HTAP数据库 PostgreSQL 场景与性能测试之 17 - (OLTP) 数组相似查询
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 - 数组相似查询 (OLTP)
1、背景
数组是PostgreSQL的一种多值类型，可以存储多个同类元素。在业务系统设计时，可以使用数组存储 标签、聚合属性 等。
例如导购业务系统，可以在数组中存储多个商品ID，根据判断新提交的导购文章的商品ID是否与已有文章的商品ID相似，实时判定导购文章的合法性（有没有与已有文章类似的文章）。
《PostgreSQL结合余弦、线性相关算法 在文本、图片、数组相似 等领域的应用 - 2 smlar插件详解》
《电商内容去重\内容筛选应用(实时识别转载\盗图\侵权?) - 文本、图片集、商品集、数组相似判定的优化和索引技术》
2、设计
1亿条记录，每条记录包含24个数值组成的数组，数组元素的取值范围100万。
实时判定新提交的记录是否有与已有记录重复值超过N个元素的记录。
3、准备测试表
create extension smlar;
create table t_arr_smlar(
id int,
arr int[]
);
4、准备测试函数(可选)
在若干范围内，生成包含若干个随机值的数组
create or replace function gen_rand_arr(int,int) returns int[] as $$
select array_agg((random()*$1)::int) from generate_series(1,$2);
$$ language sql strict;
测试搜索与指定随机字符串的重叠元素个数超过N个的记录
create or replace function f_test () returns setof record as $$
declare
varr int[];
begin
set smlar.type = overlap;
set smlar.threshold = 20; -- 超过20个相似，即返回
set LOCAL enable_seqscan=off;
-- 产生一个随机数组
select gen_rand_arr(1000000, 24) into varr;
return query select
*,
smlar( arr, varr)
from
t_arr_smlar
where
arr % varr
limit 1;
end;
$$ language plpgsql strict;
5、准备测试数据
insert into t_arr_smlar select id, gen_rand_arr(1000000,24) from generate_series(1,100000000) t(id);
create index idx_t_arr_smlar on t_arr_smlar using gin (arr _int4_sml_ops);
6、准备测试脚本
vi test.sql
select * from f_test() as t(id int, arr int[], sml real);
7、测试
单次相似查询效率，响应时间低于 20 毫秒。(使用绑定变量、并且CACHE命中后，响应时间更低。)
select * from f_test() as t(id int, arr int[], sml real);
postgres=# set smlar.type = overlap;
postgres=# set smlar.threshold = 20;
postgres=# select
*,
smlar( arr, '{670277,99869,937294,575449,159952,800157,847689,593052,764962,311135,401858,620507,659772,626246,470638,736153,910818,516379,493533,284204,72296,674361,23,24}')
from
t_arr_smlar
where
arr % '{670277,99869,937294,575449,159952,800157,847689,593052,764962,311135,401858,620507,659772,626246,470638,736153,910818,516379,493533,284204,72296,674361,23,24}'
limit 100;
id | arr | smlar
----+-------------------------------------------------------------------------------------------------------------------------------------------------------------------------+-------
1 | {670277,99869,937294,575449,159952,800157,847689,593052,764962,311135,401858,620507,659772,626246,470638,736153,910818,516379,493533,284204,72296,674361,713438,815800} | 22
(1 row)
Time: 15.288 ms
postgres=# explain (analyze,verbose,timing,costs,buffers) select
*,
smlar( arr, '{670277,99869,937294,575449,159952,800157,847689,593052,764962,311135,401858,620507,659772,626246,470638,736153,910818,516379,493533,284204,72296,674361,23,24}')
from
t_arr_smlar
where
arr % '{670277,99869,937294,575449,159952,800157,847689,593052,764962,311135,401858,620507,659772,626246,470638,736153,910818,516379,493533,284204,72296,674361,23,24}'
limit 100;
QUERY PLAN
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Limit (cost=980.00..1078.97 rows=100 width=125) (actual time=15.754..15.755 rows=1 loops=1)
Output: id, arr, (smlar(arr, '{670277,99869,937294,575449,159952,800157,847689,593052,764962,311135,401858,620507,659772,626246,470638,736153,910818,516379,493533,284204,72296,674361,23,24}'::integer[]))
Buffers: shared hit=130
-> Bitmap Heap Scan on public.t_arr_smlar (cost=980.00..99946.00 rows=100000 width=125) (actual time=15.753..15.753 rows=1 loops=1)
Output: id, arr, smlar(arr, '{670277,99869,937294,575449,159952,800157,847689,593052,764962,311135,401858,620507,659772,626246,470638,736153,910818,516379,493533,284204,72296,674361,23,24}'::integer[])
Recheck Cond: (t_arr_smlar.arr % '{670277,99869,937294,575449,159952,800157,847689,593052,764962,311135,401858,620507,659772,626246,470638,736153,910818,516379,493533,284204,72296,674361,23,24}'::integer[])
Heap Blocks: exact=1
Buffers: shared hit=130
-> Bitmap Index Scan on idx_t_arr_smlar (cost=0.00..955.00 rows=100000 width=0) (actual time=15.724..15.724 rows=1 loops=1)
Index Cond: (t_arr_smlar.arr % '{670277,99869,937294,575449,159952,800157,847689,593052,764962,311135,401858,620507,659772,626246,470638,736153,910818,516379,493533,284204,72296,674361,23,24}'::integer[])
Buffers: shared hit=129
Planning time: 0.112 ms
Execution time: 15.827 ms
(13 rows)
Time: 16.466 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: 572889
latency average = 29.324 ms
latency stddev = 5.015 ms
tps = 1909.385599 (including connections establishing)
tps = 1909.420275 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
29.324 select * from f_test() as t(id int, arr int[], sml real);
TPS： 1909
平均响应时间： 29.324 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