SQL क्वेरी के लिए अनुक्रमणिका WHERE की स्थिति और ग्रुप BY के साथ


15

मैं यह निर्धारित करने का प्रयास कर रहा हूं कि किसी WHEREशर्त के साथ SQL क्वेरी के लिए कौन से इंडेक्स का उपयोग करना है और GROUP BYकौन सा वर्तमान में बहुत धीमा चल रहा है।

मेरी क्वेरी:

SELECT group_id
FROM counter
WHERE ts between timestamp '2014-03-02 00:00:00.0' and timestamp '2014-03-05 12:00:00.0'
GROUP BY group_id

वर्तमान में तालिका में 32.000.000 पंक्तियाँ हैं। जब मैं समय-सीमा बढ़ाता हूं, तो क्वेरी का निष्पादन समय बहुत बढ़ जाता है।

प्रश्न की तालिका इस प्रकार है:

CREATE TABLE counter (
    id bigserial PRIMARY KEY
  , ts timestamp NOT NULL
  , group_id bigint NOT NULL
);

मेरे पास वर्तमान में निम्नलिखित सूचकांक हैं, लेकिन प्रदर्शन अभी भी धीमा है:

CREATE INDEX ts_index
  ON counter
  USING btree
  (ts);

CREATE INDEX group_id_index
  ON counter
  USING btree
  (group_id);

CREATE INDEX comp_1_index
  ON counter
  USING btree
  (ts, group_id);

CREATE INDEX comp_2_index
  ON counter
  USING btree
  (group_id, ts);

क्वेरी पर चल रहा है निम्नलिखित परिणाम देता है:

"QUERY PLAN"
"HashAggregate  (cost=467958.16..467958.17 rows=1 width=4)"
"  ->  Index Scan using ts_index on counter  (cost=0.56..467470.93 rows=194892 width=4)"
"        Index Cond: ((ts >= '2014-02-26 00:00:00'::timestamp without time zone) AND (ts <= '2014-02-27 23:59:00'::timestamp without time zone))"

उदाहरण डेटा के साथ SQL फिडेल: http://sqlfiddle.com/# -15/7492b /1

प्रश्न

क्या बेहतर अनुक्रमित जोड़कर इस क्वेरी के प्रदर्शन में सुधार किया जा सकता है, या मुझे प्रसंस्करण शक्ति बढ़ानी चाहिए?

संपादित करें 1

PostgreSQL संस्करण 9.3.2 का उपयोग किया जाता है।

संपादित करें २

मैंने @Erwin के प्रस्ताव के साथ कोशिश की EXISTS:

SELECT group_id
FROM   groups g
WHERE  EXISTS (
   SELECT 1
   FROM   counter c
   WHERE  c.group_id = g.group_id
   AND    ts BETWEEN timestamp '2014-03-02 00:00:00'
                 AND timestamp '2014-03-05 12:00:00'
   );

लेकिन दुर्भाग्य से यह प्रदर्शन को बढ़ाने के लिए प्रतीत नहीं हुआ। क्वेरी योजना:

"QUERY PLAN"
"Nested Loop Semi Join  (cost=1607.18..371680.60 rows=113 width=4)"
"  ->  Seq Scan on groups g  (cost=0.00..2.33 rows=133 width=4)"
"  ->  Bitmap Heap Scan on counter c  (cost=1607.18..158895.53 rows=60641 width=4)"
"        Recheck Cond: ((group_id = g.id) AND (ts >= '2014-01-01 00:00:00'::timestamp without time zone) AND (ts <= '2014-03-05 12:00:00'::timestamp without time zone))"
"        ->  Bitmap Index Scan on comp_2_index  (cost=0.00..1592.02 rows=60641 width=0)"
"              Index Cond: ((group_id = g.id) AND (ts >= '2014-01-01 00:00:00'::timestamp without time zone) AND (ts <= '2014-03-05 12:00:00'::timestamp without time zone))"

संपादित करें 3

Ypercube से LATERAL क्वेरी के लिए क्वेरी योजना:

