SELECT DISTINCT 比我在 PostgreSQL 中 table 的预期慢
SELECT DISTINCT is slower than expected on my table in PostgreSQL
这是我的 table 架构:
CREATE TABLE tickers (
product_id TEXT NOT NULL,
trade_id INT NOT NULL,
sequence BIGINT NOT NULL,
time TIMESTAMPTZ,
price NUMERIC NOT NULL,
side TEXT NOT NULL,
last_size NUMERIC NOT NULL,
best_bid NUMERIC NOT NULL,
best_ask NUMERIC NOT NULL,
PRIMARY KEY (product_id, trade_id)
);
我的应用程序在“代码”频道上订阅了 Coinbase Pro 的 websocket,并在收到消息时向代码中插入一行 table。
table 现在有近两百万行。
我假设 运行ning SELECT DISTINCT product_id FROM tickers
会很快,但它需要大约 500 到 600 毫秒。这是 EXPLAIN ANALYZE
:
的输出
HashAggregate (cost=47938.97..47939.38 rows=40 width=8) (actual time=583.105..583.110 rows=40 loops=1)
Group Key: product_id
-> Seq Scan on tickers (cost=0.00..42990.98 rows=1979198 width=8) (actual time=0.030..195.536 rows=1979243 loops=1)
Planning Time: 0.068 ms
Execution Time: 583.137 ms
如果我通过 运行ning SET enable_seqscan = FALSE
关闭 seq 扫描(不是我真正想要依赖的东西,只是为了测试目的)那么查询会更快一些。在 400 到 500 毫秒之间。这是 EXPLAIN ANALYZE
:
的输出
Unique (cost=0.43..80722.61 rows=40 width=8) (actual time=0.020..480.339 rows=40 loops=1)
-> Index Only Scan using tickers_pkey on tickers (cost=0.43..75772.49 rows=1980051 width=8) (actual time=0.019..344.113 rows=1980160 loops=1)
Heap Fetches: 328693
Planning Time: 0.064 ms
Execution Time: 480.386 ms
table 中只有 40 个唯一的产品 ID。我假设由于 product_id
是复合主键的一部分,因此被索引,所以 SELECT DISTINCT product_id FROM tickers
会快得多。但事实证明,查询规划器默认使用 seq 扫描而不是索引,即使我强制它使用索引它仍然很慢(但比 seq 扫描快一点)。我意识到我可以创建另一个 table 来存储唯一的产品 ID 并查询它,但我更关心的是我对代码 table 的查询花费这么长时间的原因.
编辑#1:
我尝试仅在 product_id 列 (CREATE INDEX idx_tickers_product_id ON tickers (product_id)
) 上创建一个索引,并且查询计划程序仍然进行顺序扫描,除非我先 运行 SET enable_seqscan = FALSE
。但是它的性能比使用复合 PK 索引时稍微好一些(快 10 到 50 毫秒)。
编辑#2:
我尝试了 Erwin Brandstetter 的解决方案,它大大提高了速度。 table现在有225万行,执行只需要0.75毫秒!
编辑#3:
我想扩充已接受的解决方案以检索代码计数 (max(trade_id) - min(trade_id) + 1) 以及每个产品 ID 的最短和最长时间。我为此创建了一个新问题:
虽然 Postgres 中还没有索引跳过扫描,但请模拟它:
WITH RECURSIVE cte AS (
( -- parentheses required
SELECT product_id
FROM tickers
ORDER BY 1
LIMIT 1
)
UNION ALL
SELECT l.*
FROM cte c
CROSS JOIN LATERAL (
SELECT product_id
FROM tickers t
WHERE t.product_id > c.product_id -- lateral reference
ORDER BY 1
LIMIT 1
) l
)
TABLE cte;
在 (product_id)
上有一个索引,并且 在 table 中只有 40 个唯一的产品 ID,这应该是 快速.大写 F.
(product_id, trade_id)
上的PK指数也不错!
每个 product_id
只有很少的行(与您的数据分布相反),DISTINCT
/ DISTINCT ON
会一样快或更快。
实施索引跳过扫描的工作正在进行中。
参见:
- Select first row in each GROUP BY group?
