懒人推动社会进步 - 多列聚合, gin与数据分布(选择性)
背景
在广告行业，精准营销是一个较热的话题，之前写过一个案例，如何使用PostgreSQL的array类型和GIN索引实时圈人的场景。
《万亿级营销(圈人)迈入毫秒时代 - 万亿user_tags级实时推荐系统数据库设计》
使用以上方法，程序需要作出一些调整（当然，如果用户原本就是PostgreSQL技术栈，改动量会很少），改动量举例
假设用户使用了多个列来表示不同的属性，每个属性对应一些TAG取值空间。
create table user_tags(uid int8 primary key, lab1 int, lab2 text, lab3 timestamp, lab4 text, lab5 interval, lab6 json);
用户原有的圈人、维度统计查询可能是这样的
select * from user_tags where lab1 ? xxx and lab2 ? xxx or lab4 ? xxx;
select xx, count(*) from user_tags where lab1 ? xxx and lab2 ? xxx or lab4 ? xxx group by xxx;
由于属性取值空间可能连续，使用《万亿级营销(圈人)迈入毫秒时代 - 万亿user_tags级实时推荐系统数据库设计》提到的方法，需要建立标签库，将数据阶梯化，查询也要进行转换。
例如between and这种连续查询需要转换为in的散列查询。使得程序设计更加复杂，（虽然这样也许可以将性能最大化）。
那么PostgreSQL有没有什么折中的办法呢？
当然有，一切办法都是为懒人准备的，懒人推动了社会的进步。
如果你阅读一下这些文档，你会发现PG里面办法还是蛮多的。
1、使用bitmapand, bitmapor+任意索引，解决圈人问题。
《多字段，任意组合条件查询(0建模) - 毫秒级实时圈人 最佳实践》
2、使用varbitx插件，解决圈人问题。
《阿里云RDS for PostgreSQL varbitx插件与实时画像应用场景介绍》
接下来针对有连续查询，等值查询多种组合查询的圈人场景，我们来看看如何解决。
建模和测试
构建一张TAG表
postgres=# create table tbl_label(uid int primary key, c1 int, c2 text, c3 numeric, c4 timestamp, c5 interval, c6 int);
CREATE TABLE
Time: 31.145 ms
插入一批数据
postgres=# insert into tbl_label select id,
random()*10000, md5(random()::text),
10000*random(), clock_timestamp(),
(random()*1000::int||' hour')::interval,
random()*99999
from generate_series(1,10000000) t(id);
INSERT 0 10000000
数据样式
postgres=# select * from tbl_label limit 10;
uid | c1 | c2 | c3 | c4 | c5 | c6
-----+------+----------------------------------+------------------+----------------------------+------------------+-------
1 | 1692 | 505662aa4a6b33e1775cea660063ba58 | 9761.26249413937 | 2017-06-12 18:38:57.515097 | 322:06:55.266882 | 67699
2 | 8611 | a60d564b7f4d58029dfd5e16f0457305 | 1003.07232700288 | 2017-06-12 18:38:57.515282 | 780:59:39.081975 | 89283
3 | 290 | f226358e08372d4b79c8ecdd27172244 | 8240.20517989993 | 2017-06-12 18:38:57.515296 | 261:29:59.658099 | 87975
4 | 7829 | 32bc5d97731ddaf2c1630218e43d1e85 | 9061.87939457595 | 2017-06-12 18:38:57.515303 | 760:47:18.267513 | 76409
5 | 7735 | 3813b4bcdaadc21a55da143f6aceeac9 | 6651.74870751798 | 2017-06-12 18:38:57.515309 | 512:45:50.116217 | 11252
6 | 9945 | ff72917169cdea9225e429e438f22586 | 2114.50539063662 | 2017-06-12 18:38:57.515316 | 63:30:34.15014 | 33288
7 | 9144 | 7cf4067f22c5edbb1fc4e08ecee7242c | 5662.74457611144 | 2017-06-12 18:38:57.515322 | 890:30:28.360096 | 55484
8 | 2433 | 8ac9732bec2b1c175483c16e82467653 | 9184.17258188128 | 2017-06-12 18:38:57.515328 | 343:34:40.88581 | 53265
9 | 8113 | 2dd724e82dc7c2a15dfda45f6a41cd53 | 5094.92502082139 | 2017-06-12 18:38:57.515334 | 635:16:39.096908 | 63410
10 | 3893 | b8abdb00228f09efb04c1e2a8a022c22 | 6397.02362008393 | 2017-06-12 18:38:57.51534 | 295:26:24.752753 | 17894
(10 rows)
分析表的统计信息
postgres=# analyze tbl_label ;
ANALYZE
查看每列的散列程度
n_distinct解释
-1表示唯一，也就是说这个列的每一行都不一样.
