在 postgres 上缓慢选择不同的查询答案

【问题标题】：Slow select distinct query on postgres在 postgres 上缓慢选择不同的查询
【发布时间】：2011-05-17 14:59:25
【问题描述】：

我在一个基本上收集日志信息的表上非常频繁地执行以下两个查询。两者都从大量行中选择不同的值，但其中的不同值少于 10 个。

我已经分析了页面完成的两个“不同”查询：

marchena=> explain select distinct auditrecor0_.bundle_id as col_0_0_ from audit_records auditrecor0_;
                                          QUERY PLAN                                          
----------------------------------------------------------------------------------------------
 HashAggregate  (cost=1070734.05..1070734.11 rows=6 width=21)
   ->  Seq Scan on audit_records auditrecor0_  (cost=0.00..1023050.24 rows=19073524 width=21)
(2 rows)

marchena=> explain select distinct auditrecor0_.server_name as col_0_0_ from audit_records auditrecor0_;
                                          QUERY PLAN                                          
----------------------------------------------------------------------------------------------
 HashAggregate  (cost=1070735.34..1070735.39 rows=5 width=13)
   ->  Seq Scan on audit_records auditrecor0_  (cost=0.00..1023051.47 rows=19073547 width=13)
(2 rows)

两者都对列进行序列扫描。但是，如果我关闭 enable_seqscan（尽管这个名称仅禁用对具有索引的列进行序列扫描），查询会使用索引，但速度会更慢：

marchena=> set enable_seqscan = off;
SET
marchena=> explain select distinct auditrecor0_.bundle_id as col_0_0_ from audit_records auditrecor0_;
                                                       QUERY PLAN                                                       
------------------------------------------------------------------------------------------------------------------------
 Unique  (cost=0.00..19613740.62 rows=6 width=21)
   ->  Index Scan using audit_bundle_idx on audit_records auditrecor0_  (cost=0.00..19566056.69 rows=19073570 width=21)
(2 rows)

marchena=> explain select distinct auditrecor0_.server_name as col_0_0_ from audit_records auditrecor0_;
                                                       QUERY PLAN                                                       
------------------------------------------------------------------------------------------------------------------------
 Unique  (cost=0.00..45851449.96 rows=5 width=13)
   ->  Index Scan using audit_server_idx on audit_records auditrecor0_  (cost=0.00..45803766.04 rows=19073570 width=13)
(2 rows)

bundle_id 和 server_name 列都有 btree 索引，我应该使用不同类型的索引来快速选择不同的值吗？

【问题讨论】：

标签： postgresql

【解决方案1】：

BEGIN; 
CREATE TABLE dist ( x INTEGER NOT NULL ); 
INSERT INTO dist SELECT random()*50 FROM generate_series( 1, 5000000 ); 
COMMIT;
CREATE INDEX dist_x ON dist(x);


VACUUM ANALYZE dist;
EXPLAIN ANALYZE SELECT DISTINCT x FROM dist;

HashAggregate  (cost=84624.00..84624.51 rows=51 width=4) (actual time=1840.141..1840.153 rows=51 loops=1)
   ->  Seq Scan on dist  (cost=0.00..72124.00 rows=5000000 width=4) (actual time=0.003..573.819 rows=5000000 loops=1)
 Total runtime: 1848.060 ms

PG 不能（还）使用不同的索引（跳过相同的值），但你可以这样做：

CREATE OR REPLACE FUNCTION distinct_skip_foo()
RETURNS SETOF INTEGER
LANGUAGE plpgsql STABLE 
AS $$
DECLARE
    _x  INTEGER;
BEGIN
    _x := min(x) FROM dist;
    WHILE _x IS NOT NULL LOOP
        RETURN NEXT _x;
        _x := min(x) FROM dist WHERE x > _x;
    END LOOP;
END;
$$ ;

