如果查询在逻辑上相似，为什么计划不同？

Question

如果查询在逻辑上相似，为什么计划不同？

Iai*_*der 21 postgresql optimization postgresql-9.3

我写了两个函数来回答七周内七个数据库中第 3 天的第一个作业问题。

创建一个存储过程，您可以在其中输入您喜欢的电影名称或演员的名字，它会根据演员主演的电影或类似类型的电影返回前五名的建议。

我的第一次尝试是正确的，但速度很慢。返回结果最多可能需要 2000 毫秒。

CREATE OR REPLACE FUNCTION suggest_movies(IN query text, IN result_limit integer DEFAULT 5)
  RETURNS TABLE(movie_id integer, title text) AS
$BODY$
WITH suggestions AS (

  SELECT
    actors.name AS entity_term,
    movies.movie_id AS suggestion_id,
    movies.title AS suggestion_title,
    1 AS rank
  FROM actors
  INNER JOIN movies_actors ON (actors.actor_id = movies_actors.actor_id)
  INNER JOIN movies ON (movies.movie_id = movies_actors.movie_id)

  UNION ALL

  SELECT
    searches.title AS entity_term,
    suggestions.movie_id AS suggestion_id,
    suggestions.title AS suggestion_title,
    RANK() OVER (PARTITION BY searches.movie_id ORDER BY cube_distance(searches.genre, suggestions.genre)) AS rank
  FROM movies AS searches
  INNER JOIN movies AS suggestions ON
    (searches.movie_id <> suggestions.movie_id) AND
    (cube_enlarge(searches.genre, 2, 18) @> suggestions.genre)
)
SELECT suggestion_id, suggestion_title
FROM suggestions
WHERE entity_term = query
ORDER BY rank, suggestion_id
LIMIT result_limit;
$BODY$
LANGUAGE sql;

Run Code Online (Sandbox Code Playgroud)

我的第二次尝试是正确且快速的。我通过将过滤器从 CTE 向下推到联合的每个部分来优化它。

我从外部查询中删除了这一行：

WHERE entity_term = query

Run Code Online (Sandbox Code Playgroud)

我将此行添加到第一个内部查询中：

WHERE actors.name = query

Run Code Online (Sandbox Code Playgroud)

我将此行添加到第二个内部查询中：

WHERE movies.title = query

Run Code Online (Sandbox Code Playgroud)

