postgresql 性能优化

order_date,2

      order_source,

3

      SUM(commodity_num) num,

4

      SUM(actual_charge) charge

5

  FROM (

6

  SELECT to_char(oc.create_date, ‘yyyyMMdd‘) AS order_date,

7

              (CASE

8

                WHEN oo.event_type = ‘ONLINE_COMMODITY_ORDER‘ THEN

9

                  ‘线上‘

10

                ELSE

11

                  ‘线下‘

12

              END) order_source,

13

              oc.commodity_num,

14

              oc.actual_charge actual_charge

15

          FROM ord.ord_commodity_hb_2017 AS oc, ord.ord_order_hb_2017 AS oo

16

        WHERE oc.order_id = oo.order_id

17

          AND oc.op_type = 3            -- 3个值 ，3->5000 大概1/20的数据

18

          AND oc.create_date BETWEEN ‘2017-02-05‘ AND ‘2017-12-07‘ -- 无用

19

          AND oc.corp_org_id = 106      -- 无用

20

          AND oo.trade_state = 11        -- 3个值  11 --> 71万行，一半数据

21

          AND oo.event_type IN (values(‘ONLINE_COMMODITY_ORDER‘),

22

                                (‘USER_CANCEL‘),

23

                                (‘USER_COMMODITY_UPDATE‘))    -- 大概1/10 数据

24

                                ORDER BY oc.create_date    -- 如果业务不强制，最好去掉排序，如果不能去掉，最好等过滤数据量到尽量小时再排序

25

                                ) T

26

GROUP BY order_date, order_source;

下面默认以postgresql为例：

一、排序:

1. 尽量避免
2. 排序的数据量尽量少，并保证在内存里完成排序。
（至于具体什么数据量能在内存中完成排序，不同数据库有不同的配置：
    oracle是sort_area_size；
    postgresql是work_mem (integer)，单位是KB，默认值是4MB。
    mysql是sort_buffer_size 注意：该参数对应的分配内存是每连接独占！
    ）

二、索引：

1. 过滤的数据量比较少，一般来说<20%,应该走索引。20%-40% 可能走索引也可能不走索引。> 40% ，基本不走索引(会全表扫描)
2. 保证值的数据类型和字段数据类型要一直。
3. 对索引的字段进行计算时，必须在运算符右侧进行计算。也就是 to_char(oc.create_date, ‘yyyyMMdd‘)是没用的
4. 表字段之间关联，尽量给相关字段上添加索引。
5. 复合索引，遵从最左前缀的原则,即最左优先。（单独右侧字段查询没有索引的）

三、连接查询方式：

1、hash join

放内存里进行关联。
适用于结果集比较大的情况。
比如都是200000数据

2、nest loop

从结果1 逐行取出，然后与结果集2进行匹配。
适用于两个结果集，其中一个数据量远大于另外一个时。
结果集一：1000
结果集二：1000000

四、多表联查时：

在多表联查时，需要考虑连接顺序问题。
    1、当postgresql中进行查询时，如果多表是通过逗号，而不是join连接，那么连接顺序是多表的笛卡尔积中取最优的。如果有太多输入的表， PostgreSQL规划器将从穷举搜索切换为基因概率搜索，以减少可能性数目(样本空间)。基因搜索花的时间少， 但是并不一定能找到最好的规划。
   
    2、对于JOIN，
        LEFT JOIN / RIGHT JOIN 会一定程度上指定连接顺序，但是还是会在某种程度上重新排列：
        FULL JOIN 完全强制连接顺序。        如果要强制规划器遵循准确的JOIN连接顺序，我们可以把运行时参数join_collapse_limit设置为 1
    

五、PostgreSQL提供了一些性能调优的功能：

优化思路：    0、为每个表执行 ANALYZE <table>。然后分析 EXPLAIN (ANALYZE，BUFFERS) sql。
    1、对于多表查询，查看每张表数据，然后改进连接顺序。
    2、先查找那部分是重点语句，比如上面SQL，外面的嵌套层对于优化来说没有意义，可以去掉。
    3、查看语句中，where等条件子句，每个字段能过滤的效率。找出可优化处。
        比如oc.order_id = oo.order_id是关联条件，需要加索引
        oc.op_type = 3 能过滤出1/20的数据，
        oo.event_type IN (...) 能过滤出1/10的数据，
        这两个是优化的重点，也就是实现确保op_type与event_type已经加了索引，其次确保索引用到了。

