڈی کلید کو محفوظ کرتے ہوئے، پھر تمام پائے جانے والے ریکارڈ نتیجہ کے انتخاب میں بالکل اگلے ہیں۔ بالکل، صرف جب تک ہم بٹ کلید کو عبور نہیں کرتے فہرست میں دوسرا اندراج.

اگر یہ پتہ چلتا ہے کہ ہم نے دوسرا ریکارڈ "کراس" کیا ہے، تو پڑھی گئی آخری اندراج کو پہلی کی بجائے فہرست میں شامل کیا جانا چاہیے۔ (اسی مالک_آئی ڈی کے ساتھ)، جس کے بعد ہم فہرست کو دوبارہ ترتیب دیتے ہیں۔

یعنی، ہم ہمیشہ یہ حاصل کرتے ہیں کہ فہرست میں ہر ایک کلید کے لیے ایک سے زیادہ اندراج نہیں ہے (اگر اندراجات ختم ہو جائیں اور ہم "کراس" نہ کریں، تو فہرست سے پہلی اندراج صرف غائب ہو جائے گا اور کچھ بھی شامل نہیں کیا جائے گا۔ )، اور وہ ہمیشہ ترتیب دیا درخواست کی کلید کے صعودی ترتیب میں (task_date، id)۔

مرحلہ 3: ریکارڈز کو فلٹر اور "توسیع" کریں۔

ہمارے تکراری انتخاب کی کچھ قطاروں میں، کچھ ریکارڈ rv ڈپلیکیٹ ہیں - پہلے ہمیں "فہرست کے 2nd اندراج کی سرحد کو عبور کرنا"، اور پھر اسے فہرست سے 1st کے طور پر تبدیل کرنا۔ لہذا پہلی صورت کو فلٹر کرنے کی ضرورت ہے۔

خوفناک آخری سوال

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 پر دیکھیں]

اس طرح، ہم عمل درآمد کے وقت کے 50% کے لیے 20% ڈیٹا پڑھا جاتا ہے۔. یعنی، اگر آپ کے پاس یہ یقین کرنے کی وجوہات ہیں کہ پڑھنے میں کافی وقت لگ سکتا ہے (مثال کے طور پر، ڈیٹا اکثر کیشے میں نہیں ہوتا ہے، اور آپ کو اس کے لیے ڈسک پر جانا پڑتا ہے)، تو اس طرح آپ پڑھنے پر کم انحصار کر سکتے ہیں۔ .

کسی بھی صورت میں، پھانسی کا وقت "بولی" پہلے آپشن سے بہتر نکلا۔ لیکن ان 3 اختیارات میں سے کون سا استعمال کرنا ہے آپ پر منحصر ہے۔

ماخذ: www.habr.com