"QUERY PLAN"
"Nested Loop  (cost=8.98..1200.42 rows=133 width=20)"
"  ->  Seq Scan on groups g  (cost=0.00..2.33 rows=133 width=4)"
"  ->  Result  (cost=8.98..8.99 rows=1 width=0)"
"        One-Time Filter: ($1 IS NOT NULL)"
"        InitPlan 1 (returns $1)"
"          ->  Limit  (cost=0.56..4.49 rows=1 width=8)"
"                ->  Index Only Scan using comp_2_index on counter c  (cost=0.56..1098691.21 rows=279808 width=8)"
"                      Index Cond: ((group_id = $0) AND (ts IS NOT NULL) AND (ts >= '2010-03-02 00:00:00'::timestamp without time zone) AND (ts <= '2014-03-05 12:00:00'::timestamp without time zone))"
"        InitPlan 2 (returns $2)"
"          ->  Limit  (cost=0.56..4.49 rows=1 width=8)"
"                ->  Index Only Scan Backward using comp_2_index on counter c_1  (cost=0.56..1098691.21 rows=279808 width=8)"
"                      Index Cond: ((group_id = $0) AND (ts IS NOT NULL) AND (ts >= '2010-03-02 00:00:00'::timestamp without time zone) AND (ts <= '2014-03-05 12:00:00'::timestamp without time zone))"

group_idमेज पर कितने विभिन्न मूल्य हैं?
यपरक्यूब

133 विभिन्न समूह_एड हैं।

टाइमस्टैम्प 2011 से 2014 तक है। सेकंड और मिलीसेकंड दोनों उपयोग में हैं।

क्या आप केवल group_idकिसी भी गिनती में रुचि रखते हैं और नहीं?
एरविन ब्रान्डेसटेटर

@ इरविन हम अधिकतम () और (मिनट) के साथ-साथ उदाहरण में नहीं दिखाए गए चौथे स्तंभ में रुचि रखते हैं।
uldall

जवाबों:


6

एक अन्य विचार, यह भी groupsतालिका का उपयोग करता है और एक निर्माण कहा जाता है LATERAL(SQL- सर्वर प्रशंसकों के लिए, यह लगभग समान है OUTER APPLY)। यह लाभ है कि समुच्चय में समुच्चय की गणना की जा सकती है:

SELECT group_id, min_ts, max_ts
FROM   groups g,                    -- notice the comma here, is required
  LATERAL 
       ( SELECT MIN(ts) AS min_ts,
                MAX(ts) AS max_ts
         FROM counter c
         WHERE c.group_id = g.group_id
           AND c.ts BETWEEN timestamp '2011-03-02 00:00:00'
                        AND timestamp '2013-03-05 12:00:00'
       ) x 
WHERE min_ts IS NOT NULL ;

SQL-Fiddle पर परीक्षण से पता चलता है कि क्वेरी इंडेक्स को इंडेक्स पर स्कैन करती है (group_id, ts)

इसी तरह की योजनाएं 2 पार्श्व जोड़, न्यूनतम के लिए एक और अधिकतम 2 इनलाइन सहसंबद्ध उपश्रेणियों के साथ उपयोग की जाती हैं। यदि आप counterमिनट और अधिकतम तिथियों के अलावा पूरी पंक्तियों को दिखाने की जरूरत है तो उनका उपयोग भी किया जा सकता है:

SELECT group_id, 
       min_ts, min_ts_id, 
       max_ts, max_ts_id 
FROM   groups g
  , LATERAL 
       ( SELECT ts AS min_ts, c.id AS min_ts_id
         FROM counter c
         WHERE c.group_id = g.group_id
           AND c.ts BETWEEN timestamp '2012-03-02 00:00:00'
                        AND timestamp '2014-03-05 12:00:00'
         ORDER BY ts ASC
         LIMIT 1
       ) xmin
  , LATERAL 
       ( SELECT ts AS max_ts, c.id AS max_ts_id
         FROM counter c
         WHERE c.group_id = g.group_id
           AND c.ts BETWEEN timestamp '2012-03-02 00:00:00'
                        AND timestamp '2014-03-05 12:00:00'
         ORDER BY ts DESC 
         LIMIT 1
       ) xmax
WHERE min_ts IS NOT NULL ;

@ypercube मैंने आपके प्रश्न के मूल प्रश्न के लिए क्वेरी योजना को जोड़ा। क्वेरी बड़े समय के अंतराल पर भी 50 ms से कम में चलती है।
uldall

5

चूँकि आपके पास चयनित सूची में कोई समुच्चय नहीं है, क्या group byयह बहुत समान है जैसा distinctकि चयन सूची में है, है ना?