优化方案：

a) 整体优化：

1、使用EXPLAIN
  EXPLAIN命令可以查看执行计划，这个方法是我们最主要的调试工具。

2、及时更新执行计划中使用的统计信息
       由于统计信息不是每次操作数据库都进行更新的，一般是在 VACUUM 、 ANALYZE 、 CREATE INDEX等DDL执行的时候会更新统计信息， 
因此执行计划所用的统计信息很有可能比较旧。 这样执行计划的分析结果可能误差会变大。
以下是表tenk1的相关的一部分统计信息。

SELECT relname, relkind, reltuples, relpages
FROM pg_class
WHERE relname LIKE ‘tenk1%‘;

      relname                  | relkind | reltuples | relpages
----------------------+---------+-----------+----------
  tenk1                            | r      |    10000 |      358
  tenk1_hundred              | i      |    10000 |      30
  tenk1_thous_tenthous    | i      |    10000 |      30
  tenk1_unique1              | i      |    10000 |      30
  tenk1_unique2              | i        |    10000 |      30
(5 rows)

12 1

SELECT relname, relkind, reltuples, relpages

2

FROM pg_class

3

WHERE relname LIKE ‘tenk1%‘;

4

5

      relname                  | relkind | reltuples | relpages

6

----------------------+---------+-----------+----------

7

  tenk1                            | r      |    10000 |      358

8

  tenk1_hundred              | i      |    10000 |      30

9

  tenk1_thous_tenthous    | i      |    10000 |      30

10

  tenk1_unique1              | i      |    10000 |      30

11

  tenk1_unique2              | i        |    10000 |      30

12

(5 rows)

其中 relkind是类型，r是自身表，i是索引index；reltuples是项目数；relpages是所占硬盘的块数。

估计成本通过 （磁盘页面读取【relpages】*seq_page_cost）+（行扫描【reltuples】*cpu_tuple_cost）计算。默认情况下， seq_page_cost是1.0，cpu_tuple_cost是0.01。

名字	类型	描述
relpages	int4	以页(大小为BLCKSZ)的此表在磁盘上的形式的大小。 它只是规划器用的一个近似值，是由VACUUM,ANALYZE 和几个 DDL 命令，比如CREATE INDEX更新。
reltuples	float4	表中行的数目。只是规划器使用的一个估计值，由VACUUM,ANALYZE 和几个 DDL 命令，比如CREATE INDEX更新。

3、使用临时表（with）对于数据量大，且无法有效优化时，可以使用临时表来过滤数据，降低数据数量级。
4、对于会影响结果的分析，可以使用 begin;...rollback;来回滚。

b) 查询优化：

1、明确用join来关联表，确保连接顺序
  一般写法：SELECT * FROM a, b, c WHERE a.id = b.id AND b.ref = c.id;
  如果明确用join的话，执行时候执行计划相对容易控制一些。
例子：
    SELECT * FROM a CROSS JOIN b CROSS JOIN c WHERE a.id = b.id AND b.ref = c.id;
    SELECT * FROM a JOIN (b JOIN c ON (b.ref = c.id)) ON (a.id = b.id);

c) 插入更新优化

1、关闭自动提交（autocommit=false）
如果有多条数据库插入或更新等，最好关闭自动提交，这样能提高效率
2、多次插入数据用copy命令更高效
  我们有的处理中要对同一张表执行很多次insert操作。这个时候我们用copy命令更有效率。因为insert一次，其相关的index都要做一次，比较花费时间。

3、临时删除index【具体可以查看Navicat表数据生成sql的语句，就是先删再建的】
  有时候我们在备份和重新导入数据的时候，如果数据量很大的话，要好几个小时才能完成。这个时候可以先把index删除掉。导入后再建index。

