Проста структура БД (для онлайн-форуму):
CREATE TABLE users (
id integer NOT NULL PRIMARY KEY,
username text
);
CREATE INDEX ON users (username);
CREATE TABLE posts (
id integer NOT NULL PRIMARY KEY,
thread_id integer NOT NULL REFERENCES threads (id),
user_id integer NOT NULL REFERENCES users (id),
date timestamp without time zone NOT NULL,
content text
);
CREATE INDEX ON posts (thread_id);
CREATE INDEX ON posts (user_id);
Близько 80 users
тис. Записів у та 2,6 млн. Записів у posts
таблицях. Цей простий запит для отримання топ-100 користувачів за їх публікаціями займає 2,4 секунди :
EXPLAIN ANALYZE SELECT u.id, u.username, COUNT(p.id) AS PostCount FROM users u
INNER JOIN posts p on p.user_id = u.id
WHERE u.username IS NOT NULL
GROUP BY u.id
ORDER BY PostCount DESC LIMIT 100;
Limit (cost=316926.14..316926.39 rows=100 width=20) (actual time=2326.812..2326.830 rows=100 loops=1)
-> Sort (cost=316926.14..317014.83 rows=35476 width=20) (actual time=2326.809..2326.820 rows=100 loops=1)
Sort Key: (count(p.id)) DESC
Sort Method: top-N heapsort Memory: 32kB
-> HashAggregate (cost=315215.51..315570.27 rows=35476 width=20) (actual time=2311.296..2321.739 rows=34608 loops=1)
Group Key: u.id
-> Hash Join (cost=1176.89..308201.88 rows=1402727 width=16) (actual time=16.538..1784.546 rows=1910831 loops=1)
Hash Cond: (p.user_id = u.id)
-> Seq Scan on posts p (cost=0.00..286185.34 rows=1816634 width=8) (actual time=0.103..1144.681 rows=2173916 loops=1)
-> Hash (cost=733.44..733.44 rows=35476 width=12) (actual time=15.763..15.763 rows=34609 loops=1)
Buckets: 65536 Batches: 1 Memory Usage: 2021kB
-> Seq Scan on users u (cost=0.00..733.44 rows=35476 width=12) (actual time=0.033..6.521 rows=34609 loops=1)
Filter: (username IS NOT NULL)
Rows Removed by Filter: 11335
Execution time: 2301.357 ms
З set enable_seqscan = false
ще гіршим:
Limit (cost=1160881.74..1160881.99 rows=100 width=20) (actual time=2758.086..2758.107 rows=100 loops=1)
-> Sort (cost=1160881.74..1160970.43 rows=35476 width=20) (actual time=2758.084..2758.098 rows=100 loops=1)
Sort Key: (count(p.id)) DESC
Sort Method: top-N heapsort Memory: 32kB
-> GroupAggregate (cost=0.79..1159525.87 rows=35476 width=20) (actual time=0.095..2749.859 rows=34608 loops=1)
Group Key: u.id
-> Merge Join (cost=0.79..1152157.48 rows=1402727 width=16) (actual time=0.036..2537.064 rows=1910831 loops=1)
Merge Cond: (u.id = p.user_id)
-> Index Scan using users_pkey on users u (cost=0.29..2404.83 rows=35476 width=12) (actual time=0.016..41.163 rows=34609 loops=1)
Filter: (username IS NOT NULL)
Rows Removed by Filter: 11335
-> Index Scan using posts_user_id_index on posts p (cost=0.43..1131472.19 rows=1816634 width=8) (actual time=0.012..2191.856 rows=2173916 loops=1)
Planning time: 1.281 ms
Execution time: 2758.187 ms
username
У Postgres групу відсутнє, тому що це не потрібно (SQL Server говорить, що я повинен групуватися, username
якщо хочу вибрати ім'я користувача). Групування з username
додає трохи мс до часу виконання Postgres або нічого не робить.
Для науки я встановив Microsoft SQL Server на той самий сервер (на якому запущено archlinux, 8 ядер xeon, 24 gb ram, ssd) і перемістив усі дані з Postgres - таку ж структуру таблиці, ті ж індекси, ті самі дані. Цей же запит, щоб отримати 100 найвищих плакатів, триває за 0,3 секунди :
SELECT TOP 100 u.id, u.username, COUNT(p.id) AS PostCount FROM dbo.users u
INNER JOIN dbo.posts p on p.user_id = u.id
WHERE u.username IS NOT NULL
GROUP BY u.id, u.username
ORDER BY PostCount DESC
Вихід однакових результатів отримується з тих же даних, але це робить у 8 разів швидше. І це бета-версія MS SQL на Linux, я думаю, що вона працює на "домашній" ОС - Windows Server - вона все-таки може бути швидшою.
Чи запит у PostgreSQL абсолютно невірний, чи PostgreSQL просто повільний?
додаткова інформація
Версія є майже новітньою (9.6.1, в даний час новітньою є 9.6.2, ArchLinux просто має застарілі пакети і дуже повільно оновлюється). Налаштування:
max_connections = 75
shared_buffers = 3584MB
effective_cache_size = 10752MB
work_mem = 24466kB
maintenance_work_mem = 896MB
dynamic_shared_memory_type = posix
min_wal_size = 1GB
max_wal_size = 2GB
checkpoint_completion_target = 0.9
wal_buffers = 16MB
default_statistics_target = 100
EXPLAIN ANALYZE
Виходи: https://pastebin.com/HxucRgnk
Перепробувавши всі індекси, використовуючи навіть GIN та GIST, найшвидший спосіб для PostgreSQL (і Googling підтверджує багато рядків) - використовувати послідовне сканування.
MS SQL Server 14.0.405.200-1, конф. За замовчуванням.
Я використовую це в API (з простим виділенням без аналізу), і при виклику цієї кінцевої точки API хромом, він говорить, що потрібно 2500 мс + -, додайте 50 мс HTTP та накладних накладних веб-серверів (API і SQL працюють на одному сервері) - це ж. Мене не хвилює 100 мс тут чи там, що мене хвилює дві цілі секунди.
explain analyze SELECT user_id, count(9) FROM posts group by user_id;
займає 700 мс. Розмір posts
столу - 2154 Мб.
GROUP BY u.id
на це GROUP BY p.user_id
і спробувати це? Я здогадуюсь, що Postgres приєднується до першого та групується за другим, оскільки ви групуєте за ідентифікатором таблиці користувачів, хоча вам потрібні лише повідомлення user_id, щоб отримати верхні N - рядки.
posts
таблиці, використовуючи таку таблицюCREATE TABLE post_content (post_id PRIMARY KEY REFERENCES posts (id), content text);
, що більшість вводу-виводу, які "витрачаються" на цей тип запитів, можуть бути збережені. Якщо повідомлень менше цього,VACUUM FULL
наposts
може допомогти.