仅保留审计表中每个对象的最后 5 行

Question

我有一个由 Postgres (v11) 数据库和一个主表支持的 Web 应用程序，其中表中的每一行都可以视为一个对象，每一列都是该对象的一个​​字段。

所以我们有：

| id | name | field1 | field2| .... | field 100|
-----------------------------------------------
| 1  | foo  | 12.2   | blue  | .... | 13.7     |
| 2  | bar  | 22.1   | green | .... | 78.0     |

该表是使用以下方法创建的：

CREATE TABLE records(
  id VARCHAR(50) PRIMARY KEY,
  name VARCHAR(50),
  field1 NUMERIC,
  field2 VARCHAR(355),
  field100 NUMERIC);

现在我有一个审计表，它存储每个对象的每个字段的更新。审计表定义为：

| timestamp | objid | fieldname | oldval | newval | 
-----------------------------------------------
| 1234      | 1     | field2    | white  | blue   |
| 1367      | 1     | field1    | "11.5" | "12.2" |
| 1372      | 2     | field1    | "11.9" | "22.1" |
| 1387      | 1     | name      | baz    | foo    |

该表是使用以下方法创建的：

CREATE TABLE audit_log(
  timestamp TIMESTAMP,
  objid VARCHAR (50) REFERENCES records(id),
  fieldname VARCHAR (50) NOT NULL,
  oldval VARCHAR(355),
  newval  VARCHAR(355));

oldval/newval 保留为 varchar，因为它们纯粹用于审计目的，因此实际数据类型并不重要。

由于显而易见的原因，这张表在过去几年左右变得很大，所以我想删除一些旧数据。有人建议只保留每个对象的最后 5 次更新（即 UI 可以显示审计表中的最后 5 次更新）。

我知道您可以使用GROUP BY 和LIMIT 来获取此信息，但问题是我拥有一百万多个对象，其中一些对象已更新一千多次，而其他对象多年来几乎没有更新。并且审计日志的读/写非常繁重（正如预期的那样）。

删除每个对象的第 5 次最新更新之前的所有条目的最佳方法是什么（当然，理想情况下，我会将其移到某个辅助存储中）？

Answer 1

解决方案有几个成分：

• PostgreSQL row_number 函数。不幸的是，这是一个“窗口函数”，不能在 where 子句中使用。
• 公用表表达式 (CTE)：“with T as (...some SQL...) ...do something with T...”
• PostgreSQL ctid 字段，唯一标识表中的一行。

您使用 CTE 创建一个包含ctid 和row_number 的逻辑表。然后从删除语句中引用它。像这样的：

with t as (
    select ctid, row_number() over (partition by objid)
    from the_audit_table
)
delete from the_audit_table
where ctid in (select ctid from t where row_number > 5)

如果您担心一次性执行所有操作的效果，那么只需在 objid 空间的某个子集上运行大量较小的事务即可。或者（如果您最终要删除 99% 的行）创建一个新表，将 row_number > 5 更改为 row_number <= 5 并将其插入到新表中，然后用新表替换旧表.

首先进行 QA 测试！ :-)

Answer 2

如果您打算在可能包含数千条记录的组中只保留 5 条记录，更有效的方法是使用临时表。

首先，通过使用CREATE TABLE AS syntax 选择要保留的记录，动态创建一个新表。分析功能使选择记录变得容易。

CREATE TABLE audit_log_backup AS
SELECT mycol1, mycol2, ... 
FROM (
    SELECT a.*, ROW_NUMBER() OVER(PARTITION BY objid ORDER BY timestamp DESC) rn
    FROM audit_log a
) x WHERE rn <= 5

然后，只需 TRUNCATE 原始表并重新插入保存的数据：

TRUNCATE audit_log;
INSERT INTO audit_log SELECT * FROM audit_log_backup;
--- and eventually...
DROP TABLE audit_log_backup;

正如the documentation 中所解释的，截断大表比从中删除要高效得多：

TRUNCATE 快速从一组表中删除所有行。它与每个表上的不合格DELETE 具有相同的效果，但由于它实际上并不扫描表，因此速度更快。此外，它会立即回收磁盘空间，而不需要后续的VACUUM 操作。这在大表上最有用。

有一点需要注意，正如Erwin Brandsetter 所评论的那样，这种技术会产生一种竞争条件，即在开始复制后添加（或更新）的记录将不会被考虑在内。一种解决方案是在单个事务中执行所有操作，而 locking the table ：

BEGIN WORK;
LOCK TABLE audit_log IN SHARE ROW EXCLUSIVE MODE;
CREATE TABLE audit_log_backup AS ...;
TRUNCATE audit_log;
INSERT INTO audit_log SELECT * FROM audit_log_backup;
COMMIT WORK;

不利的一面是，这将使任何在事务进行时尝试访问表的会话都处于等待状态。

---

免责声明：无论您做什么，请确保在开始清除之前正确备份整个表！

Answer 3

您可以使用普通的row_number()，类似于what @Willis suggested，改进为ORDER BY：

WITH cte AS (
    SELECT ctid
         , row_number() OVER (PARTITION BY objid ORDER BY timestamp DESC) AS rn
    FROM   audit_log
   )
DELETE FROM audit_log
USING  cte
WHERE  cte.ctid = tbl.ctid
AND    cte.row_number > 5;

您的大桌子将需要 很长时间 时间。您可以使用audit_log(objid, timestamp DESC) 上的多列索引和以下查询更快地实现这一点：

WITH del AS (
   SELECT x.ctid
   FROM   records r
   CROSS LATERAL (
      SELECT a.ctid
      FROM   audit_log a
      WHERE  a.objid = r.id
      ORDER  BY a.timestamp DESC
      OFFSET 5  -- excluding the first 5 per object
      ) x
   )
DELETE FROM audit_log
USING  del
WHERE  del.ctid = tbl.ctid;

或者：

DELETE FROM audit_log
WHERE  ctid NOT IN (
   SELECT x.ctid
   FROM   records r
   CROSS  JOIN LATERAL (
      SELECT a.ctid
      FROM   audit_log a
      WHERE  a.objid = r.id
      ORDER  BY a.timestamp DESC
      LIMIT  5  -- the inverse selection here
      ) x
   );

如果有支持的索引，后者可能会更快。

相关：

• How do I (or can I) SELECT DISTINCT on multiple columns?
• How to use the physical location of rows (ROWID) in a DELETE statement

为每个对象编写一个只有前 5 个的新表会快得多。您可以为此使用上一个查询中的子查询。 （请参阅GMB's answer。）它会生成一张没有臃肿的原始表格。但我排除了这一点，因为表格是very read/write heavy。如果您在一段时间内无法负担必要的排他锁，那就不行了。

您的timestamp 列未定义NOT NULL。您可能需要NULLS LAST。见：

• PostgreSQL sort by datetime asc, null first?