4、外键关联的删除
  如果表的有外键的话，每次操作都没去check外键整合性。因此比较慢。数据导入后再建立外键也是一种选择。

d) 修改参数：

选项	默认值	说明	是否优化	原因
max_connections	100	允许客户端连接的最大数目	否	因为在测试的过程中，100个连接已经足够
fsync	on	强制把数据同步更新到磁盘	是	因为系统的IO压力很大，为了更好的测试其他配置的影响，把改参数改为off
shared_buffers	24MB	决定有多少内存可以被PostgreSQL用于缓存数据（推荐内存的1/4)	是	在IO压力很大的情况下，提高该值可以减少IO
work_mem	1MB	使内部排序和一些复杂的查询都在这个buffer中完成	是	有助提高排序等操作的速度，并且减低IO
effective_cache_size	128MB	优化器假设一个查询可以用的最大内存，和shared_buffers无关（推荐内存的1/2)	是	设置稍大，优化器更倾向使用索引扫描而不是顺序扫描
maintenance_work_mem	16MB	这里定义的内存只是被VACUUM等耗费资源较多的命令调用时使用	是	把该值调大，能加快命令的执行
wal_buffer	768kB	日志缓存区的大小	是	可以降低IO，如果遇上比较多的并发短事务，应该和commit_delay一起用
checkpoint_segments	3	设置wal log的最大数量数（一个log的大小为16M）	是	默认的48M的缓存是一个严重的瓶颈，基本上都要设置为10以上
checkpoint_completion_target	0.5	表示checkpoint的完成时间要在两个checkpoint间隔时间的N%内完成	是	能降低平均写入的开销
commit_delay	0	事务提交后，日志写到wal log上到wal_buffer写入到磁盘的时间间隔。需要配合commit_sibling	是	能够一次写入多个事务，减少IO，提高性能
commit_siblings	5	设置触发commit_delay的并发事务数，根据并发事务多少来配置	是	减少IO，提高性能
autovacuum_naptime	1min	下一次vacuum任务的时间	是	提高这个间隔时间，使他不是太频繁
autovacuum_analyze_threshold	50	与autovacuum_analyze_scale_factor配合使用，来决定是否analyze	是	使analyze的频率符合实际
autovacuum_analyze_scale_factor	0.1	当update,insert,delete的tuples数量超过autovacuum_analyze_scale_factor*table_size+autovacuum_analyze_threshold时，进行analyze。	是	使analyze的频率符合实际

下面介绍几个我认为重要的：1、增加maintenance_work_mem参数大小
  增加这个参数可以提升CREATE INDEX和ALTER TABLE ADD FOREIGN KEY的执行效率。

2、增加checkpoint_segments参数的大小
  增加这个参数可以提升大量数据导入时候的速度。

3、设置archive_mode无效
  这个参数设置为无效的时候，能够提升以下的操作的速度
  ?CREATE TABLE AS SELECT
  ?CREATE INDEX
  ?ALTER TABLE SET TABLESPACE
  ?CLUSTER等。

4、autovacuum相关参数
autovacuum：默认为on，表示是否开起autovacuum。默认开起。特别的，当需要冻结xid时，尽管此值为off，PG也会进行vacuum。 
autovacuum_naptime：下一次vacuum的时间，默认1min。 这个naptime会被vacuum launcher分配到每个DB上。autovacuum_naptime/num of db。 
log_autovacuum_min_duration：记录autovacuum动作到日志文件，当vacuum动作超过此值时。 “-1”表示不记录。“0”表示每次都记录。 
autovacuum_max_workers：最大同时运行的worker数量，不包含launcher本身。 
autovacuum_work_mem    ：每个worker可使用的最大内存数。autovacuum_vacuum_threshold    ：默认50。与autovacuum_vacuum_scale_factor配合使用， autovacuum_vacuum_scale_factor默认值为20%。当update,delete的tuples数量超过autovacuum_vacuum_scale_factor*table_size+autovacuum_vacuum_threshold时，进行vacuum。如果要使vacuum工作勤奋点，则将此值改小。 autovacuum_analyze_threshold        ：默认50。与autovacuum_analyze_scale_factor配合使用。autovacuum_analyze_scale_factor    ：默认10%。当update,insert,delete的tuples数量超过autovacuum_analyze_scale_factor*table_size+autovacuum_analyze_threshold时，进行analyze。 autovacuum_freeze_max_age：200 million。离下一次进行xid冻结的最大事务数。 autovacuum_multixact_freeze_max_age：400 million。离下一次进行xid冻结的最大事务数。 
autovacuum_vacuum_cost_delay    ：如果为-1，取vacuum_cost_delay值。 autovacuum_vacuum_cost_limit       ：如果为-1，到vacuum_cost_limit的值，这个值是所有worker的累加值。

postgresql 性能优化

标签：避免   table   穷举   图片   launch   cursor   客户   star   rda