HTAP数据库 PostgreSQL 场景与性能测试之 21 - (OLTP+OLAP) 排序、建索引
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 - 排序、建索引 (OLTP+OLAP)
1、背景
1、OLTP中,排序通常是小数据集的排序。
2、OLAP中,通常需要对大结果集进行排序,取TOP。
3、排序的快慢,还直接影响建索引的速度。(提一下,PostgreSQL支持 CONCURRENTLY 构建索引,建索引时不会堵塞DML。)
4、OLAP中,取TOP还有一些简便高效的方法:估算、HLL、采样、统计信息等。
《秒级任意维度分析1TB级大表 - 通过采样估值满足高效TOP N等统计分析需求》
《Greenplum 最佳实践 - 估值插件hll的使用(以及hll分式聚合函数优化)》
《PostgreSQL hll (HyperLogLog) extension for “State of The Art Cardinality Estimation Algorithm” - 1》
《PostgreSQL hll (HyperLogLog) extension for “State of The Art Cardinality Estimation Algorithm” - 2》
《PostgreSQL hll (HyperLogLog) extension for “State of The Art Cardinality Estimation Algorithm” - 3》
《PostgreSQL pg_stats used to estimate top N freps values and explain rows》
2、设计
1、小数据量排序,1万条数据。
2、大数据量排序,1亿条数据。
3、大数据量创建索引效率,1亿条数据。
4、大数据估值TOP N,1亿条数据。
5、大数据、复合索引、求任意一个GROUP c1的TOP c2的ID,1亿条数据。
3、准备测试表
create table t_small (id int);
create table t_large (id int);
create table t_estimate (id int);
create table t_idx_test (id int, c1 int, c2 int);
4、准备测试函数(可选)
5、准备测试数据
1、小数据量排序,1万条数据。
insert into t_small select generate_series(1,10000);
2、大数据量排序,1亿条数据。
insert into t_large select generate_series(1,100000000);
4、大数据估值TOP N,1亿条数据。
vi test.sql
\set id random_gaussian(1, 1000000, 2.5)
insert into t_estimate values (:id);
pgbench -M prepared -n -r -P 5 -f ./test.sql -c 50 -j 50 -t 2000000
analyze t_estimate;
5、大数据、复合索引、求任意一个GROUP c1的TOP c2的ID,1亿条数据。
insert into t_idx_test select id, random()*1000, random()*900000 from generate_series(1,100000000) t(id);
create index idx_t_idx_test on t_idx_test (c1,c2);
6、准备测试脚本
vi test.sql
\set c1 random(1,1000)
select id from t_idx_test where c1=:c1 order by c2 desc limit 1;
压测
CONNECTS=112
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
7、测试
1、小数据量排序
postgres=# explain (analyze,verbose,timing,costs,buffers) select * from t_small order by id desc limit 1;
QUERY PLAN
------------------------------------------------------------------------------------------------------------------------------
Limit (cost=195.00..195.00 rows=1 width=4) (actual time=2.580..2.581 rows=1 loops=1)
Output: id
Buffers: shared hit=45
-> Sort (cost=195.00..220.00 rows=10000 width=4) (actual time=2.580..2.580 rows=1 loops=1)
Output: id
Sort Key: t_small.id DESC
Sort Method: top-N heapsort Memory: 25kB
Buffers: shared hit=45
-> Seq Scan on public.t_small (cost=0.00..145.00 rows=10000 width=4) (actual time=0.006..1.184 rows=10000 loops=1)
Output: id
Buffers: shared hit=45
Planning time: 0.027 ms
Execution time: 2.591 ms
(13 rows)
2、大数据量排序
alter table t_large set (parallel_workers =32);
set parallel_setup_cost =0;
set parallel_tuple_cost =0;
set max_parallel_workers_per_gather =32;
set work_mem ='1GB';
explain select * from t_large order by id desc limit 1;
postgres=# explain select * from t_large order by id desc limit 1;
QUERY PLAN
---------------------------------------------------------------------------------------------
Limit (cost=810844.97..810845.00 rows=1 width=4)
-> Gather Merge (cost=810844.97..3590855.42 rows=100000032 width=4)
Workers Planned: 32
-> Sort (cost=810844.14..818656.64 rows=3125001 width=4)
Sort Key: id DESC
-> Parallel Seq Scan on t_large (cost=0.00..473728.01 rows=3125001 width=4)
(6 rows)
postgres=# select * from t_large order by id desc limit 1;
id
-----------
100000000
(1 row)
Time: 1482.964 ms (00:01.483)
3、大数据量创建索引效率
postgres=# create index idx_t_large_id on t_large(id);
CREATE INDEX
Time: 37937.482 ms (00:37.937)
4、大数据估值TOP N
postgres=# select most_common_vals, most_common_freqs from pg_stats where tablename='t_estimate';
-[ RECORD 1 ]-----+-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
most_common_vals | {354316,354445,404899,431899,451975,525707,545934,552219,631936,654703,686785,52824,97919,100231,134912,137688,158267,161541,171349,182376,182892,186086,192265,196224,197934,206937,207098,208325,213459,218788,218939,225221,226377,238291,239857,245513,245868,250632,250836,251535,251972,254658,254998,255236,256667,259600,260215,263041,266027,268086,271091,271490,271520,272019,272459,282086,286285,287848,288015,288233,288310,288344,288605,289181,289901,291581,296327,301385,301631,304765,304923,306094,306309,307188,312000,313190,313449,315581,317808,320374,320769,322517,322889,323389,326463,326738,330239,331553,334323,335451,335588,337521,338605,342766,344188,344662,344730,345081,345096,346053}
most_common_freqs | {0.0001,0.0001,0.0001,0.0001,0.0001,0.0001,0.0001,0.0001,0.0001,0.0001,0.0001,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05,6.66667e-05}
Time: 1.274 ms
5、大数据、复合索引、求任意一个GROUP c1的TOP c2的ID,1亿条数据。
transaction type: ./test.sql
scaling factor: 1
query mode: prepared
number of clients: 112
number of threads: 112
duration: 300 s
number of transactions actually processed: 203376551
latency average = 0.165 ms
latency stddev = 0.324 ms
tps = 677702.381595 (including connections establishing)
tps = 677897.901150 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
0.002 \set c1 random(1,1000)
0.168 select id from t_idx_test where c1=:c1 order by c2 desc limit 1;
TPS: 677897
5、大数据、复合索引、求任意一个GROUP c1的TOP c2的ID,1亿条数据。TPS:677897
平均响应时间: 0.165 毫秒
1、小数据量排序,1万条数据,排序耗时 2.6 毫秒。
2、大数据量排序,1亿条数据,排序耗时 1.48 秒。
3、大数据量创建索引效率,1亿条数据,创建索引耗时 37.9 秒。
4、大数据估值TOP N,1一条数据,估算TOP N,耗时 1.27 毫秒。
5、大数据、复合索引、求任意一个GROUP c1的TOP c2的ID,1亿条数据。平均响应时间: 0.165 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