EXPLAIN ANALYZE SELECT * FROM distinct_skip_foo();
Function Scan on distinct_skip_foo  (cost=0.00..260.00 rows=1000 width=4) (actual time=1.629..1.635 rows=51 loops=1)
 Total runtime: 1.652 ms

【讨论】：

此行为是否特定于版本？在 9.0.2 上，我得到了与你相同的执行计划，但我的函数扫描比我的顺序扫描长 15 倍。 ("PostgreSQL 9.0.2, Visual C++ build 1500, 32-bit 编译")
你做了吗：“在 dist(x) 上创建索引 dist_x; VACUUM ANALYZE dist;” ?也尝试 EXPLAIN ANALYZE SELECT min(x) FROM dist WHERE x > somevalue;
啊。我懂了。我在创建函数之前删除了索引。

【解决方案2】：

您正在从整个表中选择不同的值，这会自动导致 seq 扫描。你有数百万行，所以它一定会很慢。

有一个技巧可以更快地获取不同的值，但它仅在数据具有已知（并且相当小）的一组可能值时才有效。例如，我认为您的 bundle_id 引用了某种较小的 bundles 表。这意味着你可以写：

select bundles.bundle_id
from bundles
where exists (
      select 1 from audit_records
      where audit_records.bundle_id = bundles.bundle_id
      );

这应该会导致对 bundle 进行嵌套循环/seq 扫描 -> 使用 bundle_id 上的索引对 audit_records 进行索引扫描。

【讨论】：

【解决方案3】：

我对超过 3 亿条记录的表和具有几个不同值的索引字段有同样的问题。我无法摆脱 seq 扫描，所以我创建了这个函数来模拟使用索引（如果存在）的不同搜索。如果您的表有许多与记录总数成比例的不同值，则此功能不好。它还必须针对多列不同的值进行调整。警告：此功能对sql注入开放，只能在安全环境中使用。

解释分析结果：
使用普通 SELECT DISTINCT 查询：总运行时间：598310.705 毫秒
使用 SELECT small_distinct(...) 查询：总运行时间：1.156 毫秒

CREATE OR REPLACE FUNCTION small_distinct(
   tableName varchar, fieldName varchar, sample anyelement = ''::varchar)
   -- Search a few distinct values in a possibly huge table
   -- Parameters: tableName or query expression, fieldName,
   --             sample: any value to specify result type (defaut is varchar)
   -- Author: T.Husson, 2012-09-17, distribute/use freely
   RETURNS TABLE ( result anyelement ) AS
$BODY$
BEGIN
   EXECUTE 'SELECT '||fieldName||' FROM '||tableName||' ORDER BY '||fieldName
      ||' LIMIT 1'  INTO result;
   WHILE result IS NOT NULL LOOP
      RETURN NEXT;
      EXECUTE 'SELECT '||fieldName||' FROM '||tableName
         ||' WHERE '||fieldName||' > $1 ORDER BY ' || fieldName || ' LIMIT 1'
         INTO result USING result;
   END LOOP;
END;
$BODY$ LANGUAGE plpgsql VOLATILE;

调用示例：

SELECT small_distinct('observations','id_source',1);
SELECT small_distinct('(select * from obs where id_obs > 12345) as temp',
   'date_valid','2000-01-01'::timestamp);
SELECT small_distinct('addresses','state');

【讨论】：

【解决方案4】：

在 PostgreSQL 9.3 上，从 Denis 的回答开始：

    select bundles.bundle_id
    from bundles
    where exists (
      select 1 from audit_records
      where audit_records.bundle_id = bundles.bundle_id
      );

只需在子查询中添加一个“限制 1”，我就获得了 60 倍的加速（对于我的用例，有 800 万条记录、一个复合索引和 10k 个组合），从 1800 毫秒到 30 毫秒：

    select bundles.bundle_id
    from bundles
    where exists (
      select 1 from audit_records
      where audit_records.bundle_id = bundles.bundle_id limit 1
      );

【讨论】：