Недавно попался на глаза примерно вот такой запрос, которым хотели отобрать в таблице (очевидно, для последующего удаления) все id
записей интервалов, которые полностью перекрыты каким-то другим интервалом того же owner
‘а:
Как несложно заметить при анализе плана этого запроса на explain.tensor.ru, 98% всего времени ушло на достаточно бессмысленный Hash Join
:
Бессмысленный он по той простой причине, что сформировав больше 100M соединенных пар записей, 99% из них он вынужден был отфильтровать по условию.
Как сделать этот запрос эффективнее?..
Для начала восстановим тестовую таблицу интервалов, которую мы использовали в статье «PostgreSQL Antipatterns: работаем с отрезками в «кровавом энтерпрайзе»«:
CREATE TABLE ranges( id serial , owner integer , dtb -- начало интервала date , dte -- окончание интервала date ); INSERT INTO ranges( owner , dtb , dte ) SELECT (random() * 1e4)::integer -- 10K разных owner'ов , dtb , dtb + (random() * 1e2)::integer FROM ( SELECT now()::date - (random() * 1e3)::integer dtb FROM generate_series(1, 1e6) -- миллион записей ) T;
В данном случае уникальный id
записи нам дан по условию задачи, но он не является обязательным для устранения дубль-записей — можно воспользоваться ctid
, как в статье «DBA: вычищаем клон-записи из таблицы без PK«, если никто не пытается активно менять данные у нас «под ногами».
«Смотрю — слева диск C:, справа диск C:… Зачем, думаю, мне два диска C: — и стер один нафиг.»
древний анекдот
По большому счету, никакой пользы от соединения таблицы с собой же, как и от сравнения записей с разными owner
‘ами нам вообще нет, так что давайте сразу разложим имеющиеся интервалы на непересекающиеся сегменты за один проход:
SELECT owner , array_agg(daterange(dtb, dte, '[]') ORDER BY id) rngs -- массив интервалов , array_agg(id ORDER BY id) ids -- массив id записей FROM ranges GROUP BY 1
Тут мы сразу распределили интервалы и идентификаторы в два массива с [неважно каким, лишь бы] одинаковым порядком исходных записей (ORDER BY id
).
Теперь в каждой такой группе надо всего лишь найти id
интервалов, перекрытые каким-то из «соседей». Для этого развернем и пронумеруем массив интервалов с помощью unnest WITH ORDINALITY
:
SELECT ids[ni] id FROM unnest(rngs) WITH ORDINALITY X(i, ni) WHERE i <@ ANY(rngs[:ni-1] || rngs[ni+1:]) -- покрыт кем-то из "соседей"
Факт покрытия установим, воспользовавшись оператором <@ ANY
, а массив «соседей» соберем конкатенацией двух слайсов исходного массива до/после нужного элемента rngs[:ni-1] || rngs[ni+1:]
.
Все, наш запрос принял следующий вид:
SELECT id FROM ( SELECT owner , array_agg(daterange(dtb, dte, '[]') ORDER BY id) rngs , array_agg(id ORDER BY id) ids FROM ranges GROUP BY 1 ) X , LATERAL ( SELECT ids[ni] id -- id в той же позиции соседнего массива FROM unnest(rngs) WITH ORDINALITY X(i, ni) -- конкретный интервал и его позиция в массиве WHERE i <@ ANY(rngs[:ni-1] || rngs[ni+1:]) ) Y;
А вот и его план — почти в 7 раз быстрее!
Мы молодцы? Ну, почти…
Совпадение интервалов
Проблема тут, ровно как и в исходном запросе, в том, что если два диапазона полностью совпадают, то <@
вернет TRUE
для обоих — и, потенциально, мы оба их удалим.
Причем, даже если мы добавим в исходном запросе условие AND daterange(i.dtb, i.dte, '[]') <> daterange(o.dtb, o.dte, '[]')
— это не исправит ситуацию, просто теперь они оба вместе останутся — все потому, что исходный запрос «симметричен» относительно обоих чтений таблиц.
Исправить это можно, добавив условие, чтобы отбирался наименьший id
для пары одинаковых интервалов:
SELECT DISTINCT i.id FROM ranges o JOIN ranges i ON i.owner = o.owner AND i.id <> o.id AND ( ( -- разбиваем условие по совпадению интервалов daterange(i.dtb, i.dte, '[]') <> daterange(o.dtb, o.dte, '[]') AND daterange(i.dtb, i.dte, '[]') <@ daterange(o.dtb, o.dte, '[]') ) OR ( daterange(i.dtb, i.dte, '[]') = daterange(o.dtb, o.dte, '[]') AND i.id < o.id ) );
Только вот его длительность, и так немалая, выросла втрое из-за многократного формирования daterange
(это ой как недешево!):
Как можно организовать такое в нашем «быстром» варианте?
Помните замечание, что неважно в каком одинаковом порядке собирать записи в массивы? Давайте используем этот факт в свою пользу — отсортируем все интервалы одного owner
‘а сначала по длине dte - dtb
, а потом по id
:
SELECT owner , array_agg(daterange(dtb, dte, '[]') ORDER BY dte - dtb, id) rngs , array_agg(id ORDER BY dte - dtb, id) ids FROM ranges GROUP BY 1
В этом случае очевидно, что «покрывающий» интервал может лежать в массиве только «правее» анализируемого (у него длина точно должна быть не меньше, а id
— больше), и «клеить» слайсы нам больше нет необходимости:
SELECT id FROM ( SELECT owner , array_agg(daterange(dtb, dte, '[]') ORDER BY dte - dtb, id) rngs , array_agg(id ORDER BY dte - dtb, id) ids FROM ranges GROUP BY 1 ) X , LATERAL ( SELECT ids[ni] id FROM unnest(rngs) WITH ORDINALITY X(i, ni) WHERE i <@ ANY(rngs[ni+1:]) -- проверяем покрытие "соседями" справа ) Y;
Мало того, что мы исправили досадную проблему с совпадающих интервалов, так еще и умудрились сделать «быструю» версию почти вдвое быстрее:
Не факт, что в реальных условиях вам придется зачищать интервалы подобным образом на «миллионных» таблицах, но разница времени исполнения запроса в 30 раз стоит того, чтобы знать и о такой методике.
ссылка на оригинал статьи https://habr.com/ru/articles/847128/
Добавить комментарий