SQL HowTo: считаем «уников» на интервале

Для систем управления бизнесом часто приходится решать очень похожий класс задач по вычислению количества уникальных объектов на произвольном временном интервале. В контексте CRM это могут быть «пользователи, обращавшиеся на горячую линию на прошлой неделе«, «контрагенты, оплатившие за последние 30 дней» или «потенциальные клиенты, с кем был контакт в этом квартале«.

Искать в большом количестве фактов «уники» — всегда сложно и долго, если их достаточно много. Если интервалы фиксированы (календарные месяц/квартал/год), можно материализовывать такие агрегаты заранее. А если интервал — произвольный, как тогда эффективно найти ответ?

Сначала смоделируем ситуацию, как она выглядит для нас, в масштабах «Тензора» — 5000 наших сотрудников до 100 000 раз за сутки общаются с потенциальными клиентами или с кем-то из уже работающих с нами 5 миллионов пользователей:

CREATE TABLE tbl_fact(   id     serial       PRIMARY KEY , dt     date , clientid     integer ); CREATE INDEX ON tbl_fact(clientid, dt DESC); CREATE INDEX ON tbl_fact(dt, clientid);  INSERT INTO tbl_fact(dt, clientid) SELECT   dt , unnest(ARRAY(     SELECT       (random() * 5e6)::integer -- 5M уникальных клиентов     FROM       generate_series(1, qty)   )) clientid FROM   (     SELECT       dt::date     , (random() * 1e5)::integer qty -- до 100K контактов в день с ними     FROM       generate_series('2021-01-01'::timestamp, '2021-12-31'::timestamp, '1 day'::interval) dt   ) T; -- Query returned successfully: 19036668 rows affected, 03:15 minutes execution time.

А теперь попробуем ответить на простой вопрос — сколько было уникальных клиентов в декабре?

Понятно, что если вся «первичка» уже лежит в PostgreSQL, то для реализации одной лишь этой функции выгружать данные во внешнюю СУБД с колоночным хранением данных вроде ClickHouse, которая подошла бы именно для этой задачи лучше, не особо оправданно с точки зрения эксплуатации разнородной архитектуры.

SELECT   count(DISTINCT clientid) FROM   tbl_fact WHERE   dt BETWEEN '2021-12-01' AND '2021-12-31'; -- 1364826

Получилось чуть больше 1364K «уников» из 1594K «фактов», но считалось это как-то слишком долго — 717мс [explain.tensor.ru]:

Но самое печальное — это объем данных, который нам приходится прочитать — почти 23K страниц, то есть примерно 180MB. И если любая из них окажется не в кэше, и ее придется вычитывать с диска — тормоза нам обеспечены.

ARRAY

Но мы можем попробовать заранее «упаковать» имеющиеся у нас данные, чтобы в момент запроса читать самый минимум — использовать массив уникальных идентификаторов за каждый день (ведь нам заранее неизвестен интервал, который захочет запросить пользователь):

CREATE TABLE tbl_pack_array AS SELECT   dt , array_agg(DISTINCT clientid) pack FROM   tbl_fact GROUP BY   1; CREATE INDEX ON tbl_pack_array(dt);

Тогда нам останется лишь прочитать записи за нужный интервал дней, «развернуть» все идентификаторы и посчитать количество уникальных:

SELECT   count(DISTINCT clientid) FROM   (     SELECT       unnest(pack) clientid     FROM       tbl_pack_array     WHERE       dt BETWEEN '2021-12-01' AND '2021-12-31'   ) T;

Читать приходится в 26 раз меньше — всего 888 страниц, да и по времени отыграли 10% — до 642мс [explain.tensor.ru]:

hstore

Но в варианте с массивом нам пришлось каждый из них unnest‘ить и уникализировать самостоятельно? Но ведь есть способ отдать уникализацию самому серверу — использовать сложение hstore с одноименными ключами:

SELECT 'a=>1,b=>2'::hstore || 'b=>3,c=>4'::hstore; -- "a"=>"1", "b"=>"3", "c"=>"4"

