如何为 5500 万条记录批量更新 postgres 中的单个列

Question

我想更新一列 postgres 表。记录大约有 5500 万条，因此我们需要分批更新 10000 条记录。 注意：我们要更新所有行。但我们不想锁定我们的表。

我正在尝试以下查询 -

Update account set name = Some name where id between 1 and 10000

我们如何为每 10000 条记录更新创建一个循环？

我们将不胜感激任何建议和帮助。

PostgreSQL 10.5

Answer 1

与其一次提交所有更改（或其他答案中建议的 5500 万次），我宁愿尝试小批量拆分更新行，例如10k 条记录，如您所建议的。在 PL/pgSQL 中，可以使用关键字BY 以给定的步骤迭代集合。因此，您可以像这样在anonymous code block 中进行批量更新：

PostgreSQL 11+

DO $$ 
DECLARE 
  page int := 10000;
  min_id bigint; max_id bigint;
BEGIN
  SELECT max(id),min(id) INTO max_id,min_id FROM account;
  FOR j IN min_id..max_id BY page LOOP 
    UPDATE account SET name = 'your magic goes here'
    WHERE id >= j AND id < j+page;
    COMMIT;            
  END LOOP;
END; $$;

• 您可能需要调整WHERE 子句以避免不必要的重叠。

---

测试

具有 1051 行且具有顺序 ID 的数据样本：

CREATE TABLE account (id int, name text);
INSERT INTO account VALUES(generate_series(0,1050),'untouched record..');

正在执行匿名代码块...

DO $$ 
DECLARE 
  page int := 100;
  min_id bigint; max_id bigint;
BEGIN
  SELECT max(id),min(id) INTO max_id,min_id FROM account;
  FOR j IN min_id..max_id BY page LOOP 
    UPDATE account SET name = now() ||' -> UPDATED ' || j  || ' to ' || j+page
    WHERE id >= j AND id < j+page;
    RAISE INFO 'committing data from % to % at %', j,j+page,now();
    COMMIT;            
  END LOOP;
END; $$;
    
INFO:  committing data from 0 to 100 at 2021-04-14 17:35:42.059025+02
INFO:  committing data from 100 to 200 at 2021-04-14 17:35:42.070274+02
INFO:  committing data from 200 to 300 at 2021-04-14 17:35:42.07806+02
INFO:  committing data from 300 to 400 at 2021-04-14 17:35:42.087201+02
INFO:  committing data from 400 to 500 at 2021-04-14 17:35:42.096548+02
INFO:  committing data from 500 to 600 at 2021-04-14 17:35:42.105876+02
INFO:  committing data from 600 to 700 at 2021-04-14 17:35:42.114514+02
INFO:  committing data from 700 to 800 at 2021-04-14 17:35:42.121946+02
INFO:  committing data from 800 to 900 at 2021-04-14 17:35:42.12897+02
INFO:  committing data from 900 to 1000 at 2021-04-14 17:35:42.134388+02
INFO:  committing data from 1000 to 1100 at 2021-04-14 17:35:42.13951+02

.. 你可以批量更新你的行。为了证明我的观点，以下查询按更新时间对记录进行分组：

SELECT DISTINCT ON (name) name, count(id)
FROM account 
GROUP BY name ORDER BY name;

                         name                         | count 
------------------------------------------------------+-------
 2021-04-14 17:35:42.059025+02 -> UPDATED 0 to 100    |   100
 2021-04-14 17:35:42.070274+02 -> UPDATED 100 to 200  |   100
 2021-04-14 17:35:42.07806+02 -> UPDATED 200 to 300   |   100
 2021-04-14 17:35:42.087201+02 -> UPDATED 300 to 400  |   100
 2021-04-14 17:35:42.096548+02 -> UPDATED 400 to 500  |   100
 2021-04-14 17:35:42.105876+02 -> UPDATED 500 to 600  |   100
 2021-04-14 17:35:42.114514+02 -> UPDATED 600 to 700  |   100
 2021-04-14 17:35:42.121946+02 -> UPDATED 700 to 800  |   100
 2021-04-14 17:35:42.12897+02 -> UPDATED 800 to 900   |   100
 2021-04-14 17:35:42.134388+02 -> UPDATED 900 to 1000 |   100
 2021-04-14 17:35:42.13951+02 -> UPDATED 1000 to 1100 |    51

