Tabel saya terlihat sebagai berikut:
Column | Type |
-----------------------+-------------------+
id | integer |
source_id | integer |
timestamp | integer |
observation_timestamp | integer |
value | double precision |
indeks ada di source_id, timestamp, dan pada kombinasi timestamp dan id ( CREATE INDEX timeseries_id_timestamp_combo_idx ON timeseries (id, timeseries DESC NULLS LAST)
)
Ada 20M baris di dalamnya (OK, ada 120M, tapi 20M dengan source_id = 1). Ini memiliki banyak entri untuk hal yang sama timestamp
dengan beragam observation_timestamp
, yang menggambarkan suatu kejadian value
di timestamp
dilaporkan atau diamati di observation_timestamp
. mis. Temperatur diprediksi untuk besok jam 2 siang seperti yang diprediksi hari ini jam 12 pagi.
Idealnya tabel ini melakukan beberapa hal dengan baik:
- memasukkan entri baru, kadang-kadang 100K dalam satu waktu
- memilih data yang diamati untuk timerang ("berapa prediksi suhu untuk Januari hingga Maret")
- memilih data yang diamati untuk bumerang yang diamati dari titik tertentu ("apa pandangan prediksi suhu untuk Januari hingga Maret seperti yang kita pikirkan pada 1 November")
Yang kedua adalah yang menjadi pusat pertanyaan ini.
Data dalam tabel akan terlihat seperti berikut ini
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
dan output dari kueri akan terlihat seperti berikut (hanya baris dari pengamatan_timestamp terbaru yang diwakili)
id source_id timestamp observation_timestamp value
1 1 1531084900 1531083900 9999
3 1 1531085900 1531083900 8888
5 1 1531086900 1531082900 5555
Saya sudah berkonsultasi dengan beberapa materi sebelumnya untuk mengoptimalkan pertanyaan ini, yaitu
- /programming/25536422/optimize-group-by-query-to-retrieve-latest-record-per-user/25536748#25536748
- Bagaimana membuat DISTINCT ON lebih cepat di PostgreSQL?
- /programming/3800551/select-first-row-in-each-group-by-group
... dengan kesuksesan terbatas.
Saya telah mempertimbangkan membuat tabel terpisah dengan timestamp
di dalamnya sehingga lebih mudah untuk referensi lateral, tetapi karena kardinalitas yang relatif tinggi dari mereka yang saya ragu apakah mereka akan membantu saya - selain itu saya khawatir itu akan menghalangi untuk menyelesaikannya batch inserting new entries
.
Saya melihat tiga pertanyaan, dan semuanya memberi saya kinerja yang buruk
- CTE rekursif dengan LATERAL bergabung
- Fungsi jendela
- HUBUNGI ON
(Saya sadar mereka tidak cukup melakukan hal yang sama saat ini, tetapi mereka berfungsi sebagai ilustrasi yang bagus dari jenis pertanyaan sejauh yang saya lihat.)
CTE rekursif dengan LATERAL bergabung
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;
Kinerja:
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)
(hanya EXPLAIN
, EXPLAIN ANALYZE
tidak bisa menyelesaikan, butuh> 24 jam untuk menyelesaikan permintaan)
Fungsi jendela
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;
Kinerja:
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
HUBUNGI ON
SELECT DISTINCT ON (timestamp) *
FROM timeseries
WHERE source_id = 1
ORDER BY timestamp, observation_timestamp DESC;
Kinerja:
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
Bagaimana saya harus menyusun data saya, apakah ada pemindaian yang seharusnya tidak ada, apakah secara umum memungkinkan untuk mendapatkan kueri ini hingga ~ 1s (bukannya ~ 120s)?
Apakah ada cara berbeda untuk menanyakan data untuk mendapatkan hasil yang saya inginkan?
Jika tidak, infrastruktur / arsitektur apa yang harus saya perhatikan?
LIMIT
dari pertanyaan sekarang, dan menambahkan output dengan EXPLAIN ANALYZE
(hanya EXPLAIN
pada recursive
bagiannya saja)