依赖条件的大表的连接很慢

Question

当表很小时，此查询的合理时间。我正在试图找出瓶颈是什么，但我不确定如何分析EXPLAIN的结果。

SELECT
  COUNT(*)
FROM performance_analyses
INNER JOIN total_sales ON total_sales.id = performance_analyses.total_sales_id
WHERE
  (size > 0) AND
  total_sales.customer_id IN (
    SELECT customers.id FROM customers WHERE customers.active = 't'
    AND customers.visible = 't' AND customers.organization_id = 3
  ) AND
  total_sales.product_category_id IN (
    SELECT product_categories.id FROM product_categories
    WHERE product_categories.organization_id = 3
  ) AND
  total_sales.period_id = 193;

我已经尝试了INNER JOIN'ing customers和product_categories表并进行INNER SELECT的方法。两者都有相同的时间。

这是EXPLAIN的链接：https://explain.depesz.com/s/9lhr

Postgres版本：

在x86_64-unknown-linux-gnu上的PostgreSQL 9.4.5，由gcc（GCC）4.8.2 20140120（Red Hat 4.8.2-16）编译，64位

表和索引：

CREATE TABLE total_sales (
  id serial NOT NULL,
  value double precision,
  start_date date,
  end_date date,
  product_category_customer_id integer,
  created_at timestamp without time zone,
  updated_at timestamp without time zone,
  processed boolean,
  customer_id integer,
  product_category_id integer,
  period_id integer,
  CONSTRAINT total_sales_pkey PRIMARY KEY (id)
);
CREATE INDEX index_total_sales_on_customer_id ON total_sales (customer_id);
CREATE INDEX index_total_sales_on_period_id ON total_sales (period_id);
CREATE INDEX index_total_sales_on_product_category_customer_id ON total_sales (product_category_customer_id);
CREATE INDEX index_total_sales_on_product_category_id ON total_sales (product_category_id);
CREATE INDEX total_sales_product_category_period ON total_sales (product_category_id, period_id);
CREATE INDEX ts_pid_pcid_cid ON total_sales (period_id, product_category_id, customer_id);


CREATE TABLE performance_analyses (
  id serial NOT NULL,
  total_sales_id integer,
  status_id integer,
  created_at timestamp without time zone,
  updated_at timestamp without time zone,
  size double precision,
  period_size integer,
  nominal_variation double precision,
  percentual_variation double precision,
  relative_performance double precision,
  time_ago_max integer,
  deseasonalized_series text,
  significance character varying,
  relevance character varying,
  original_variation double precision,
  last_level double precision,
  quantiles text,
  range text,
  analysis_method character varying,
  CONSTRAINT performance_analyses_pkey PRIMARY KEY (id)
);
CREATE INDEX index_performance_analyses_on_status_id ON performance_analyses (status_id);
CREATE INDEX index_performance_analyses_on_total_sales_id ON performance_analyses (total_sales_id);


CREATE TABLE product_categories (
  id serial NOT NULL,
  name character varying,
  organization_id integer,
  created_at timestamp without time zone,
  updated_at timestamp without time zone,
  external_id character varying,
  CONSTRAINT product_categories_pkey PRIMARY KEY (id)
);
CREATE INDEX index_product_categories_on_organization_id ON product_categories (organization_id);


CREATE TABLE customers (
  id serial NOT NULL,
  name character varying,
  external_id character varying,
  region_id integer,
  organization_id integer,
  created_at timestamp without time zone,
  updated_at timestamp without time zone,
  active boolean DEFAULT false,
  visible boolean DEFAULT false,
  segment_id integer,
  "group" boolean,
  group_id integer,
  ticket_enabled boolean DEFAULT true,
  CONSTRAINT customers_pkey PRIMARY KEY (id)
);
CREATE INDEX index_customers_on_organization_id ON customers (organization_id);    
CREATE INDEX index_customers_on_region_id ON customers (region_id);
CREATE INDEX index_customers_on_segment_id ON customers (segment_id);

行数：

• 客户 - 6,970行
• product_categories - 34行
• performance_analyses - 1,012,346行
• total_sales - 7,104,441行

Answer 1

您的查询，重写和100％等效：

SELECT count(*)
FROM   product_categories   pc 
JOIN   customers            c  USING (organization_id) 
JOIN   total_sales          ts ON ts.customer_id = c.id
JOIN   performance_analyses pa ON pa.total_sales_id = ts.id
WHERE  pc.organization_id = 3
AND    c.active  -- boolean can be used directly
AND    c.visible
AND    ts.product_category_id = pc.id
AND    ts.period_id = 193
AND    pa.size > 0;

另一个答案建议将所有条件移动到FROM列表中的join子句和order表中。这可能适用于具有相对原始的查询规划器的某个其他RDBMS。虽然它对Postgres也没有影响，但它对查询的性能也没有影响 - 假设默认服务器配置。 The manual:

