优化 postgres 相似度查询（pg_trgm + gin index）

Question

我已经定义了以下索引：

CREATE INDEX
    users_search_idx
ON
    auth_user
USING
    gin(
        username gin_trgm_ops,
        first_name gin_trgm_ops,
        last_name gin_trgm_ops
    );

我正在执行以下查询：

PREPARE user_search (TEXT, INT) AS
    SELECT
        username,
        email,
        first_name,
        last_name,
        ( -- would probably do per-field weightings here
            s_username + s_first_name + s_last_name
        ) rank
    FROM
        auth_user,
        similarity(username, $1) s_username,
        similarity(first_name, $1) s_first_name,
        similarity(last_name, $1) s_last_name
    WHERE
        username % $1 OR
        first_name % $1 OR
        last_name % $1
    ORDER BY
        rank DESC
    LIMIT $2;

auth_user 表有 620 万行。

查询的速度似乎在很大程度上取决于similarity 查询可能返回的结果数量。

通过set_limit 提高相似度阈值会有所帮助，但会通过消除部分匹配降低结果的有用性。

有些搜索会在 200 毫秒内返回，有些则需要 10 秒左右。

我们已经使用 Elasticsearch 实现了此功能，它可以在

我想知道是否有任何方法可以改进这一点以获得更一致的性能？

据我了解，GIN 索引（倒排索引）与 Elasticsearch 使用的基本方法相同，因此我认为可以进行一些优化。

EXPLAIN ANALYZE EXECUTE user_search('mel', 20) 显示：

Limit  (cost=54099.81..54099.86 rows=20 width=52) (actual time=10302.092..10302.104 rows=20 loops=1)
  ->  Sort  (cost=54099.81..54146.66 rows=18739 width=52) (actual time=10302.091..10302.095 rows=20 loops=1)
        Sort Key: (((s_username.s_username + s_first_name.s_first_name) + s_last_name.s_last_name)) DESC
        Sort Method: top-N heapsort  Memory: 26kB
        ->  Nested Loop  (cost=382.74..53601.17 rows=18739 width=52) (actual time=118.164..10293.765 rows=8380 loops=1)
              ->  Nested Loop  (cost=382.74..53132.69 rows=18739 width=56) (actual time=118.150..10262.804 rows=8380 loops=1)
                    ->  Nested Loop  (cost=382.74..52757.91 rows=18739 width=52) (actual time=118.142..10233.990 rows=8380 loops=1)
                          ->  Bitmap Heap Scan on auth_user  (cost=382.74..52383.13 rows=18739 width=48) (actual time=118.128..10186.816 rows=8380loops=1)"
                                Recheck Cond: (((username)::text % 'mel'::text) OR ((first_name)::text % 'mel'::text) OR ((last_name)::text %'mel'::text))"
                                Rows Removed by Index Recheck: 2434523
                                Heap Blocks: exact=49337 lossy=53104
                                ->  BitmapOr  (cost=382.74..382.74 rows=18757 width=0) (actual time=107.436..107.436 rows=0 loops=1)
                                      ->  Bitmap Index Scan on users_search_idx  (cost=0.00..122.89 rows=6252 width=0) (actual time=40.200..40.200rows=88908 loops=1)"
                                            Index Cond: ((username)::text % 'mel'::text)
                                      ->  Bitmap Index Scan on users_search_idx  (cost=0.00..122.89 rows=6252 width=0) (actual time=43.847..43.847rows=102028 loops=1)"
                                            Index Cond: ((first_name)::text % 'mel'::text)
                                      ->  Bitmap Index Scan on users_search_idx  (cost=0.00..122.89 rows=6252 width=0) (actual time=23.387..23.387rows=58740 loops=1)"
                                            Index Cond: ((last_name)::text % 'mel'::text)
                          ->  Function Scan on similarity s_username  (cost=0.00..0.01 rows=1 width=4) (actual time=0.004..0.004 rows=1 loops=8380)
                    ->  Function Scan on similarity s_first_name  (cost=0.00..0.01 rows=1 width=4) (actual time=0.002..0.002 rows=1 loops=8380)
              ->  Function Scan on similarity s_last_name  (cost=0.00..0.01 rows=1 width=4) (actual time=0.002..0.002 rows=1 loops=8380)
Execution time: 10302.559 ms

服务器是在 Amazon RDS 上运行的 Postgres 9.6.1

更新

1.