यदि आप चाहते हैं कि, आप एक पुनरावर्ती क्वेरी का उपयोग करने के लिए यह लिखकर comp_2_index पर एक तेज़ इंडेक्स लुकअप प्राप्त करने में सक्षम हो सकते हैं, जैसा कि PostgreSQL विकी पर वर्णित है ।

विशिष्ट group_ids को कुशलतापूर्वक वापस करने के लिए एक दृश्य बनाएं:

create or replace view groups as
WITH RECURSIVE t AS (
             SELECT min(counter.group_id) AS group_id
               FROM counter
    UNION ALL
             SELECT ( SELECT min(counter.group_id) AS min
                       FROM counter
                      WHERE counter.group_id > t.group_id) AS min
               FROM t
              WHERE t.group_id IS NOT NULL
    )
     SELECT t.group_id
       FROM t
      WHERE t.group_id IS NOT NULL
UNION ALL
     SELECT NULL::bigint AS col
      WHERE (EXISTS ( SELECT counter.id,
                counter.ts,
                counter.group_id
               FROM counter
              WHERE counter.group_id IS NULL));

और फिर उस दृश्य को Erwin के existsसेमी-जॉइन में लुकअप टेबल के स्थान पर उपयोग करें ।


4

चूंकि केवल हैं 133 different group_id's, आप group_id के लिए उपयोग integer(या यहां तक ​​कि smallint) कर सकते हैं । हालांकि, यह आपको ज्यादा नहीं खरीदेगा, क्योंकि 8 बाइट्स में पैडिंग करने से आपकी टेबल और बाकी बहुरंगी इंडेक्सों में आराम मिलेगा। सादे का प्रसंस्करण integerथोड़ा तेज होना चाहिए, हालांकि। intबनामint2 पर अधिक ।

CREATE TABLE counter (
    id bigserial PRIMARY KEY
  , ts timestamp NOT NULL
  , group_id int NOT NULL
);

@Leo: टाइमस्टैम्प को आधुनिक प्रतिष्ठानों में 8-बाइट पूर्णांक के रूप में संग्रहीत किया जाता है और इसे पूरी तरह से तेजी से संसाधित किया जा सकता है। विवरण।

@ypercube: क्वेरी (group_id, ts)पर कोई शर्त नहीं होने के कारण सूचकांक मदद नहीं कर सकता है group_id

आपकी मुख्य समस्या डेटा की बड़ी मात्रा है जिसे संसाधित किया जाना है:

काउंटर पर ts_index का उपयोग करते हुए सूचकांक स्कैन (लागत = 0.56..467470.93 पंक्तियाँ = 194892 चौड़ाई = 4)

मैं देखता हूं कि आप केवल एक के अस्तित्व में रुचि रखते हैं group_id, और कोई वास्तविक गणना नहीं है। इसके अलावा, केवल 133 अलग-अलग group_idएस हैं। इसलिए आपकी क्वेरी gorup_idसमय सीमा में पहली हिट प्रति संतुष्ट हो सकती है । इसलिए EXISTSअर्ध-जुड़ाव के साथ वैकल्पिक क्वेरी के लिए यह सुझाव :

समूहों के लिए एक खोज तालिका मानकर:

SELECT group_id
FROM   groups g
WHERE  EXISTS (
   SELECT 1
   FROM   counter c
   WHERE  c.group_id = g.group_id
   AND    ts BETWEEN timestamp '2014-03-02 00:00:00'
                 AND timestamp '2014-03-05 12:00:00'
   );

आपका सूचकांक comp_2_indexपर (group_id, ts)अब महत्वपूर्ण भूमिका निभाई हो जाता है।

एसक्यूएल फिडेल (टिप्पणियों में @ypercube द्वारा आपूर्ति की जाने वाली फ़ेल्ड पर निर्माण)

