HTAP数据库 PostgreSQL 场景与性能测试之 16 - (OLTP) 文本特征向量 - 相似特征(海明…)查询
背景
PostgreSQL是一个历史悠久的数据库，历史可以追溯到1973年，最早由2014计算机图灵奖得主，关系数据库的鼻祖Michael_Stonebraker 操刀设计，PostgreSQL具备与Oracle类似的功能、性能、架构以及稳定性。
PostgreSQL社区的贡献者众多，来自全球各个行业，历经数年，PostgreSQL 每年发布一个大版本，以持久的生命力和稳定性著称。
2017年10月，PostgreSQL 推出10 版本，携带诸多惊天特性，目标是胜任OLAP和OLTP的HTAP混合场景的需求：
《最受开发者欢迎的HTAP数据库PostgreSQL 10特性》
1、多核并行增强
2、fdw 聚合下推
3、逻辑订阅
4、分区
5、金融级多副本
6、json、jsonb全文检索
7、还有插件化形式存在的特性，如 向量计算、JIT、SQL图计算、SQL流计算、分布式并行计算、时序处理、基因测序、化学分析、图像分析 等。
在各种应用场景中都可以看到PostgreSQL的应用：
PostgreSQL近年来的发展非常迅猛，从知名数据库评测网站dbranking的数据库评分趋势，可以看到PostgreSQL向上发展的趋势：
从每年PostgreSQL中国召开的社区会议，也能看到同样的趋势，参与的公司越来越多，分享的公司越来越多，分享的主题越来越丰富，横跨了 传统企业、互联网、医疗、金融、国企、物流、电商、社交、车联网、共享XX、云、游戏、公共交通、航空、铁路、军工、培训、咨询服务等 行业。
接下来的一系列文章，将给大家介绍PostgreSQL的各种应用场景以及对应的性能指标。
环境
环境部署方法参考：
《PostgreSQL 10 + PostGIS + Sharding(pg_pathman) + MySQL(fdw外部表) on ECS 部署指南(适合新用户)》
阿里云 ECS：56核，224G，1.5TB*2 SSD云盘。
操作系统：CentOS 7.4 x64
数据库版本：PostgreSQL 10
PS：ECS的CPU和IO性能相比物理机会打一定的折扣，可以按下降1倍性能来估算。跑物理主机可以按这里测试的性能乘以2来估算。
场景 - 文本特征向量 - 相似特征(海明…)查询 (OLTP)
1、背景
对于长文本来说、或者一些较长文本来说，如果要搜索语义相似的文本，使用全文检索、模糊查询都不太合适，无法满足需求。
通常的做法是提取文本的特征词，根据特征来搜索相似的文本。
比如求不同文本之间的海明距离，得到的距离越近，越相似。
《海量数据,海明(simhash)距离高效检索(smlar) - 阿里云RDS PosgreSQL最佳实践》
2、设计
1亿条文本特征向量的海明码，输入任意海明码，求与之相似的记录。
1亿个海明码，搜索与指定海明码的距离在3以内的记录。
3、准备测试表
create extension smlar;
create table hm3 (id int, hmval bit(64), hmarr text[]);
4、准备测试函数(可选)
生成随机海明码的函数
create or replace function gen_rand_bit() returns bit(64) as $$
select (sqrt(random())::numeric*9223372036854775807*2-9223372036854775807::numeric)::int8::bit(64);
$$ language sql strict;
create or replace function gen_arr(text) returns text[] as $$
select regexp_split_to_array('1_'||substring($1,1,16)||',2_'||substring($1,17,16)||',3_'||substring($1,33,16)||',4_'||substring($1,41,16), ',') ;
$$ language sql strict;
测试搜索与指定海明码的距离在3以内的记录的函数
create or replace function f_test () returns setof record as $$
declare
ts text;
arr text[];
begin
set smlar.type = overlap;
set smlar.threshold = 3;
set LOCAL enable_seqscan=off;
select gen_rand_bit()::text into ts;
select gen_arr(ts) into arr;
return query select
*,
smlar( hmarr, arr)
from
hm3
where
hmarr % arr
and length(replace(bitxor(ts::bit(64), hmval)::text,'0','')) < 2
limit 1;
end;
$$ language plpgsql strict;
5、准备测试数据
insert into hm3
select
id,
val::bit(64),
regexp_split_to_array('1_'||substring(val,1,16)||',2_'||substring(val,17,16)||',3_'||substring(val,33,16)||',4_'||substring(val,41,16), ',')
from
(select id, (sqrt(random())::numeric*9223372036854775807*2-9223372036854775807::numeric)::int8::bit(64)::text as val from generate_series(1,100000000) t(id)) t;
create index idx_hm3 on hm3 using gin(hmarr _text_sml_ops );
6、准备测试脚本
vi test.sql
select * from f_test() as t(id int, hmval bit(64), hmarr text[], dist real);
7、测试
单次相似查询效率，响应时间低于 2 毫秒。(使用绑定变量、并且CACHE命中后，响应时间更低。)
select
*,
smlar( hmarr, '{1_0000000010010010,2_1100110110010100,3_1101110100011011,4_0001101111111111}'::text[])
from
hm3
where
hmarr % '{1_0000000010010010,2_1100110110010100,3_1101110100011011,4_0001101111111111}'::text[]