>=1时，表示这个列有多少唯一值.
<1时，表示这个列的 唯一值数量/总数.
correlation解释
表示该列与数据堆存储的线性相关性, 1表示正向完全相关。越接近0表示数据分布越离散。<0表示反向相关。
uid是自增的, c4是时间递增的，所以都是1，完全相关。
postgres=# select tablename,attname,n_distinct,correlation from pg_stats where tablename='tbl_label';
tablename | attname | n_distinct | correlation
-----------+---------+------------+-------------
tbl_label | uid | -1 | 1
tbl_label | c1 | 10018 | 0.00431651
tbl_label | c2 | -0.957505 | -0.00796595
tbl_label | c3 | -1 | 0.00308372
tbl_label | c4 | -1 | 1
tbl_label | c5 | -1 | 0.000382809
tbl_label | c6 | 100688 | 0.00156045
(7 rows)
针对以上统计信息，对于唯一列，建立btree索引，对于松散列，建立gin索引（倒排），以达到最好的效果。
为了让普通类型支持gin，需要创建btree_gin插件
postgres=# create extension btree_gin;
CREATE EXTENSION
创建c1,c6的gin复合索引
postgres=# set maintenance_work_mem ='32GB';
SET
Time: 0.168 ms
postgres=# create index idx_tbl_label_1 on tbl_label using gin(c1,c6);
CREATE INDEX
Time: 1504.542 ms (00:01.505)
查询测试，查询c1,c6的任意组合，效果非常棒。
postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where c1 between 1 and 100;
QUERY PLAN
-----------------------------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on public.tbl_label (cost=125.76..8759.97 rows=10074 width=80) (actual time=40.856..50.480 rows=9922 loops=1)
Output: uid, c1, c2, c3, c4, c5, c6
Recheck Cond: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100))
Heap Blocks: exact=7222
Buffers: shared hit=7982
-> Bitmap Index Scan on idx_tbl_label_1 (cost=0.00..123.24 rows=10074 width=0) (actual time=39.773..39.773 rows=9922 loops=1)
Index Cond: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100))
Buffers: shared hit=760
Planning time: 0.105 ms
Execution time: 51.043 ms
(10 rows)
postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where c1 between 1 and 100 or c6=100;
QUERY PLAN
-----------------------------------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on public.tbl_label (cost=134.36..8799.70 rows=10085 width=80) (actual time=41.133..50.187 rows=9932 loops=1)
Output: uid, c1, c2, c3, c4, c5, c6
Recheck Cond: (((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100)) OR (tbl_label.c6 = 100))
Heap Blocks: exact=7228
Buffers: shared hit=7992
-> BitmapOr (cost=134.36..134.36 rows=10085 width=0) (actual time=40.045..40.045 rows=0 loops=1)
Buffers: shared hit=764
-> Bitmap Index Scan on idx_tbl_label_1 (cost=0.00..123.24 rows=10074 width=0) (actual time=40.031..40.031 rows=9922 loops=1)
Index Cond: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100))
Buffers: shared hit=760
-> Bitmap Index Scan on idx_tbl_label_1 (cost=0.00..6.08 rows=11 width=0) (actual time=0.012..0.012 rows=10 loops=1)
Index Cond: (tbl_label.c6 = 100)
Buffers: shared hit=4
Planning time: 0.125 ms
Execution time: 50.758 ms
(15 rows)
postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where c1 between 1 and 100 and c6=100;
QUERY PLAN
---------------------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on public.tbl_label (cost=22.50..24.02 rows=1 width=80) (actual time=36.193..36.193 rows=0 loops=1)
Output: uid, c1, c2, c3, c4, c5, c6
