ST_Distance tidak menggunakan indeks untuk kueri spasial

10

Saya tidak bisa menjalankan PostGIS 2.1 di PostgreSQL 9.3.5 untuk menggunakan indeks spasial bahkan untuk pertanyaan paling sederhana. The seluruh dataset adalah 8 juta poin (populasi jumlah grid dari sini) . Tabel dibuat sebagai

CREATE TABLE points (
    population DOUBLE PRECISION NOT NULL,
    location GEOGRAPHY(4326, POINT) NOT NULL
)
CREATE INDEX points_gix ON points USING GIST(location);

Pertanyaannya sangat sederhana

SELECT SUM(population)
FROM points
WHERE ST_Distance(
    location,
    ST_GeographyFromText('SRID=4326; POINT(0 0)')
) < 1000

PostgreSQL selalu menggunakan pemindaian Seq untuk itu, saya sudah mencoba bagian dengan 10.000 poin - masih pemindaian Seq. Ada ide?

postgis  postgresql  spatial-index  st-distance  st-dwithin 
— sinaps
sumber
3
Anda tidak menggunakan fungsi apa pun yang dapat menggunakan indeks. Gunakan st_dwithin sebagai gantinya. Kemudian fungsinya akan melakukan pemindaian indeks terlebih dahulu.
— Nicklas Avén
Pikirkan apa yang dilakukan kueri Anda - hitung jarak dari setiap titik dalam tabel ke titik tetap - dan Anda akan memahami mengapa tidak ada indeks yang dapat digunakan. Alih-alih menggunakan operator yang dapat menggunakan indeks, seperti ST_DWithin
— Vince

Jawaban:

19

ST_Distance sebenarnya menghitung jarak antara semua pasangan titik, jadi, dengan demikian, tidak ada indeks yang dapat digunakan. Jadi kueri Anda akan melakukan pemindaian berurutan dan kemudian memilih geometri yang kurang dari jarak yang Anda tentukan. Anda mencari ST_DWithin , yang memang menggunakan indeks.

SELECT SUM(population) FROM points 
WHERE ST_DWithin(location, ST_GeographyFromText('SRID=4326; POINT(0 0)'), 1000);

ST_Distance lebih berguna untuk memesan hasil, seringkali dalam hubungannya dengan ORDER BY dan / atau LIMIT, yang telah diperoleh dengan kueri yang menggunakan indeks.

— John Powell
sumber
1
Terima kasih. Saya benar-benar harus membaca dokumen sebelum mengajukan pertanyaan.
— sinaps
1
WOW! TERIMA KASIH! Anda hanya "mempercepat" kueri lambat saya seperti 100x lipat atau lebih karena mengubah st_distance ke st_dwithin. (Saya katakan "dipercepat" karena ini seharusnya tidak pernah terjadi sejak awal jika saya lebih berhati-hati)
— Hendy Irawan
1
@HendyIrawan. Sama sama. Ini adalah kesalahan yang mudah dibuat.
— John Powell
@ JohnPowellakaBarça Saya menambahkan optimasi lain (meskipun sangat lossy , saya menambahkan jawaban untuk kasus saya) tetapi Anda memang mengarahkan saya ke arah yang benar, terima kasih.
— Hendy Irawan
4

Seperti yang dikatakan JohnPowellakaBarça ST_DWithin()adalah cara untuk pergi ketika Anda menginginkan kebenaran .

Namun dalam kasus saya, saya hanya ingin perkiraan kasar sehingga bahkan ST_DWithin()terlalu mahal (dalam biaya permintaan) untuk kebutuhan saya. Saya menggunakan &&dan ST_Expand(box2d)(jangan salah ini dengan geometryversi) sebagai gantinya. Contoh:

SELECT * FROM profile
  WHERE
    address_point IS NOT NULL AND
    address_point && CAST(ST_Expand(CAST(ST_GeomFromText(:point) AS box2d), 0.5) AS geometry;

Apa yang akan segera jelas adalah bahwa kita berhadapan dengan derajat bukannya meter, dan menggunakan kotak pembatas alih-alih lingkaran dalam sebuah bola bulat. Untuk kasus penggunaan saya, ini mengurangi dari 24 ms menjadi hanya 2 ms (secara lokal di SSD). Namun untuk basis data produksi saya di AWS RDS PostgreSQL dengan koneksi bersamaan dan kuota IOPS yang sangat murah (100 IOPS), ST_DWithin()kueri asli menghabiskan terlalu banyak IOPS dan dapat mengeksekusi lebih dari 2000 ms dan jauh lebih buruk ketika kuota IOPS habis.