यहाँ, क्वेरी इंडेक्स को पसंद करती है (ts, group_id), लेकिन मुझे लगता है कि "क्लस्टर्ड" टाइमस्टैम्प के साथ टेस्ट सेटअप के कारण। यदि आप इंडेक्स को अग्रणी ts( उस के बारे में अधिक ) के साथ हटाते हैं , तो प्लानर खुशी-खुशी इंडेक्स का उपयोग करेगा (group_id, ts)- विशेष रूप से इंडेक्स बेस्ट स्कैन में

यदि वह काम करता है, तो आपको इस अन्य संभावित सुधार की आवश्यकता नहीं हो सकती है: भौतिक रूप से पूर्व-एकत्रित डेटा को पंक्तियों की संख्या को काफी कम करने के लिए। यह विशेष रूप से समझ में आता है, अगर आपको वास्तविक रूप से अतिरिक्त मायने रखता है । तब आपके पास mv को अपडेट करते समय एक बार कई पंक्तियों को संसाधित करने की लागत होती है । आप दैनिक और प्रति घंटा समुच्चय (दो अलग-अलग तालिकाओं) को भी जोड़ सकते हैं और अपनी क्वेरी को उसी के अनुरूप बना सकते हैं।

क्या आपके प्रश्नों में समय सीमा मनमानी है? या ज्यादातर पूर्ण मिनट / घंटे / दिन पर?

CREATE MATERIALIZED VIEW counter_mv AS
SELECT date_trunc('hour', ts) AS hour
     , group_id
     , count(*) AS ct
GROUP BY 1,2
ORDER BY 1,2;

पर आवश्यक सूचकांक (ते) बनाएं counter_mvऔर इसके साथ काम करने के लिए आपकी क्वेरी अनुकूलन ...


1
मैंने 10k पंक्तियों के साथ SQL-Fiddle में कई समान चीजों की कोशिश की , लेकिन सभी ने कुछ अनुक्रमिक स्कैन दिखाए। क्या groupsतालिका का उपयोग करने से फर्क पड़ता है?
ypercube y

@ypercube: मुझे ऐसा लगता है। इसके अलावा, ANALYZEएक फर्क पड़ता है। लेकिन जैसे ही मैं तालिका पेश करता हूं, उस पर अनुक्रमित counterभी बिना उपयोग किए ANALYZEजाते हैं groups। बिंदु, उस तालिका के बिना, संभावित group_id´s के सेट का निर्माण करने के लिए एक seqscan की आवश्यकता होती है। मैंने अपने जवाब में और जोड़ दिया। और आपकी बेला के लिए धन्यवाद!
इरविन ब्रान्डेसटेटर

अजीब है कि। आप कह रहे हैं कि Postgres 'optimizer group_idकिसी SELECT DISTINCT group_id FROM t;क्वेरी के लिए भी इंडेक्स का उपयोग नहीं करेगा ?
ypercube y

1
@ErwinBrandstetter यही तो मैंने भी सोचा था, और अन्यथा यह जानकर बहुत आश्चर्य हुआ। बिना LIMIT 1, यह एक बिटमैप इंडेक्स स्कैन चुन सकता है, जो शुरुआती रोक से लाभ नहीं देता है और बहुत अधिक समय लेता है। (लेकिन यदि तालिका को ताजा वैक्यूम किया जाता है, तो यह बिटमैप स्कैन पर अनुक्रमिक रूप से स्कैन करना पसंद कर सकता है, इसलिए आपको जो व्यवहार दिखाई देता है वह तालिका की वैक्यूम स्थिति पर निर्भर करता है)।
जेजेन्स

1
@uldall: दैनिक समुच्चय पंक्तियों की संख्या को काफी कम कर देंगे। यह ट्रिक काम आना चाहिए। लेकिन EXISTS- क्वेरी को आजमाना सुनिश्चित करें। यह आश्चर्यजनक रूप से तेज हो सकता है। इसके अतिरिक्त न्यूनतम / अधिकतम के लिए काम नहीं करेंगे। मुझे परिणामी प्रदर्शन में दिलचस्पी होगी, हालांकि, यदि आप यहां लाइन छोड़ने के लिए इतने दयालु होंगे।
इरविन ब्रान्डेसटेटर
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.