Recheck Cond: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100) AND (tbl_label.c6 = 100))
Buffers: shared hit=763
-> Bitmap Index Scan on idx_tbl_label_1 (cost=0.00..22.50 rows=1 width=0) (actual time=36.190..36.190 rows=0 loops=1)
Index Cond: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100) AND (tbl_label.c6 = 100))
Buffers: shared hit=763
Planning time: 0.115 ms
Execution time: 36.226 ms
(9 rows)
创建其他列的btree索引，因为其他列的n_distinct表明这些列基本唯一，所以我们建立btree索引，可以精准的进行定位。
对于线性相关性好的列，创建brin索引。后面会讲到索引的原理和选择。
postgres=# create index idx_tbl_label2 on tbl_label using btree(c2);
CREATE INDEX
Time: 1388.756 ms (00:01.389)
postgres=# create index idx_tbl_label3 on tbl_label using btree(c3);
CREATE INDEX
Time: 1028.865 ms (00:01.029)
多列组合查询，效果非常好
postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where c1 between 1 and 100 and c6=100 and c2='abc';
QUERY PLAN
----------------------------------------------------------------------------------------------------------------------------------
Index Scan using idx_tbl_label2 on public.tbl_label (cost=0.42..3.45 rows=1 width=80) (actual time=0.032..0.032 rows=0 loops=1)
Output: uid, c1, c2, c3, c4, c5, c6
Index Cond: (tbl_label.c2 = 'abc'::text)
Filter: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100) AND (tbl_label.c6 = 100))
Buffers: shared read=3
Planning time: 0.248 ms
Execution time: 0.056 ms
(7 rows)
多个索引通过bitmapAnd, bitmapOr对数据进行过滤，大幅提升任意条件查询的性能。原理如下
《多字段，任意组合条件查询(0建模) - 毫秒级实时圈人 最佳实践》
那么应该如何选择索引呢？后面会讲到。
赠送彩蛋
实际上前面用到的是GIN多列复合索引，还有一种方法，将多列转换为数组，然后建立数组索引(PostgreSQL 表达式索引。)。
1、如何将多列转换为数组？
postgres=# create or replace function to_array(VARIADIC anyarray) returns anyarray as $$
select $1;
$$ language sql strict immutable;
CREATE FUNCTION
例子
postgres=# select to_array('a'::text,'b','c');
to_array
----------
{a,b,c}
(1 row)
postgres=# select to_array(now(),clock_timestamp());
to_array
-------------------------------------------------------------------
{"2017-06-12 17:50:47.992274+08","2017-06-12 17:50:47.992489+08"}
(1 row)
postgres=# select to_array(1,2,3);
to_array
----------
{1,2,3}
(1 row)
2、数组表达式索引
例子
create index idx_tbl_label_combin on tbl_label using gin (to_array(c1,c6));
当列的类型不一致时，可以转换为一致的，然后建立表达式索引，类型转换可能需要使用immutable函数，如果没有则需要自建immutable转换函数，也很简单
postgres=# create index idx_tbl_label_combin1 on tbl_label using gin (to_array('c1:'||c1,'c6:'||c6));
3、如何命中数组表达式索引
查询条件与索引中的表达式一致，即可命中。
例子
postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where to_array(c1,c6) && array[1,2];
QUERY PLAN
--------------------------------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on public.tbl_label (cost=840.56..86397.30 rows=99750 width=80) (actual time=0.777..4.030 rows=2254 loops=1)
Output: uid, c1, c2, c3, c4, c5, c6
Recheck Cond: (ARRAY[tbl_label.c1, tbl_label.c6] && '{1,2}'::integer[])
Heap Blocks: exact=2242
Buffers: shared hit=2251
-> Bitmap Index Scan on idx_tbl_label_combin (cost=0.00..815.62 rows=99750 width=0) (actual time=0.465..0.465 rows=2254 loops=1)
Index Cond: (ARRAY[tbl_label.c1, tbl_label.c6] && '{1,2}'::integer[])