发布问题后不久，我发现了以下信息：https://www.postgresql.org/message-id/464F3C5D.2000700@enterprisedb.com

所以我尝试了

-> SHOW work_mem;
4MB
-> SET work_mem='12MB';
-> EXECUTE user_search('mel', 20);
(results returned in ~1.5s)

这取得了很大的进步（之前 > 10 秒）！

对于类似的查询，1.5s 仍然比 ES 慢很多，所以我仍然想听听任何优化查询的建议。

2.

针对 cme​​ts，在看到这个问题 (Postgresql GIN index slower than GIST for pg_trgm) 后，我尝试了完全相同的设置，用 GIST 索引代替 GIN 索引。

尝试与上面相同的搜索，它在大约 3.5 秒内返回，使用默认 work_mem='4MB'。增加work_mem 没有任何区别。

由此我得出结论，GIST 索引的内存效率更高（没有像 GIN 那样遇到病态情况），但是当 GIN 正常工作时，它比 GIN 慢。这与推荐 GIN 索引的文档中的描述一致。

3.

我还是不明白为什么要花这么多时间：

 ->  Bitmap Heap Scan on auth_user  (cost=382.74..52383.13 rows=18739 width=48) (actual time=118.128..10186.816 rows=8380loops=1)"
     Recheck Cond: (((username)::text % 'mel'::text) OR ((first_name)::text % 'mel'::text) OR ((last_name)::text %'mel'::text))"
     Rows Removed by Index Recheck: 2434523
     Heap Blocks: exact=49337 lossy=53104

我不明白为什么需要这一步或它在做什么。

对于每个username % $1 子句，它下面都有三个Bitmap Index Scan...然后这些结果与BitmapOr 步骤相结合。这些部分都非常快。

但即使在我们没有用完工作内存的情况下，我们仍然在Bitmap Heap Scan 上花费了将近一秒钟的时间。

Answer 1

我希望通过这种方法获得更快的结果：

1.

创建一个 GiST 索引，其中 1 列包含连接值：

CREATE INDEX users_search_idx ON auth_user
USING gist((username || ' ' || first_name || ' ' || last_name) gist_trgm_ops);

这假定所有 3 列都定义为 NOT NULL（您没有指定）。否则你需要做更多。
为什么不用concat_ws() 简化呢？

• Combine two columns and add into one new column
• Faster query with pattern-matching on multiple text fields
• Combine two columns and add into one new column

2.

使用正确的nearest-neighbor 查询，匹配上面的索引：

SELECT username, email, first_name, last_name
     , similarity(username  , $1) AS s_username
     , similarity(first_name, $1) AS s_first_name
     , similarity(last_name , $1) AS s_last_name
     , row_number() OVER () AS rank  -- greatest similarity first
FROM   auth_user
WHERE     (username || ' ' || first_name || ' ' || last_name) %   $1  -- !!
ORDER  BY (username || ' ' || first_name || ' ' || last_name) <-> $1  -- !!
LIMIT  $2;

WHERE 和 ORDER BY 中的表达式必须匹配索引表达式！

特别是ORDER BY rank（就像您拥有的那样）对于从更大的合格行池中挑选的小型LIMIT 总是表现不佳，因为它不能直接使用索引：rank 背后的复杂表达式有要为每个符合条件的行进行计算，则必须先对所有符合条件的行进行排序，然后才能返回一小部分最佳匹配。这比真正的最近邻查询要贵得多，后者可以直接从索引中挑选最佳结果，甚至无需查看其余部分。

带有空窗口定义的row_number() 仅反映同一SELECT 的ORDER BY 产生的排序。

相关答案：

• Best index for similarity function
• Search in 300 million addresses with pg_trgm

---

至于您的3.，我添加了对您引用的问题的答案，应该可以解释一下：

• PostgreSQL GIN index slower than GIST for pg_trgm?