and length(replace(bitxor('0000000010010010110011011001010011011101000110111111111001111111'::bit(64), hmval)::text,'0','')) < 2
limit 1;
id | hmval | hmarr | smlar
----+------------------------------------------------------------------+-------------------------------------------------------------------------------+-------
1 | 0000000010010010110011011001010011011101000110111111111001111110 | {1_0000000010010010,2_1100110110010100,3_1101110100011011,4_0001101111111110} | 3
(1 row)
Time: 1.335 ms
postgres=# explain (analyze,verbose,timing,costs,buffers) select
*,
smlar( hmarr, '{1_0000000010010010,2_1100110110010100,3_1101110100011011,4_0001101111111111}'::text[])
from
hm3
where
hmarr % '{1_0000000010010010,2_1100110110010100,3_1101110100011011,4_0001101111111111}'::text[]
and length(replace(bitxor('0000000010010010110011011001010011011101000110111111111001111111'::bit(64), hmval)::text,'0','')) < 2
limit 1;
QUERY PLAN
---------------------------------------------------------------------------------------------------------------------------------------------------------------------
Limit (cost=811.33..814.35 rows=1 width=138) (actual time=0.563..0.563 rows=1 loops=1)
Output: id, hmval, hmarr, (smlar(hmarr, '{1_0000000010010010,2_1100110110010100,3_1101110100011011,4_0001101111111111}'::text[]))
Buffers: shared hit=19
-> Bitmap Heap Scan on public.hm3 (cost=811.33..101253.67 rows=33333 width=138) (actual time=0.561..0.561 rows=1 loops=1)
Output: id, hmval, hmarr, smlar(hmarr, '{1_0000000010010010,2_1100110110010100,3_1101110100011011,4_0001101111111111}'::text[])
Recheck Cond: (hm3.hmarr % '{1_0000000010010010,2_1100110110010100,3_1101110100011011,4_0001101111111111}'::text[])
Filter: (length(replace((bitxor(B'0000000010010010110011011001010011011101000110111111111001111111'::bit(64), hm3.hmval))::text, '0'::text, ''::text)) < 2)
Heap Blocks: exact=1
Buffers: shared hit=19
-> Bitmap Index Scan on idx_hm3 (cost=0.00..803.00 rows=100000 width=0) (actual time=0.538..0.538 rows=1 loops=1)
Index Cond: (hm3.hmarr % '{1_0000000010010010,2_1100110110010100,3_1101110100011011,4_0001101111111111}'::text[])
Buffers: shared hit=18
Planning time: 0.134 ms
Execution time: 0.602 ms
(14 rows)
Time: 1.269 ms
压测
CONNECTS=56
TIMES=300
export PGHOST=$PGDATA
export PGPORT=1999
export PGUSER=postgres
export PGPASSWORD=postgres
export PGDATABASE=postgres
pgbench -M prepared -n -r -f ./test.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES
8、测试结果
transaction type: ./test.sql
scaling factor: 1
query mode: prepared
number of clients: 56
number of threads: 56
duration: 300 s
number of transactions actually processed: 14721374
latency average = 1.140 ms
latency stddev = 0.590 ms
tps = 49053.614018 (including connections establishing)
tps = 49054.615079 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
1.139 select * from f_test() as t(id int, hmval bit(64), hmarr text[], dist real);
TPS： 49054
平均响应时间： 1.140 毫秒
参考
《PostgreSQL、Greenplum 应用案例宝典《如来神掌》 - 目录》
《PostgreSQL 使用 pgbench 测试 sysbench 相关case》
https://www.postgresql.org/docs/10/static/pgbench.html