第二个函数大约需要 10 毫秒才能返回相同的结果。

除了函数定义之外，数据库中没有任何不同。

为什么 PostgreSQL 会为这两个逻辑上等价的查询生成如此不同的计划？

第EXPLAIN ANALYZE一个函数的计划如下所示：

                                                                                       Limit  (cost=7774.18..7774.19 rows=5 width=44) (actual time=1738.566..1738.567 rows=5 loops=1)
   CTE suggestions
     ->  Append  (cost=332.56..7337.19 rows=19350 width=285) (actual time=7.113..1577.823 rows=383024 loops=1)
           ->  Subquery Scan on "*SELECT* 1"  (cost=332.56..996.80 rows=11168 width=33) (actual time=7.113..22.258 rows=11168 loops=1)
                 ->  Hash Join  (cost=332.56..885.12 rows=11168 width=33) (actual time=7.110..19.850 rows=11168 loops=1)
                       Hash Cond: (movies_actors.movie_id = movies.movie_id)
                       ->  Hash Join  (cost=143.19..514.27 rows=11168 width=18) (actual time=4.326..11.938 rows=11168 loops=1)
                             Hash Cond: (movies_actors.actor_id = actors.actor_id)
                             ->  Seq Scan on movies_actors  (cost=0.00..161.68 rows=11168 width=8) (actual time=0.013..1.648 rows=11168 loops=1)
                             ->  Hash  (cost=80.86..80.86 rows=4986 width=18) (actual time=4.296..4.296 rows=4986 loops=1)
                                   Buckets: 1024  Batches: 1  Memory Usage: 252kB
                                   ->  Seq Scan on actors  (cost=0.00..80.86 rows=4986 width=18) (actual time=0.009..1.681 rows=4986 loops=1)
                       ->  Hash  (cost=153.61..153.61 rows=2861 width=19) (actual time=2.768..2.768 rows=2861 loops=1)
                             Buckets: 1024  Batches: 1  Memory Usage: 146kB
                             ->  Seq Scan on movies  (cost=0.00..153.61 rows=2861 width=19) (actual time=0.003..1.197 rows=2861 loops=1)
           ->  Subquery Scan on "*SELECT* 2"  (cost=6074.48..6340.40 rows=8182 width=630) (actual time=1231.324..1528.188 rows=371856 loops=1)
                 ->  WindowAgg  (cost=6074.48..6258.58 rows=8182 width=630) (actual time=1231.324..1492.106 rows=371856 loops=1)
                       ->  Sort  (cost=6074.48..6094.94 rows=8182 width=630) (actual time=1231.307..1282.550 rows=371856 loops=1)
                             Sort Key: searches.movie_id, (cube_distance(searches.genre, suggestions_1.genre))
                             Sort Method: external sort  Disk: 21584kB
                             ->  Nested Loop  (cost=0.27..3246.72 rows=8182 width=630) (actual time=0.047..909.096 rows=371856 loops=1)
                                   ->  Seq Scan on movies searches  (cost=0.00..153.61 rows=2861 width=315) (actual time=0.003..0.676 rows=2861 loops=1)
                                   ->  Index Scan using movies_genres_cube on movies suggestions_1  (cost=0.27..1.05 rows=3 width=315) (actual time=0.016..0.277 rows=130 loops=2861)
                                         Index Cond: (cube_enlarge(searches.genre, 2::double precision, 18) @> genre)
                                         Filter: (searches.movie_id <> movie_id)
                                         Rows Removed by Filter: 1
   ->  Sort  (cost=436.99..437.23 rows=97 width=44) (actual time=1738.565..1738.566 rows=5 loops=1)
         Sort Key: suggestions.rank, suggestions.suggestion_id
         Sort Method: top-N heapsort  Memory: 25kB
         ->  CTE Scan on suggestions  (cost=0.00..435.38 rows=97 width=44) (actual time=1281.905..1738.531 rows=43 loops=1)
               Filter: (entity_term = 'Die Hard'::text)
               Rows Removed by Filter: 382981
 Total runtime: 1746.623 ms

Run Code Online (Sandbox Code Playgroud)