显式内连接语法（INNER JOIN，CROSS JOIN或unadorned JOIN）在语义上与在FROM中列出输入关系相同，因此它不约束连接顺序。

大胆强调我的。还有更多，请阅读手册。

关键设置是join_collapse_limit（默认为8）。 Postgres查询计划程序将重新排列您的4个表，无论您如何安排表格以及是否以WHERE或JOIN条款编写条件，它都希望它最快。没有任何区别。 （对于无法自由重新排列的其他类型的连接，情况也是如此。）

重要的一点是，这些不同的连接可能性在语义上具有相同的结果，但可能会有非常不同的执行成本。因此，规划人员将探索所有这些以尝试找到最有效的查询计划。

有关：

• Sample Query to show Cardinality estimation error in PostgreSQL
• A: Slow fulltext search due to wildly inaccurate row estimates

最后，WHERE id IN (<subquery>)通常不等同于连接。对于右侧的重复匹配值，它不会在左侧乘以行。对于查询的其余部分，子查询的列不可见。连接可以将具有重复值的行相乘，并且列是可见的。 在这两种情况下，您的简单子查询都会挖出一个唯一的列，因此在这种情况下没有任何有效差异 - 除了IN (<subquery>)通常（至少有点）更慢且更冗长。使用连接。

您的查询

Indexes

product_categories有34排。除非您计划添加更多内容，否则索引对此表没有帮助。顺序扫描总是更快。下降 index_product_categories_on_organization_id 。

customers有6,970行。索引开始有意义。但根据EXPLAIN输出，您的查询使用了4,988个。只有一个index-only scan在索引上比表格宽得多，可能会有所帮助。假设WHERE active AND visible是常量谓词，我建议使用部分多列索引：

CREATE INDEX index_customers_on_organization_id ON customers (organization_id, id)
WHERE active AND visible;

我附加了id以允许仅索引扫描。该列在此查询的索引中无用。

total_sales有7,104,441行。索引非常重要。我建议：

CREATE INDEX index_total_sales_on_product_category_customer_id
ON total_sales (period_id, product_category_id, customer_id, id)

再次，旨在进行仅索引扫描。这是最重要的一个。

您可以删除完全冗余的索引 index_total_sales_on_product_category_id 。

performance_analyses有1,012,346行。索引非常重要。我会建议使用条件size > 0的另一个部分索引：

CREATE INDEX index_performance_analyses_on_status_id
ON performance_analyses (total_sales_id)
WHERE pa.size > 0;

然而：

筛选删除的行：0“

好像这个条件没有用处？有size > 0的行是不是真的？

创建这些索引后，您需要ANALYZE表。

Tables statistics

一般来说，我看到许多不好的估计。 Postgres低估了几乎每一步返回的行数。我们看到的嵌套循环对于更少的行会更好。除非这不太可能巧合，否则您的表统计数据已经过时了。您需要访问autovacuum的设置，也可能需要访问两个大表performance_analyses和total_sales的每个表设置。

你已经运行了VACUUM和ANALYZE，这使查询变慢，according to your comment。这没有多大意义。我会在这两张桌子上运行一次VACUUM FULL（如果你能买得起专属锁）。否则试试pg_repack。 有了所有可疑的统计数据和糟糕的计划，我会考虑在你的数据库上运行一个完整的vacuumdb -fz yourdb。这会在原始条件下重写所有表和索引，但定期使用并不好。它也很昂贵，会长时间锁定你的数据库！

在此期间，还要查看数据库的成本设置。有关：

• Keep PostgreSQL from sometimes choosing a bad query plan
• Postgres Slow Queries - Autovacuum frequency

Answer 2

虽然理论上优化器应该能够做到这一点，但我经常发现这些变化可以大大提高性能：

• 使用正确的连接（而不是where id in (select ...)）
• 命令对from子句中的表的引用，以便在每次连接时返回最少的行，尤其是第一个表的条件（在where子句中）应该是最严格的（并且应该使用索引）
• 将连接表上的所有条件移动到连接的on条件

试试这个（添加别名以提高可读性）：

select count(*)
from total_sales ts
join product_categories pc on ts.product_category_id = pc.id and pc.organization_id = 3
join customers c on ts.customer_id = c.id and c.organization_id = 3
join performance_analyses pa on ts.id = pa.total_sales_id and pa.size > 0
where ts.period_id = 193

您需要创建此索引以获得最佳性能（以允许对total_sales进行仅索引扫描）：

create index ts_pid_pcid_cid on total_sales(period_id, product_category_id, customer_id) 

这种方法首先将数据缩小到一个时期，因此它将在未来扩展（保持大致不变），因为每个时期的销售数量将大致不变。

Answer 3

这些估计并不准确。 Postgres的计划程序使用错误的嵌套循环 - 尝试通过语句set enable_nestloop to off惩罚nest_loop。