演示：db<>fiddle

Answer 2

您可以使用procedure（从版本 11 开始提供）并一一进行，如下所示：

CREATE or replace PROCEDURE do_update()
LANGUAGE plpgsql
AS $$
BEGIN
    FOR i IN 1..55000000 -- 55 million, or whatever number you need
    LOOP 

        Update account set name = Some name where id = i;
        COMMIT;
        
        RAISE INFO 'id: %', i;
    END LOOP;
END;
$$;

CALL do_update();

Answer 3

设置测试环境：

DROP TABLE IF EXISTS account;
CREATE TABLE account(id integer, name text);

INSERT INTO account
VALUES (1, 'jonas'),(10002, 'petras');

更新脚本：

DO $$
DECLARE
  _id integer;
  _min_id integer;
  _max_id integer; 
  _batch_size integer = 10000;
BEGIN
  SELECT 
    MIN(id),
    MAX(id)
  INTO
    _min_id,
    _max_id
  FROM
    account;

  _id := _min_id;

  LOOP
    UPDATE account SET
      name = 'Some name' 
    WHERE id >=_id 
      AND id < _id + _batch_size;

    COMMIT;

    _id := _id + _batch_size;
    IF _id > _max_id THEN
      EXIT;
    END IF;
  END LOOP;
END;
$$;

Answer 4

但我们不想锁定我们的表。

在许多情况下都有意义但您没有透露您的实际设置。你甚至需要一把锁吗？是否有并发写入活动？如果没有，是否有足够的存储空间来写入该表的另一个副本？然后最好在后台构建一个新的原始更新表，然后切换并删除旧表。见：

• Best way to populate a new column in a large table?

假设表的并发写入活动。而且您不想长时间阻止太多。而且您想重用死元组来防止表膨胀和索引膨胀。所以批量更新是有道理的。您必须在批次之间使用COMMIT（和VACUUM），以便可以重复使用死元组占用的空间。并将写入分散到整个表中，以允许连续事务在同一块中产生和消耗死元组。

Postgres 11 或更新版本中的DO 语句中的过程或匿名代码块中允许使用事务控制语句（如COMMIT）。其他人则使用它来回答提供的解决方案。

autovacuum 应该以激进的设置运行，以便及时释放死元组以供重用。或者在某些时间间隔手动运行VACUUM - 但（当前）根本不能在事务上下文中运行（仅作为单个命令），因此在 PL/pgSQL 循环中是不可能的。

Postgres 10 或更早版本

目前还不允许在代码块中进行事务控制。不过，我们可以使用dblink 模拟自主事务。见：

• Does Postgres support nested or autonomous transactions?
• How do I do large non-blocking updates in PostgreSQL?
• Simulate CREATE DATABASE IF NOT EXISTS for PostgreSQL?

可能看起来像：

DO
$do$
DECLARE
   _cur  int := 0;  -- just start with 0 unless min is far off
   _step int := 10000;  -- batch size
   _max  CONSTANT int := (SELECT max(id) FROM account);  -- max id
   _val  CONSTANT text := 'SOME name';
BEGIN
   -- as superuser, or you must also provide the password for the current role;
   PERFORM dblink_connect('dbname=' || current_database());  -- current db

   LOOP
      RAISE NOTICE '%', _cur;
      PERFORM dblink_exec(  -- committed implicitly!
         $$
         UPDATE account
         SET    name = 'SOME name'
         WHERE  id BETWEEN _cur AND _cur + _step   -- gaps don't matter unless huge
         AND    name IS DISTINCT FROM 'SOME name'  -- avoid empty updates
         $$);

      
      _cur := _cur + _step;
      EXIT WHEN _cur > _max;          -- stop when done
   END LOOP;

   PERFORM dblink_disconnect();
END
$do$;

我还添加了另一个谓词：

     AND    name IS DISTINCT FROM 'SOME name'  -- avoid empty updates

跳过已具有新名称的行的空更新成本。只有当这种情况发生时才有用。见：

• How do I (or can I) SELECT DISTINCT on multiple columns?

您可能希望进一步拆分它，并在其间运行VACUUM。您可能希望使用除id（未聚集的列）之外的其他列进行选择，以便在整个表格中获得良好的分布。