Ini bukan untuk semua orang tetapi jika Anda dapat mengorbankan akurasi untuk kecepatan (atau untuk menyelamatkan IOPS), maka pendekatan ini mungkin untuk Anda. Seperti yang Anda lihat dalam rencana kueri di bawah ini, ST_DWithinmasih memerlukan Filter spasial di dalam Bitmap Heap Scan selain Recheck Cond, sedangkan &&pada kotak geometri tidak memerlukan Filter dan hanya menggunakan Recheck Cond.

Saya juga memperhatikan bahwa yang IS NOT NULLpenting, tanpa itu Anda akan dibiarkan dengan rencana kueri yang lebih buruk. Tampaknya indeks GIST tidak "cukup pintar" untuk ini. (tentu saja itu tidak diperlukan jika kolom Anda NOT NULL, dalam kasus saya itu NULLbisa)

20000 baris tabel, ST_DWithin(geography, geography, 100000, FALSE)pada AWS RDS 512 MB RAM dengan 300 IOPS:

Aggregate  (cost=4.61..4.62 rows=1 width=8) (actual time=2011.358..2011.358 rows=1 loops=1)
  ->  Bitmap Heap Scan on matchprofile  (cost=2.83..4.61 rows=1 width=0) (actual time=1735.025..2010.635 rows=1974 loops=1)
        Recheck Cond: (((address_point IS NOT NULL) AND (address_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography)) OR ((hometown_point IS NOT NULL) AND (hometown_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography)))
        Filter: (((status)::text = 'ACTIVE'::text) AND ((gender)::text = 'MALE'::text) AND (((address_point IS NOT NULL) AND (address_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography) AND ('0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography && _st_expand(address_point, '100000'::double precision)) AND _st_dwithin(address_point, '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography, '100000'::double precision, false)) OR ((hometown_point IS NOT NULL) AND (hometown_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography) AND ('0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography && _st_expand(hometown_point, '100000'::double precision)) AND _st_dwithin(hometown_point, '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography, '100000'::double precision, false))))
        Rows Removed by Filter: 3323
        Heap Blocks: exact=7014
        ->  BitmapOr  (cost=2.83..2.83 rows=1 width=0) (actual time=1716.425..1716.425 rows=0 loops=1)
              ->  Bitmap Index Scan on ik_matchprofile_address_point  (cost=0.00..1.42 rows=1 width=0) (actual time=1167.698..1167.698 rows=16086 loops=1)
                    Index Cond: ((address_point IS NOT NULL) AND (address_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography))
              ->  Bitmap Index Scan on ik_matchprofile_hometown_point  (cost=0.00..1.42 rows=1 width=0) (actual time=548.723..548.723 rows=7846 loops=1)
                    Index Cond: ((hometown_point IS NOT NULL) AND (hometown_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography))
Planning time: 47.366 ms
Execution time: 2011.429 ms

20000 baris tabel, &&dan ST_Expand(box2d)pada AWS RDS 512 MB RAM dengan 300 IOPS:

Aggregate  (cost=3.85..3.86 rows=1 width=8) (actual time=584.346..584.346 rows=1 loops=1)
  ->  Bitmap Heap Scan on matchprofile  (cost=2.83..3.85 rows=1 width=0) (actual time=555.048..584.083 rows=1154 loops=1)
        Recheck Cond: (((address_point IS NOT NULL) AND (address_point && '0103000020E61000000100000005000000744694F606C75A40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A819C0744694F606075B40D49AE61DA7A819C0744694F606075B40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A81DC0'::geography)) OR ((hometown_point IS NOT NULL) AND (hometown_point && '0103000020E61000000100000005000000744694F606C75A40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A819C0744694F606075B40D49AE61DA7A819C0744694F606075B40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A81DC0'::geography)))
        Filter: (((status)::text = 'ACTIVE'::text) AND ((gender)::text = 'MALE'::text))
        Rows Removed by Filter: 555
        Heap Blocks: exact=3812
        ->  BitmapOr  (cost=2.83..2.83 rows=1 width=0) (actual time=553.091..553.091 rows=0 loops=1)
              ->  Bitmap Index Scan on ik_matchprofile_address_point  (cost=0.00..1.42 rows=1 width=0) (actual time=413.074..413.074 rows=4850 loops=1)
                    Index Cond: ((address_point IS NOT NULL) AND (address_point && '0103000020E61000000100000005000000744694F606C75A40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A819C0744694F606075B40D49AE61DA7A819C0744694F606075B40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A81DC0'::geography))
              ->  Bitmap Index Scan on ik_matchprofile_hometown_point  (cost=0.00..1.42 rows=1 width=0) (actual time=140.014..140.014 rows=3100 loops=1)
                    Index Cond: ((hometown_point IS NOT NULL) AND (hometown_point && '0103000020E61000000100000005000000744694F606C75A40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A819C0744694F606075B40D49AE61DA7A819C0744694F606075B40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A81DC0'::geography))
Planning time: 0.673 ms
Execution time: 584.386 ms

