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

2 minute read

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。

pic

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。

pic

在各种应用场景中都可以看到PostgreSQL的应用:

pic

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:

pic

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》

《数据库选型之 - 大象十八摸 - 致 架构师、开发者》

《PostgreSQL 使用 pgbench 测试 sysbench 相关case》

《数据库界的华山论剑 tpc.org》

https://www.postgresql.org/docs/10/static/pgbench.html

Flag Counter

digoal’s 大量PostgreSQL文章入口