Struttura DB semplice (per un forum online):
CREATE TABLE users (
id integer NOT NULL PRIMARY KEY,
username text
);
CREATE INDEX ON users (username);
CREATE TABLE posts (
id integer NOT NULL PRIMARY KEY,
thread_id integer NOT NULL REFERENCES threads (id),
user_id integer NOT NULL REFERENCES users (id),
date timestamp without time zone NOT NULL,
content text
);
CREATE INDEX ON posts (thread_id);
CREATE INDEX ON posts (user_id);
Circa 80.000 voci users
e 2,6 milioni di voci nelle posts
tabelle. Questa semplice query per ottenere i primi 100 utenti dai loro post richiede 2,4 secondi :
EXPLAIN ANALYZE SELECT u.id, u.username, COUNT(p.id) AS PostCount FROM users u
INNER JOIN posts p on p.user_id = u.id
WHERE u.username IS NOT NULL
GROUP BY u.id
ORDER BY PostCount DESC LIMIT 100;
Limit (cost=316926.14..316926.39 rows=100 width=20) (actual time=2326.812..2326.830 rows=100 loops=1)
-> Sort (cost=316926.14..317014.83 rows=35476 width=20) (actual time=2326.809..2326.820 rows=100 loops=1)
Sort Key: (count(p.id)) DESC
Sort Method: top-N heapsort Memory: 32kB
-> HashAggregate (cost=315215.51..315570.27 rows=35476 width=20) (actual time=2311.296..2321.739 rows=34608 loops=1)
Group Key: u.id
-> Hash Join (cost=1176.89..308201.88 rows=1402727 width=16) (actual time=16.538..1784.546 rows=1910831 loops=1)
Hash Cond: (p.user_id = u.id)
-> Seq Scan on posts p (cost=0.00..286185.34 rows=1816634 width=8) (actual time=0.103..1144.681 rows=2173916 loops=1)
-> Hash (cost=733.44..733.44 rows=35476 width=12) (actual time=15.763..15.763 rows=34609 loops=1)
Buckets: 65536 Batches: 1 Memory Usage: 2021kB
-> Seq Scan on users u (cost=0.00..733.44 rows=35476 width=12) (actual time=0.033..6.521 rows=34609 loops=1)
Filter: (username IS NOT NULL)
Rows Removed by Filter: 11335
Execution time: 2301.357 ms
Con set enable_seqscan = false
ancora peggio:
Limit (cost=1160881.74..1160881.99 rows=100 width=20) (actual time=2758.086..2758.107 rows=100 loops=1)
-> Sort (cost=1160881.74..1160970.43 rows=35476 width=20) (actual time=2758.084..2758.098 rows=100 loops=1)
Sort Key: (count(p.id)) DESC
Sort Method: top-N heapsort Memory: 32kB
-> GroupAggregate (cost=0.79..1159525.87 rows=35476 width=20) (actual time=0.095..2749.859 rows=34608 loops=1)
Group Key: u.id
-> Merge Join (cost=0.79..1152157.48 rows=1402727 width=16) (actual time=0.036..2537.064 rows=1910831 loops=1)
Merge Cond: (u.id = p.user_id)
-> Index Scan using users_pkey on users u (cost=0.29..2404.83 rows=35476 width=12) (actual time=0.016..41.163 rows=34609 loops=1)
Filter: (username IS NOT NULL)
Rows Removed by Filter: 11335
-> Index Scan using posts_user_id_index on posts p (cost=0.43..1131472.19 rows=1816634 width=8) (actual time=0.012..2191.856 rows=2173916 loops=1)
Planning time: 1.281 ms
Execution time: 2758.187 ms
Raggruppa per username
manca in Postgres, perché non è necessario (SQL Server dice che devo raggruppare username
se voglio selezionare il nome utente). Il raggruppamento con username
aggiunge un po 'di ms al tempo di esecuzione su Postgres o non fa nulla.
Per la scienza, ho installato Microsoft SQL Server sullo stesso server (che esegue archlinux, 8 core xeon, 24 gb ram, ssd) e ho migrato tutti i dati da Postgres - stessa struttura di tabella, stessi indici, stessi dati. Stessa query per ottenere i primi 100 poster in 0,3 secondi :
SELECT TOP 100 u.id, u.username, COUNT(p.id) AS PostCount FROM dbo.users u
INNER JOIN dbo.posts p on p.user_id = u.id
WHERE u.username IS NOT NULL
GROUP BY u.id, u.username
ORDER BY PostCount DESC
Produce gli stessi risultati dagli stessi dati, ma lo fa 8 volte più velocemente. Ed è la versione beta di MS SQL su Linux, immagino che sia in esecuzione sul suo sistema operativo "home" - Windows Server - potrebbe essere ancora più veloce.
La mia query PostgreSQL è totalmente sbagliata o PostgreSQL è solo lento?
informazioni addizionali
La versione è quasi la più recente (9.6.1, attualmente la più recente è 9.6.2, ArchLinux ha pacchetti obsoleti ed è molto lento da aggiornare). config:
max_connections = 75
shared_buffers = 3584MB
effective_cache_size = 10752MB
work_mem = 24466kB
maintenance_work_mem = 896MB
dynamic_shared_memory_type = posix
min_wal_size = 1GB
max_wal_size = 2GB
checkpoint_completion_target = 0.9
wal_buffers = 16MB
default_statistics_target = 100
EXPLAIN ANALYZE
uscite: https://pastebin.com/HxucRgnk
Ho provato tutti gli indici, usato anche GIN e GIST, il modo più veloce per PostgreSQL (e Google conferma con molte righe) è usare la scansione sequenziale.
MS SQL Server 14.0.405.200-1, conf predefinito.
Lo uso in un'API (con selezione semplice senza analisi) e, chiamando questo endpoint API con Chrome, si dice che impiega 2500 ms + -, aggiungere 50 ms di sovraccarico HTTP e web server (API e SQL eseguiti sullo stesso server) - è lo stesso. Non mi interessa circa 100 ms qua o là, quello che mi interessa è di due interi secondi.
explain analyze SELECT user_id, count(9) FROM posts group by user_id;
richiede 700 ms. La dimensione della posts
tabella è 2154 MB.
GROUP BY u.id
in questo GROUP BY p.user_id
e provarlo? Suppongo che Postgres si unisca per primo e si raggruppa per secondo perché stai raggruppando in base all'identificatore della tabella degli utenti, anche se hai bisogno solo dei post user_id per ottenere le prime N - righe.
posts
tabella, usando una tabella comeCREATE TABLE post_content (post_id PRIMARY KEY REFERENCES posts (id), content text);
quella, la maggior parte dell'I / O "sprecata" su questo tipo di query potrebbe essere risparmiata. Se i post sono più piccoli di questo, unVACUUM FULL
onposts
può aiutare.