Оптимізація "останнього" запиту в Postgres на 20 М рядках


10

Моя таблиця виглядає так:

    Column             |    Type           |    
-----------------------+-------------------+
 id                    | integer           | 
 source_id             | integer           | 
 timestamp             | integer           | 
 observation_timestamp | integer           | 
 value                 | double precision  | 

індекси існують у source_id, timetamp та у комбінації timetamp та id ( CREATE INDEX timeseries_id_timestamp_combo_idx ON timeseries (id, timeseries DESC NULLS LAST))

У ньому 20М рядків (Гаразд, є 120М, але 20М із source_id = 1). Він має багато записів для тих же timestampзі змінним observation_timestamp, які описують valueмісце в timestampповідомили або спостерігаються в observation_timestamp. Наприклад, температура прогнозована на завтра 2 вечора, як прогнозували сьогодні о 12 ранку.

В ідеалі ця таблиця добре виконує кілька речей:

  • пакетне вставлення нових записів, іноді по 100 К за один раз
  • вибір даних, спостережуваних за часовими діапазонами ("які прогнози температури за січень до березня")
  • вибір даних, спостережуваних за часовими діапазонами, як спостерігається з певного моменту ("який погляд на прогнози температури за січень до березня, як ми думали 1 листопада")

Другий - той, що є центральним у цьому питанні.

Дані в таблиці виглядатимуть наступним чином

id  source_id   timestamp   observation_timestamp   value
1   1           1531084900  1531083900              9999
2   1           1531084900  1531082900              1111
3   1           1531085900  1531083900              8888
4   1           1531085900  1531082900              7777
5   1           1531086900  1531082900              5555

і вихід запиту виглядатиме наступним чином (представлений лише рядок останньої позначки_нагляду)

id  source_id   timestamp   observation_timestamp   value
1   1           1531084900  1531083900              9999
3   1           1531085900  1531083900              8888
5   1           1531086900  1531082900              5555

Я вже консультувався з деякими матеріалами, щоб оптимізувати ці запити, а саме

... з обмеженим успіхом.

Я розглядав можливість створення окремої таблиці з timestampнею, тому її легше побічно посилатись, але через відносно високу кардинальність тих, хто сумнівається, чи допоможуть вони мені - крім того, я переживаю, що це буде заважати досягти batch inserting new entries.


Я переглядаю три запити, і всі вони дають мені погану ефективність

  • Рекурсивний CTE з LATERAL приєднується
  • Функція вікна
  • ВИМКНЕНО

(Я знаю, що наразі вони не дуже роблять те саме, але наскільки я бачу, вони служать гарною ілюстрацією до типу запитів.)

Рекурсивний CTE з LATERAL приєднується

WITH RECURSIVE cte AS (
    (
        SELECT ts
        FROM timeseries ts
        WHERE source_id = 1
        ORDER BY id, "timestamp" DESC NULLS LAST
        LIMIT 1
    )
    UNION ALL
    SELECT (
        SELECT ts1
        FROM timeseries ts1
        WHERE id > (c.ts).id
        AND source_id = 1
        ORDER BY id, "timestamp" DESC NULLS LAST
        LIMIT 1
    )
    FROM cte c
    WHERE (c.ts).id IS NOT NULL
)
SELECT (ts).*
FROM cte
WHERE (ts).id IS NOT NULL
ORDER BY (ts).id;

Продуктивність:

Sort  (cost=164999681.98..164999682.23 rows=100 width=28)
  Sort Key: ((cte.ts).id)
  CTE cte
    ->  Recursive Union  (cost=1653078.24..164999676.64 rows=101 width=52)
          ->  Subquery Scan on *SELECT* 1  (cost=1653078.24..1653078.26 rows=1 width=52)
                ->  Limit  (cost=1653078.24..1653078.25 rows=1 width=60)
                      ->  Sort  (cost=1653078.24..1702109.00 rows=19612304 width=60)
                            Sort Key: ts.id, ts.timestamp DESC NULLS LAST
                            ->  Bitmap Heap Scan on timeseries ts  (cost=372587.92..1555016.72 rows=19612304 width=60)
                                  Recheck Cond: (source_id = 1)
                                  ->  Bitmap Index Scan on ix_timeseries_source_id  (cost=0.00..367684.85 rows=19612304 width=0)
                                        Index Cond: (source_id = 1)
          ->  WorkTable Scan on cte c  (cost=0.00..16334659.64 rows=10 width=32)
                Filter: ((ts).id IS NOT NULL)
                SubPlan 1
                  ->  Limit  (cost=1633465.94..1633465.94 rows=1 width=60)
                        ->  Sort  (cost=1633465.94..1649809.53 rows=6537435 width=60)
                              Sort Key: ts1.id, ts1.timestamp DESC NULLS LAST
                              ->  Bitmap Heap Scan on timeseries ts1  (cost=369319.21..1600778.77 rows=6537435 width=60)
                                    Recheck Cond: (source_id = 1)
                                    Filter: (id > (c.ts).id)
                                    ->  Bitmap Index Scan on ix_timeseries_source_id  (cost=0.00..367684.85 rows=19612304 width=0)
                                          Index Cond: (source_id = 1)
  ->  CTE Scan on cte  (cost=0.00..2.02 rows=100 width=28)
        Filter: ((ts).id IS NOT NULL)

(Тільки EXPLAIN, EXPLAIN ANALYZEне вдалося завершити, взяв> 24г до повного запиту)

Функція вікна

WITH summary AS (
  SELECT ts.id, ts.source_id, ts.value,
    ROW_NUMBER() OVER(PARTITION BY ts.timestamp ORDER BY ts.observation_timestamp DESC) AS rn
  FROM timeseries ts
  WHERE source_id = 1
)
SELECT s.*
FROM summary s
WHERE s.rn = 1;