EXPLAIN ANALYZE第二个查询的计划如下所示：

 Limit  (cost=43.74..43.76 rows=5 width=44) (actual time=1.231..1.234 rows=5 loops=1)
   CTE suggestions
     ->  Append  (cost=4.86..43.58 rows=5 width=391) (actual time=1.029..1.141 rows=43 loops=1)
           ->  Subquery Scan on "*SELECT* 1"  (cost=4.86..20.18 rows=2 width=33) (actual time=0.047..0.047 rows=0 loops=1)
                 ->  Nested Loop  (cost=4.86..20.16 rows=2 width=33) (actual time=0.047..0.047 rows=0 loops=1)
                       ->  Nested Loop  (cost=4.58..19.45 rows=2 width=18) (actual time=0.045..0.045 rows=0 loops=1)
                             ->  Index Scan using actors_name on actors  (cost=0.28..8.30 rows=1 width=18) (actual time=0.045..0.045 rows=0 loops=1)
                                   Index Cond: (name = 'Die Hard'::text)
                             ->  Bitmap Heap Scan on movies_actors  (cost=4.30..11.13 rows=2 width=8) (never executed)
                                   Recheck Cond: (actor_id = actors.actor_id)
                                   ->  Bitmap Index Scan on movies_actors_actor_id  (cost=0.00..4.30 rows=2 width=0) (never executed)
                                         Index Cond: (actor_id = actors.actor_id)
                       ->  Index Scan using movies_pkey on movies  (cost=0.28..0.35 rows=1 width=19) (never executed)
                             Index Cond: (movie_id = movies_actors.movie_id)
           ->  Subquery Scan on "*SELECT* 2"  (cost=23.31..23.40 rows=3 width=630) (actual time=0.982..1.081 rows=43 loops=1)
                 ->  WindowAgg  (cost=23.31..23.37 rows=3 width=630) (actual time=0.982..1.064 rows=43 loops=1)
                       ->  Sort  (cost=23.31..23.31 rows=3 width=630) (actual time=0.963..0.971 rows=43 loops=1)
                             Sort Key: searches.movie_id, (cube_distance(searches.genre, suggestions_1.genre))
                             Sort Method: quicksort  Memory: 28kB
                             ->  Nested Loop  (cost=4.58..23.28 rows=3 width=630) (actual time=0.808..0.916 rows=43 loops=1)
                                   ->  Index Scan using movies_title on movies searches  (cost=0.28..8.30 rows=1 width=315) (actual time=0.025..0.027 rows=1 loops=1)
                                         Index Cond: (title = 'Die Hard'::text)
                                   ->  Bitmap Heap Scan on movies suggestions_1  (cost=4.30..14.95 rows=3 width=315) (actual time=0.775..0.844 rows=43 loops=1)
                                         Recheck Cond: (cube_enlarge(searches.genre, 2::double precision, 18) @> genre)
                                         Filter: (searches.movie_id <> movie_id)
                                         Rows Removed by Filter: 1
                                         ->  Bitmap Index Scan on movies_genres_cube  (cost=0.00..4.29 rows=3 width=0) (actual time=0.750..0.750 rows=44 loops=1)
                                               Index Cond: (cube_enlarge(searches.genre, 2::double precision, 18) @> genre)
   ->  Sort  (cost=0.16..0.17 rows=5 width=44) (actual time=1.230..1.231 rows=5 loops=1)
         Sort Key: suggestions.rank, suggestions.suggestion_id
         Sort Method: top-N heapsort  Memory: 25kB
         ->  CTE Scan on suggestions  (cost=0.00..0.10 rows=5 width=44) (actual time=1.034..1.187 rows=43 loops=1)
 Total runtime: 1.410 ms

Run Code Online (Sandbox Code Playgroud)

Answer 1

Iai*_*der 25

CTE 没有自动谓词下推

PostgreSQL 9.3 不为 CTE做谓词下推。

执行谓词下推的优化器可以将 where 子句移动到内部查询中。目标是尽早过滤掉不相关的数据。只要新查询在逻辑上是等效的，引擎仍会获取所有相关数据，因此会生成正确的结果，只是速度更快。

核心开发人员 Tom Lane 在pgsql-performance 邮件列表中提到了确定逻辑等效性的困难。

CTE 也被视为优化栅栏；这与其说是优化器限制，不如说是在 CTE 包含可写查询时保持语义健全。

优化器不区分只读 CTE 和可写 CTE，因此在考虑计划时过于保守。“围栏”处理阻止优化器在 CTE 内移动 where 子句，尽管我们可以看到这样做是安全的。

我们可以等待 PostgreSQL 团队改进 CTE 优化，但现在要获得良好的性能，您必须改变您的写作风格。

重写性能

这个问题已经展示了一种获得更好计划的方法。复制过滤条件实质上是对谓词下推的效果进行硬编码。

在这两个计划中，引擎将结果行复制到工作表中，以便对它们进行排序。工作表越大，查询越慢。

第一个计划将基表中的所有行复制到工作表并扫描它以找到结果。为了使事情更慢，引擎必须扫描整个工作表，因为它没有索引。

这是一个荒谬的不必要的工作。它读取基表中的所有数据两次以找到答案，当基表中估计的 19350 行中只有估计的 5 个匹配行时。

第二个计划使用索引来查找匹配的行并将这些行复制到工作表中。该索引有效地为我们过滤了数据。

在The Art of SQL 的第 85 页上，Stéphane Faroult 提醒我们用户的期望。

在很大程度上，最终用户会根据他们期望的行数调整他们的耐心：当他们要求一根针时，他们很少注意大海捞针的大小。

第二个计划随针扩展，因此更有可能让您的用户满意。

重写以提高可维护性

新查询更难维护，因为您可以通过更改一个过滤器表达式而不是另一个来引入缺陷。

如果我们可以只编写一次并且仍然获得良好的性能，那不是很好吗？

我们可以。优化器为子查询做谓词下推。

一个更简单的例子更容易解释。

CREATE TABLE a (c INT);