Buffers: shared hit=9
Planning time: 0.361 ms
Execution time: 4.176 ms
(10 rows)
postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where to_array('c1:'||c1,'c6:'||c6) && array['c1:1'];
QUERY PLAN
---------------------------------------------------------------------------------------------------------------------------------------
Bitmap Heap Scan on public.tbl_label (cost=422.00..54015.43 rows=50000 width=80) (actual time=0.331..1.888 rows=1021 loops=1)
Output: uid, c1, c2, c3, c4, c5, c6
Recheck Cond: (ARRAY[('c1:'::text || (tbl_label.c1)::text), ('c6:'::text || (tbl_label.c6)::text)] && '{c1:1}'::text[])
Heap Blocks: exact=1019
Buffers: shared hit=1024
-> Bitmap Index Scan on idx_tbl_label_combin1 (cost=0.00..409.50 rows=50000 width=0) (actual time=0.195..0.195 rows=1021 loops=1)
Index Cond: (ARRAY[('c1:'::text || (tbl_label.c1)::text), ('c6:'::text || (tbl_label.c6)::text)] && '{c1:1}'::text[])
Buffers: shared hit=5
Planning time: 0.173 ms
Execution time: 1.972 ms
(10 rows)
小结
1、什么时候选择btree
btree索引适合选择性好的列（n_distinct很大，或者=-1），唯一值比例越高越适合btree。
2、什么时候选择gin
与btree相反，选择性越差，采用GIN索引效率越高。
另外GIN的倒排特性，还特别适合多值类型的元素组合查询，例如数组、全文检索类型、TOKEN类型、等等。
同时GIN索引接口是开放的，用户可以根据数据特征，自定义GIN索引。支持更多的数据类型，例如图像特征值相似查询，文本的相似度查询等。
3、什么时候选择gist
GIST是PG的一种通用索引接口，适合各种数据类型，特别适合异构的类型，例如几何类型，空间类型，范围类型等。
GIST索引的原理可参考
《从难缠的模糊查询聊开 - PostgreSQL独门绝招之一 GIN , GiST , SP-GiST , RUM 索引原理与技术背景》
4、什么时候选择hash
如何用好只有等值查询，并且被索引的列长度很长，可能超过数据库block的1/3时，建议使用hash索引。 PG 10 hash索引会产生WAL，确保了可靠性，同时支持流复制。
PG 10 以前的版本，不建议使用hash index，crash后需要rebuild，不支持流复制。
5、什么时候选择brin
当数据与堆存储线性相关性很好时，可以采用BRIN索引。
BRIN是块级索引，存储每个（或者每一段连续的）数据块的原子信息（最大值，最小值，平均值，空值比例，COUNT等）。
特别适合范围扫描。
不同的索引方法支持什么类型的查询？
1、btree
适合排序、>=, <=, =, in, >, < 等查询。
2、HASH
适合=查询。
3、GIN
不同的数据类型，适应不同的查询需求。
例如数组类型，适合 相交，包含等。
4、GIST
不同的数据类型，适应不同的查询需求。
例如空间类型，适合，距离排序，KNN，包含，相交，左，右等。
5、BRIN
适合范围查询，=查询。
如何优化索引效率
前面的方法告诉你应该如何选择索引，但是没有提索引本身的优化，实际上数据分布会影响索引的效率。
例如
因此，根据索引的扫描特点，对数据进行重分布，可以大幅度优化索引查询的效率。
例如bitmap index scan（按BLOCK ID顺序读取）就是PostgreSQL用于减少离散IO的手段。
1、btree数据分布优化
线性相关越好，扫描或返回多条数据的效率越高。
2、hash数据分布优化
线性相关越好，扫描或返回多条数据的效率越高。
3、gin数据分布优化
如果是普通类型，则线性相关越好，扫描或返回多条数据的效率越高。
如果是多值类型（如数组、全文检索、TOKENs），则元素越集中（元素聚类分析，横坐标为行号，纵坐标为元素值，数据分布越集中），效率越高。
元素集中通常不好实现，但是我们可以有集中方法来聚集数据，1. 根据元素的出现频率进行排序重组，当用户搜索高频词时，扫描的块更少，减少IO放大。2. 根据（被搜索元素的次数*命中条数）的值进行排序，按排在最前的元素进行聚集，逐级聚集。
(以上方法可能比较烧脑，下次发一篇文档专门讲GIN的数据重组优化)
《索引扫描优化之 - GIN数据重组优化(按元素聚合) 想象在玩多阶魔方》
4、gist数据分布优化
如果是普通类型，则线性相关越好，扫描或返回多条数据的效率越高。
如果是空间类型，则元素越集中（例如数据按geohash连续分布），效率越高。
5、brin数据分布优化
线性相关越好，扫描或返回多条数据的效率越高。
6、多列复合索引数据分布优化
对于多列符合索引，则看索引的类型，要求与前面一样。
增加一个，多个列的线性相关性越好，性能越好。
多列线性相关性计算方法如下
《PostgreSQL 计算 任意类型 字段之间的线性相关性》
数据分布还有一个好处，对于列存储，可以大幅提升压缩比
《一个简单算法可以帮助物联网,金融 用户 节约98%的数据存储成本 (PostgreSQL,Greenplum帮你做到)》
参考
《阿里云RDS for PostgreSQL varbitx插件与实时画像应用场景介绍》
《多字段，任意组合条件查询(0建模) - 毫秒级实时圈人 最佳实践》
《宝剑赠英雄 - 任意组合字段等效查询, 探探PostgreSQL多列展开式B树 (GIN)》
《从难缠的模糊查询聊开 - PostgreSQL独门绝招之一 GIN , GiST , SP-GiST , RUM 索引原理与技术背景》
《PostgreSQL 9.3 pg_trgm imporve support multi-bytes char and gist,gin index for reg-exp search》
《万亿级营销(圈人)迈入毫秒时代 - 万亿user_tags级实时推荐系统数据库设计》