- Optimize GROUP BY query to retrieve latest row per user
- Is a composite index also good for queries on the first field?
这是我的 table 架构:
CREATE TABLE tickers (
product_id TEXT NOT NULL,
trade_id INT NOT NULL,
sequence BIGINT NOT NULL,
time TIMESTAMPTZ,
price NUMERIC NOT NULL,
side TEXT NOT NULL,
last_size NUMERIC NOT NULL,
best_bid NUMERIC NOT NULL,
best_ask NUMERIC NOT NULL,
PRIMARY KEY (product_id, trade_id)
);
我的应用程序在“代码”频道上订阅了 Coinbase Pro 的 websocket,并在收到消息时向代码中插入一行 table。
table 现在有近两百万行。
我假设 运行ning SELECT DISTINCT product_id FROM tickers
会很快,但它需要大约 500 到 600 毫秒。这是 EXPLAIN ANALYZE
:
HashAggregate (cost=47938.97..47939.38 rows=40 width=8) (actual time=583.105..583.110 rows=40 loops=1)
Group Key: product_id
-> Seq Scan on tickers (cost=0.00..42990.98 rows=1979198 width=8) (actual time=0.030..195.536 rows=1979243 loops=1)
Planning Time: 0.068 ms
Execution Time: 583.137 ms
如果我通过 运行ning SET enable_seqscan = FALSE
关闭 seq 扫描(不是我真正想要依赖的东西,只是为了测试目的)那么查询会更快一些。在 400 到 500 毫秒之间。这是 EXPLAIN ANALYZE
:
Unique (cost=0.43..80722.61 rows=40 width=8) (actual time=0.020..480.339 rows=40 loops=1)
-> Index Only Scan using tickers_pkey on tickers (cost=0.43..75772.49 rows=1980051 width=8) (actual time=0.019..344.113 rows=1980160 loops=1)
Heap Fetches: 328693
Planning Time: 0.064 ms
Execution Time: 480.386 ms
table 中只有 40 个唯一的产品 ID。我假设由于 product_id
是复合主键的一部分,因此被索引,所以 SELECT DISTINCT product_id FROM tickers
会快得多。但事实证明,查询规划器默认使用 seq 扫描而不是索引,即使我强制它使用索引它仍然很慢(但比 seq 扫描快一点)。我意识到我可以创建另一个 table 来存储唯一的产品 ID 并查询它,但我更关心的是我对代码 table 的查询花费这么长时间的原因.
编辑#1:
我尝试仅在 product_id 列 (CREATE INDEX idx_tickers_product_id ON tickers (product_id)
) 上创建一个索引,并且查询计划程序仍然进行顺序扫描,除非我先 运行 SET enable_seqscan = FALSE
。但是它的性能比使用复合 PK 索引时稍微好一些(快 10 到 50 毫秒)。
编辑#2: 我尝试了 Erwin Brandstetter 的解决方案,它大大提高了速度。 table现在有225万行,执行只需要0.75毫秒!
编辑#3:
我想扩充已接受的解决方案以检索代码计数 (max(trade_id) - min(trade_id) + 1) 以及每个产品 ID 的最短和最长时间。我为此创建了一个新问题:
虽然 Postgres 中还没有索引跳过扫描,但请模拟它:
WITH RECURSIVE cte AS (
( -- parentheses required
SELECT product_id
FROM tickers
ORDER BY 1
LIMIT 1
)
UNION ALL
SELECT l.*
FROM cte c
CROSS JOIN LATERAL (
SELECT product_id
FROM tickers t
WHERE t.product_id > c.product_id -- lateral reference
ORDER BY 1
LIMIT 1
) l
)
TABLE cte;
在 (product_id)
上有一个索引,并且 在 table 中只有 40 个唯一的产品 ID,这应该是 快速.大写 F.
(product_id, trade_id)
上的PK指数也不错!
每个 product_id
只有很少的行(与您的数据分布相反),DISTINCT
/ DISTINCT ON
会一样快或更快。
实施索引跳过扫描的工作正在进行中。
参见:
- Select first row in each GROUP BY group?
- Optimize GROUP BY query to retrieve latest row per user
- Is a composite index also good for queries on the first field?