CREATE TABLE b (c INT);

CREATE INDEX a_c ON a(c);

CREATE INDEX b_c ON b(c);

INSERT INTO a SELECT 1 FROM generate_series(1, 1000000);

INSERT INTO b SELECT 2 FROM a;

INSERT INTO a SELECT 3;

Run Code Online (Sandbox Code Playgroud)

这将创建两个表，每个表都有一个索引列。它们一起包含一百万1、一百万2和一个3。

您可以3使用这些查询中的任何一个来找到针。

-- CTE
EXPLAIN ANALYZE
WITH cte AS (
  SELECT c FROM a
  UNION ALL
  SELECT c FROM b
)
SELECT c FROM cte WHERE c = 3;

-- Subquery
EXPLAIN ANALYZE
SELECT c
FROM (
  SELECT c FROM a
  UNION ALL
  SELECT c FROM b
) AS subquery
WHERE c = 3;

Run Code Online (Sandbox Code Playgroud)

CTE 的计划进展缓慢。引擎扫描三个表并读取大约四百万行。它需要将近 1000 毫秒。

CTE Scan on cte  (cost=33275.00..78275.00 rows=10000 width=4) (actual time=471.412..943.225 rows=1 loops=1)
  Filter: (c = 3)
  Rows Removed by Filter: 2000000
  CTE cte
    ->  Append  (cost=0.00..33275.00 rows=2000000 width=4) (actual time=0.011..409.573 rows=2000001 loops=1)
          ->  Seq Scan on a  (cost=0.00..14425.00 rows=1000000 width=4) (actual time=0.010..114.869 rows=1000001 loops=1)
          ->  Seq Scan on b  (cost=0.00..18850.00 rows=1000000 width=4) (actual time=5.530..104.674 rows=1000000 loops=1)
Total runtime: 948.594 ms

Run Code Online (Sandbox Code Playgroud)

子查询的计划很快。引擎只是寻找每个索引。它需要不到一毫秒。

Append  (cost=0.42..8.88 rows=2 width=4) (actual time=0.021..0.038 rows=1 loops=1)
  ->  Index Only Scan using a_c on a  (cost=0.42..4.44 rows=1 width=4) (actual time=0.020..0.021 rows=1 loops=1)
        Index Cond: (c = 3)
        Heap Fetches: 1
  ->  Index Only Scan using b_c on b  (cost=0.42..4.44 rows=1 width=4) (actual time=0.016..0.016 rows=0 loops=1)
        Index Cond: (c = 3)
        Heap Fetches: 0
Total runtime: 0.065 ms

Run Code Online (Sandbox Code Playgroud)

有关交互式版本，请参阅SQLFiddle。

Answer 2

Iai*_*der 5

Postgres 12 中的计划是相同的

该问题询问的是 Postgres 9.3。五年后，该版本已过时，但发生了什么变化？

PostgreSQL 12现在内联了这样的 CTE。

内联WITH查询（公共表表达式）

现在，如果公共表表达式（又名WITH查询）a) 不是递归的，b) 没有任何副作用，并且 c) 仅在查询的后续部分中引用一次，则它们现在可以自动内联到查询中。WITH这消除了自 PostgreSQL 8.4 中引入该子句以来一直存在的“优化栅栏”

如果需要，您可以使用 MATERIALIZED 子句强制WITH查询具体化，例如
WITH c AS MATERIALIZED ( SELECT * FROM a WHERE a.x % 4 = 0 ) SELECT * FROM c JOIN d ON d.y = a.x;
Run Code Online (Sandbox Code Playgroud)

归档时间：	12 年，6 月前
查看次数：	2519 次
最近记录：	5 年，8 月前