Не забываем, что сначала необходимо установить это расширение в свою базу:

CREATE EXTENSION hstore;

И только после этого пакуем, не забывая, что все ключи должны быть текстовыми:

CREATE TABLE tbl_pack_hstore AS SELECT   dt , hstore(     array_agg(DISTINCT clientid)::text[] -- ключи - только текстовые   , NULL                                 -- значения нам неважны   ) pack FROM   tbl_fact GROUP BY   1; CREATE INDEX ON tbl_pack_hstore(dt);

Теперь нам необходимо «сложить» hstore-объекты в нужных строках, но соответствующей агрегатной функции hstore_agg не существует. Не беда — создадим ее сами:

CREATE AGGREGATE hstore_agg(hstore) (   sfunc = hs_concat -- это функция, уже реализующая hstore || hstore , stype = hstore , parallel = safe );

Воспользуемся функцией akeys, которая вернет нам массив ключей собранного объекта:

SELECT   array_length(akeys(hstore_agg(pack)), 1) FROM   tbl_pack_hstore WHERE   dt BETWEEN '2021-12-01' AND '2021-12-31';

Читать теперь приходится в 2.5 раза больше — 3049 страниц, зато по времени — еще минус 5% — 612мс [explain.tensor.ru]:

jsonb

Но ведь есть «нативный» тип, который самостоятельно делает уникализацию ключей — json[b]:

SELECT '{"a":1,"b":2}'::jsonb || '{"b":3,"c":4}'::jsonb; -- {"a": 1, "b": 3, "c": 4}

Давайте обойдемся без всех этих дополнительно устанавливаемых расширений:

CREATE TABLE tbl_pack_jsonb AS SELECT   dt , jsonb_object_agg(clientid, NULL) pack FROM   tbl_fact GROUP BY   1; CREATE INDEX ON tbl_pack_jsonb(dt);

Правда, агрегатную функцию снова придется делать самим:

CREATE AGGREGATE jsonb_agg(jsonb) (   sfunc = jsonb_concat -- это функция, уже реализующая jsonb || jsonb , stype = jsonb , parallel = safe );

И даже не будем пробовать извлекать ключи — достаточно уже агрегации…

SELECT   jsonb_agg(pack) FROM   tbl_pack_jsonb WHERE   dt BETWEEN '2021-12-01' AND '2021-12-31';

… чтобы понять, что хоть jsonb и гораздо компактнее hstore (читать приходится лишь чуть больше, чем для массивов — 963 страницы), но это не окупает адских тормозов при агрегации почти на 13 секунд! [explain.tensor.ru]:

Итак, в сегодняшнем забеге упаковка в массив позволяет получить наиболее сбалансированный по объему и скорости результат.

---

А еще быстрее — можно? Да, но это уже материал для хаба «ненормальное программирование».

Основные затраты времени у нас шли на объединение массивов/объектов. То есть чем меньше записей с «пакетами» нам необходимо обработать — тем лучше.

Для этого все даты можно покрыть отрезками длиной 2^N:

Тогда любой из заданных пользователем интервалов можно разбить на такие непересекающиеся отрезки:

Ну, а каскадное добавление ID клиента во все такие отрезки можно с помощью несложной функции:

CREATE OR REPLACE FUNCTION uniq_set(_pow integer, _ord integer, clientid integer) RETURNS void AS $$ DECLARE   _row tbl_uniq%ROWTYPE; BEGIN   INSERT INTO tbl_uniq(     pow   , ord   , uniq   )   VALUES(     _pow   , _ord   , ARRAY[clientid]   )   ON CONFLICT(pow, ord)     DO UPDATE     SET       uniq = tbl_uniq.uniq || excluded.uniq -- включаем значение в массив...     WHERE       NOT tbl_uniq.uniq @> excluded.uniq -- ... если его там еще не было   RETURNING     * INTO _row;   IF FOUND AND _pow < 9 THEN     PERFORM uniq_set(_pow + 1, _ord >> 1, clientid);   END IF; END $$ LANGUAGE plpgsql;

Если интересно — потренируйтесь на досуге.