Продуктивність:

CTE Scan on summary s  (cost=5530627.97..5971995.66 rows=98082 width=24) (actual time=150368.441..226331.286 rows=88404 loops=1)
  Filter: (rn = 1)
  Rows Removed by Filter: 20673704
  CTE summary
    ->  WindowAgg  (cost=5138301.13..5530627.97 rows=19616342 width=32) (actual time=150368.429..171189.504 rows=20762108 loops=1)
          ->  Sort  (cost=5138301.13..5187341.98 rows=19616342 width=24) (actual time=150368.405..165390.033 rows=20762108 loops=1)
                Sort Key: ts.timestamp, ts.observation_timestamp DESC
                Sort Method: external merge  Disk: 689752kB
                ->  Bitmap Heap Scan on timeseries ts  (cost=372675.22..1555347.49 rows=19616342 width=24) (actual time=2767.542..50399.741 rows=20762108 loops=1)
                      Recheck Cond: (source_id = 1)
                      Rows Removed by Index Recheck: 217784
                      Heap Blocks: exact=48415 lossy=106652
                      ->  Bitmap Index Scan on ix_timeseries_source_id  (cost=0.00..367771.13 rows=19616342 width=0) (actual time=2757.245..2757.245 rows=20762630 loops=1)
                            Index Cond: (source_id = 1)
Planning time: 0.186 ms
Execution time: 234883.090 ms

ВИМКНЕНО

SELECT DISTINCT ON (timestamp) *
FROM timeseries
WHERE source_id = 1
ORDER BY timestamp, observation_timestamp DESC;

Продуктивність:

Unique  (cost=5339449.63..5437531.34 rows=15991 width=28) (actual time=112653.438..121397.944 rows=88404 loops=1)
  ->  Sort  (cost=5339449.63..5388490.48 rows=19616342 width=28) (actual time=112653.437..120175.512 rows=20762108 loops=1)
        Sort Key: timestamp, observation_timestamp DESC
        Sort Method: external merge  Disk: 770888kB
        ->  Bitmap Heap Scan on timeseries  (cost=372675.22..1555347.49 rows=19616342 width=28) (actual time=2091.585..56109.942 rows=20762108 loops=1)
              Recheck Cond: (source_id = 1)
              Rows Removed by Index Recheck: 217784
              Heap Blocks: exact=48415 lossy=106652
              ->  Bitmap Index Scan on ix_timeseries_source_id  (cost=0.00..367771.13 rows=19616342 width=0) (actual time=2080.054..2080.054 rows=20762630 loops=1)
                    Index Cond: (source_id = 1)
Planning time: 0.132 ms
Execution time: 161651.006 ms

Як я повинен структурувати свої дані, чи є сканування, яких не повинно бути, чи взагалі можна отримати ці запити до ~ 1s (замість ~ 120s)?

Чи є інший спосіб запиту даних для отримання бажаних результатів?

Якщо ні, то на яку іншу інфраструктуру / архітектуру я повинен дивитись?


По суті, ви хочете, це сканування з вільним покажчиком або сканування. Ці найближчі. Ви можете застосувати виправлення зараз, якщо ви хочете заблукати з ним postgresql-archive.org/Index-Skip-Scan-td6025532.html це майже місяць: = P
Еван Керролл

Livin 'on the edge @EvanCarroll = P - це здається мені занадто рано, враховуючи, що я використовую Postgres у Azure, навіть не здійсненний.
Pepijn Schoen

Будь ласка, покажіть ПОЯСНЕННЯ планів аналізу без обмежень (оскільки саме для цього потрібно оптимізувати), але із змінами, які я рекомендував у своїй першій відповіді. Але без ОБМЕЖЕННЯ, я думаю, ви вимагаєте зробити неможливий обсяг роботи за ~ 1 с. Можливо, ви можете попередньо обчислити деякі речі.
jjanes

@jjanes абсолютно - дякую за пропозицію. Я зараз зняв питання LIMITз цього питання, і додав висновок з EXPLAIN ANALYZE(тільки EXPLAINз recursiveбоку)
Pepijn Schoen

Відповіді:


1

З вашим рекурсивним запитом CTE фінал ORDER BY (ts).idнепотрібний, оскільки CTE автоматично створює їх у такому порядку. Якщо видалити цей запит набагато швидше, він може зупинитися рано, а не генерувати 20 180 582 рядків, щоб викинути всі, крім 500. Крім того, побудова індексу (source_id, id, timestamp desc nulls last)має додатково покращити його.

Для інших двох запитів допоможе збільшити work_mem, щоб растрові карти вписалися в пам'ять (щоб позбутися втрачених блоків купи). Але не стільки, скільки користувацькі індекси, такі як (source_id, "timestamp", observation_timestamp DESC)або ще краще для сканування лише індексів (source_id, "timestamp", observation_timestamp DESC, value, id).


Дякую за пропозицію - я неодмінно вивчу власну індексацію, як ви пропонуєте. Для LIMIT 500мене було призначено обмежити вихід, але у виробничому коді цього не відбувається. Я відредагую свою публікацію, щоб це відобразити.
Pepijn Schoen

За відсутності LIMIT, індекси можуть бути набагато менш ефективними. Але все ж варто спробувати.
jjanes

Ви маєте рацію - з LIMITвашими пропозиціями та на даний момент виконання 356.482 ms( Index Scan using ix_timeseries_source_id_timestamp_observation_timestamp on timeseries (cost=0.57..62573201.42 rows=18333374 width=28) (actual time=174.098..356.097 rows=2995 loops=1)), але без LIMITцього, як і раніше. Як я також міг би скористатися тим Index Scan, а не тим Bitmap Index/Heap Scan?
Pepijn Schoen
Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.