HTAP数据库 PostgreSQL 场景与性能测试之 19 - (OLAP) 用户画像圈人场景 - 数组相交查询与聚合

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。

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 - 用户画像圈人场景 - 数组相交查询与聚合 (OLAP)

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。

例如用户画像系统，使用数组存储用户的标签。当需要根据标签组合圈选一批用户时，使用数组的包含、相交等手段来筛选选中的记录。

包含表示包含目标条件中的所有标签。

相交表示包含目标条件中的任意标签。

2、设计

1亿条记录，每条记录包含16个标签，标签的取值范围1万。另外包含3个属性字段用于透视。

3、准备测试表

create table t_arr_label(
  id int,
  c1 int,
  c2 int,
  c3 int,
  label 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;    

测试搜索包含若干个元素的记录，并进行透视，输出透视结果。

5、准备测试数据

insert into t_arr_label select id, random()*100, random()*10, random()*2, gen_rand_arr(10000, 16) from generate_series(1,100000000) t(id);

create index idx_t_arr_label on t_arr_label using gin (label);

6、准备测试脚本

vi test.sql  
  
\set a1 random(1,10000)
\set a2 random(1,10000)
\set a3 random(1,10000)
select c1,c2,c3,count(*) from t_arr_label where label && (array[:a1, :a2, :a3])::int[] group by grouping sets ((c1),(c2),(c3));

7、测试

单次相似查询效率，响应时间低于 300 毫秒。(使用绑定变量、并且CACHE命中后，响应时间更低。)

postgres=# select c1,c2,c3,count(*) from t_arr_label where label && '{1,2,3}' group by grouping sets ((c1),(c2),(c3));
 c1  | c2 | c3 | count  
-----+----+----+--------
   7 |    |    |   4704
   5 |    |    |   4825
  75 |    |    |   4717
  41 |    |    |   4812
  97 |    |    |   4784
.....................
  80 |    |    |   4877
  11 |    |    |   4797
   8 |    |    |   4924
  43 |    |    |   4829
     |  6 |    |  47897
     |  7 |    |  48239
     |  0 |    |  23932
     |  9 |    |  48161
     |  5 |    |  47508
     |  4 |    |  48063
     | 10 |    |  23847
     |  3 |    |  47965
     |  1 |    |  47928
     |  2 |    |  48196
     |  8 |    |  47443
     |    |  0 | 119686
     |    |  1 | 238997
     |    |  2 | 120496
(115 rows)

Time: 291.773 ms

postgres=# explain (analyze,verbose,timing,costs,buffers) select c1,c2,c3,count(*) from t_arr_label where label && '{1,2}' group by grouping sets ((c1),(c2),(c3));
                                                                   QUERY PLAN                                                                   
------------------------------------------------------------------------------------------------------------------------------------------------
 HashAggregate  (cost=208722.69..210622.94 rows=115 width=20) (actual time=254.775..254.794 rows=115 loops=1)
   Output: c1, c2, c3, count(*)
   Hash Key: t_arr_label.c1
   Hash Key: t_arr_label.c2
   Hash Key: t_arr_label.c3
   Buffers: shared hit=26113
   ->  Bitmap Heap Scan on public.t_arr_label  (cost=1601.40..207773.14 rows=189910 width=12) (actual time=35.219..131.170 rows=319591 loops=1)
         Output: id, c1, c2, c3, label
         Recheck Cond: (t_arr_label.label && '{1,2}'::integer[])
         Heap Blocks: exact=26041
         Buffers: shared hit=26113
         ->  Bitmap Index Scan on idx_t_arr_label  (cost=0.00..1553.92 rows=189910 width=0) (actual time=31.495..31.495 rows=319591 loops=1)
               Index Cond: (t_arr_label.label && '{1,2}'::integer[])
               Buffers: shared hit=72
 Planning time: 0.145 ms
 Execution time: 254.869 ms
(16 rows)

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: 34132
latency average = 492.461 ms
latency stddev = 124.294 ms
tps = 113.617614 (including connections establishing)
tps = 113.628805 (excluding connections establishing)
script statistics:
 - statement latencies in milliseconds:
         0.005  \set a1 random(1,10000)
         0.001  \set a2 random(1,10000)
         0.000  \set a3 random(1,10000)
       472.754  select c1,c2,c3,count(*) from t_arr_label where label && (array[:a1, :a2, :a3])::int[] group by grouping sets ((c1),(c2),(c3));

TPS： 113

平均响应时间： 492 毫秒

PostgreSQL真正实现了毫秒级圈选和透视分析。

相交比包含慢，是因为包含是包含所有，在BITMAP SCAN时，跳过更多的BLOCK。而相交是OR，OR的条件越多，扫描的BLOCK越多。

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

digoal’s 大量PostgreSQL文章入口

Twitter Facebook Google+ LinkedIn

Digoal.zhou