假设我们有一个包含 600 万条记录的表。有 16 个整数列和少量文本列。它是只读表,因此每个整数列都有一个索引。 每条记录大约 50-60 字节。
表名为“Item”
服务器是:12 GB RAM,1.5 TB SATA,4 核。 postgres 的所有服务器。
此数据库中有更多表,因此 RAM 不会覆盖所有数据库。
我想在表“Item”中添加一列“a_elements”(大整数数组类型) 每条记录在此列中的元素不会超过 50-60 个。
之后,我将在此列上创建索引 GIN,典型的查询应如下所示:
select * from item where ...... and '{5}' <@ a_elements;
我还有第二个更经典的选项。
不将列 a_elements 添加到表项,而是创建具有两列的表元素:
- id_item
- id_元素
这个表将有大约 2 亿条记录。
我能够对该表进行分区,因此表元素中的记录数将减少到 2000 万条,表项中的记录数将减少到 500K。
第二个选项查询如下所示:
select item.*
from item
left join elements on (item.id_item=elements.id_item)
where ....
and 5 = elements.id_element
我想知道从性能的角度来看哪个选项会更好。 postgres 是否能够在单个查询中使用索引 GIN(选项 1)的许多不同索引?
我需要做出明智的决定,因为导入这些数据需要 20 天时间。
最佳答案
我认为你应该使用 elements
表:
Postgres 将能够使用统计信息来预测在执行查询之前将匹配多少行,因此它将能够使用最佳查询计划(如果您的数据分布不均则更为重要);
您将能够使用
CLUSTER elements USING elements_id_element_idx
来本地化查询数据;当 Postgres 9.2 发布时,您将能够利用仅索引扫描;
但是我已经对 1000 万个元素进行了一些测试:
create table elements (id_item bigint, id_element bigint);
insert into elements
select (random()*524288)::int, (random()*32768)::int
from generate_series(1,10000000);
\timing
create index elements_id_item on elements(id_item);
Time: 15470,685 ms
create index elements_id_element on elements(id_element);
Time: 15121,090 ms
select relation, pg_size_pretty(pg_relation_size(relation))
from (
select unnest(array['elements','elements_id_item', 'elements_id_element'])
as relation
) as _;
relation | pg_size_pretty
---------------------+----------------
elements | 422 MB
elements_id_item | 214 MB
elements_id_element | 214 MB
create table arrays (id_item bigint, a_elements bigint[]);
insert into arrays select array_agg(id_element) from elements group by id_item;
create index arrays_a_elements_idx on arrays using gin (a_elements);
Time: 22102,700 ms
select relation, pg_size_pretty(pg_relation_size(relation))
from (
select unnest(array['arrays','arrays_a_elements_idx']) as relation
) as _;
relation | pg_size_pretty
-----------------------+----------------
arrays | 108 MB
arrays_a_elements_idx | 73 MB
所以另一方面,数组更小,索引也更小。在做出决定之前,我会进行一些 200M 元素测试。
关于arrays - Postgresql - 在大数据库中使用数组的性能,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/11791698/