Postgresql - 在大数据库中使用数组的性能

Question

假设我们有一个包含 600 万条记录的表。有 16 个整数列和几个文本列。它是只读表，因此每个整数列都有一个索引。 每条记录大约 50-60 字节。

表名是“项目”
服务器是：12 GB RAM，1,5 TB SATA，4 个核心。用于 postgres 的所有服务器。
此数据库中有更多表，因此 RAM 无法覆盖所有数据库。

我想在表“Item”中添加一列“a_elements”（大整数的数组类型） 每条记录在此列中的元素不超过 50-60 个。

之后我会在这个列上创建索引 GIN，典型的查询应该是这样的：

select * from item where ...... and '{5}' <@ a_elements;

我还有第二个更经典的选择。

不要将列 a_elements 添加到表项，而是创建具有两列的表元素：

• id_item
• id_element

此表将有大约 2 亿条记录。

我能够对这些表进行分区，因此表元素中的记录数将减少到 2000 万，表项中的记录数将减少到 500 K。

第二个选项查询如下所示：

select item.* 
from item 
    left join elements on (item.id_item=elements.id_item) 
where .... 
and 5 = elements.id_element

我想知道从性能的角度来看哪个选项会更好。 postgres 是否能够在单个查询中使用带有索引 GIN（选项 1）的许多不同索引？

我需要做出正确的决定，因为导入这些数据需要 20 天时间。

Answer 1

我认为你应该使用elements 表：

• Postgres 将能够在执行查询之前使用统计信息来预测将匹配多少行，因此它能够使用最佳查询计划（如果您的数据分布不均匀则更重要）；

• 您将能够使用CLUSTER elements USING elements_id_element_idx 本地化查询数据；

• 当 Postgres 9.2 发布时，您将能够利用仅索引扫描；

但我对 10M 元素做了一些测试：

create table elements (id_item bigint, id_element bigint);
insert into elements
  select (random()*524288)::int, (random()*32768)::int
    from generate_series(1,10000000);

\timing
create index elements_id_item on elements(id_item);
Time: 15470,685 ms
create index elements_id_element on elements(id_element);
Time: 15121,090 ms

select relation, pg_size_pretty(pg_relation_size(relation))
  from (
    select unnest(array['elements','elements_id_item', 'elements_id_element'])
      as relation
  ) as _;
      relation       | pg_size_pretty 
---------------------+----------------
 elements            | 422 MB
 elements_id_item    | 214 MB
 elements_id_element | 214 MB



create table arrays (id_item bigint, a_elements bigint[]);
insert into arrays select array_agg(id_element) from elements group by id_item;

create index arrays_a_elements_idx on arrays using gin (a_elements);
Time: 22102,700 ms

select relation, pg_size_pretty(pg_relation_size(relation))
  from (
    select unnest(array['arrays','arrays_a_elements_idx']) as relation
  ) as _;
       relation        | pg_size_pretty 
-----------------------+----------------
 arrays                | 108 MB
 arrays_a_elements_idx | 73 MB

所以另一方面，数组更小，索引也更小。在做出决定之前，我会做一些 200M 元素测试。