Lagi dengan permintaan yang lebih sederhana:

20000 baris tabel, ST_DWithin(geography, geography, 100000, FALSE)pada AWS RDS 512 MB RAM dengan 300 IOPS:

Aggregate  (cost=4.60..4.61 rows=1 width=8) (actual time=36.448..36.448 rows=1 loops=1)
  ->  Bitmap Heap Scan on matchprofile  (cost=2.83..4.60 rows=1 width=0) (actual time=7.694..35.545 rows=2982 loops=1)
        Recheck Cond: (((address_point IS NOT NULL) AND (address_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography)) OR ((hometown_point IS NOT NULL) AND (hometown_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography)))
        Filter: (((address_point IS NOT NULL) AND (address_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography) AND ('0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography && _st_expand(address_point, '100000'::double precision)) AND _st_dwithin(address_point, '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography, '100000'::double precision, true)) OR ((hometown_point IS NOT NULL) AND (hometown_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography) AND ('0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography && _st_expand(hometown_point, '100000'::double precision)) AND _st_dwithin(hometown_point, '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography, '100000'::double precision, true)))
        Rows Removed by Filter: 2322
        Heap Blocks: exact=2947
        ->  BitmapOr  (cost=2.83..2.83 rows=1 width=0) (actual time=7.197..7.197 rows=0 loops=1)
              ->  Bitmap Index Scan on ik_matchprofile_address_point  (cost=0.00..1.41 rows=1 width=0) (actual time=5.265..5.265 rows=5680 loops=1)
                    Index Cond: ((address_point IS NOT NULL) AND (address_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography))
              ->  Bitmap Index Scan on ik_matchprofile_hometown_point  (cost=0.00..1.41 rows=1 width=0) (actual time=1.930..1.930 rows=2743 loops=1)
                    Index Cond: ((hometown_point IS NOT NULL) AND (hometown_point && '0101000020E6100000744694F606E75A40D49AE61DA7A81BC0'::geography))
Planning time: 0.479 ms
Execution time: 36.512 ms

20000 baris tabel, &&dan ST_Expand(box2d)pada AWS RDS 512 MB RAM dengan 300 IOPS:

Aggregate  (cost=3.84..3.85 rows=1 width=8) (actual time=6.263..6.264 rows=1 loops=1)
  ->  Bitmap Heap Scan on matchprofile  (cost=2.83..3.84 rows=1 width=0) (actual time=4.295..5.864 rows=1711 loops=1)
        Recheck Cond: (((address_point IS NOT NULL) AND (address_point && '0103000020E61000000100000005000000744694F606C75A40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A819C0744694F606075B40D49AE61DA7A819C0744694F606075B40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A81DC0'::geography)) OR ((hometown_point IS NOT NULL) AND (hometown_point && '0103000020E61000000100000005000000744694F606C75A40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A819C0744694F606075B40D49AE61DA7A819C0744694F606075B40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A81DC0'::geography)))
        Heap Blocks: exact=1419
        ->  BitmapOr  (cost=2.83..2.83 rows=1 width=0) (actual time=4.122..4.122 rows=0 loops=1)
              ->  Bitmap Index Scan on ik_matchprofile_address_point  (cost=0.00..1.41 rows=1 width=0) (actual time=3.018..3.018 rows=1693 loops=1)
                    Index Cond: ((address_point IS NOT NULL) AND (address_point && '0103000020E61000000100000005000000744694F606C75A40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A819C0744694F606075B40D49AE61DA7A819C0744694F606075B40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A81DC0'::geography))
              ->  Bitmap Index Scan on ik_matchprofile_hometown_point  (cost=0.00..1.41 rows=1 width=0) (actual time=1.102..1.102 rows=980 loops=1)
                    Index Cond: ((hometown_point IS NOT NULL) AND (hometown_point && '0103000020E61000000100000005000000744694F606C75A40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A819C0744694F606075B40D49AE61DA7A819C0744694F606075B40D49AE61DA7A81DC0744694F606C75A40D49AE61DA7A81DC0'::geography))
Planning time: 0.399 ms
Execution time: 6.306 ms
— Hendy Irawan
sumber
1
Tulisan bagus dan menarik.
— John Powell
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.