Greenplum优化–SQL调优篇

这篇文章主要介绍了Greenplum优化--SQL调优篇,通过本文您将了解到Greenplum,SQL,数据的相关内容,希望对大家有所帮助。

目录


数据库查询预准备

1. VACUUM

  • vacuum只是简单的回收空间且令其可以再次使用,没有请求排它锁,仍旧可以对表读写
  • vacuum full执行更广泛的处理,包括跨块移动行,以便把表压缩至使用最少的磁盘块数目存储。相对vacuum要慢,而且会请求排它锁。
  • 定期执行:在日常维护中,需要对数据字典定期执行vacuum,可以每天在数据库空闲的时候进行。然后每隔一段较长时间(两三个月)对系统表执行一次vacuum full,这个操作需要停机,比较耗时,大表可能耗时几个小时。
  • reindex:执行vacuum之后,最好对表上的索引进行重建

2. ANALYZE

  • 命令:analyze [talbe [(column,..)]]
  • 收集表内容的统计信息,以优化执行计划。如创建索引后,执行此命令,对于随即查询将会利用索引。
  • 自动统计信息收集
  • 在postgresql.conf中有控制自动收集的参数gp_autostats_mode设置,gp_autostats_mode三个值:none、no_change、on_no_stats(默认)
    • none:禁止收集统计信息
    • on change:当一条DML执行后影响的行数超过gp_autostats_on_change_threshold参数指定的值时,会执行完这条DML后再自动执行一个analyze 的操作来收集表的统计信息。
    • no_no_stats:当使用create talbe as select 、insert 、copy时,如果在目标表中没有收集过统计信息,那么会自动执行analyze 来收集这张表的信息。gp默认使用on_no_stats,对数据库的消耗比较小,但是对于不断变更的表,数据库在第一次收集统计信息之后就不会再收集了。需要人为定时执行analyze.
  • 如果有大量的运行时间在1分钟以下的SQL,你会发现大量的时间消耗在收集统计信息上。为了降低这一部分的消耗,可以指定对某些列不收集统计信息,如下所示:

    1. create table test(id int, name text,note text);
    

    上面是已知道表列note不需出现在join列上,也不会出现在where语句的过滤条件下,因为可以把这个列设置为不收集统计信息:

    1. alter table test alter note SET STATISTICS 0;
    

3. EXPLAIN执行计划

显示规划器为所提供的语句生成的执行规划。

  • cost:返回第一行记录前的启动时间, 和返回所有记录的总时间(以磁盘页面存取为
    单位计量)
  • rows:根据统计信息估计SQL返回结果集的行数
  • width:返回的结果集的每一行的长度,这个长度值是根据pg_statistic表中的统计信息
    来计算的。

4. 两种聚合方式

  • hashaggregate
    根据group by字段后面的值算出hash值,并根据前面使用的聚合函数在内存中维护对应的列表,几个聚合函数就有几个数组。相同数据量的情况下,聚合字段的重复度越小,使用的内存越大。
  • groupaggregate
    先将表中的数据按照group by的字段排序,在对排好序的数据进行全扫描,并进行聚合函数计算。消耗内存基本是恒定的。
  • 选择
    在SQL中有大量的聚合函数,group by的字段重复值比较少的时候,应该用groupaggregate

5. 关联

分为三类:hash join、nestloop join、merge join,在保证sql执行正确的前提下,规划器优先采用hash join。

  • hash join: 先对其中一张关联的表计算hash值,在内存中用一个散列表保存,然后对另外一张表进行全表扫描,之后将每一行与这个散列表进行关联。
  • nestedloop:关联的两张表中的数据量比较小的表进行广播,如笛卡尔积:select * fromtest1,test2
  • merge join:将两张表按照关联键进行排序,然后按照归并排序的方式将数据进行关联,效率比hash join差。full outer join只能采用merge join来实现。
  • 关联的广播与重分布解析P133,一般规划器会自动选择最优执行计划。
  • 有时会导致重分布和广播,比较耗时的操作

6. 重分布

一些sql查询中,需要数据在各节点重新分布,受制于网络传输、磁盘I/O,重分布的速度比较慢。

  • 关联键强制类型转换
    一般,表按照指定的分布键作hash分部。如果两个表按照id:intege、id:numericr分布,关联时,需要有一个表id作强制类型转化,因为不同类型的hash值不一样,因而导致数据重分布。
  • 关联键与分部键不一致
  • group by、开窗函数、grouping sets会引发重分布

查询优化

通过explain观察执行计划,从而确定如果优化SQL。

1. explain参数

显示规划器为所提供的语句生成的执行规划。

  • cost:返回第一行记录前的启动时间, 和返回所有记录的总时间(以磁盘页面存取为单位计量)
  • rows:根据统计信息估计SQL返回结果集的行数
  • width:返回的结果集的每一行的长度,这个长度值是根据pg_statistic表中的统计信息来计算的。

2. 选择合适分布键

分布键选择不当会导致重分布、数据分布不均等,而数据分布不均会使SQL集中在一个segment节点的执行,限制了gp整体的速度。

  • 使所有节点数据存放是均匀的,数据分布均匀才能充分利用多台机器查询,发挥分布式的优势。
  • join、开窗函数等尽量以分布键作为关联键、分区键。尤其需要注意的是join、开窗函数会依据关联键、分区键做重分布或者广播操作,因而若分布键和关联键不一致,不论如何修改分布键,也是需要再次重分布的。
  • 尽量保证where条件产生的结果集的存储也尽量是均匀的。
  • 查看某表是否分布不均: select gp_segment_id,count(*) from fact_tablegroup by gp_segment_id
  • 在segment一级,可以通过select gp_segment_id,count(*) from fact_table group by gp_segment_id的方式检查每张表的数据是否均匀存放
  • 在系统级,可以直接用df -h 或du -h检查磁盘或者目录数据是否均匀
  • 查看数据库中数据倾斜的表
    首先定义数据倾斜率为:最大子节点数据量/平均节点数据量。为避免整张表的数据量为空,同时对结果的影响很小,在平均节点数据量基础上加上一个很小的值,SQL如下:
SELECT tabname,
max(SIZE)/(avg(SIZE)+0.001) AS max_div_avg,
sum(SIZE) total_size
FROM
(SELECT gp_segment_id,
oid::regclass tabname,
pg_relation_size(oid) SIZE
FROM gp_dist_random('pg_class')
WHERE relkind='r'
AND relstorage IN ('a','h')) t
GROUP BY tabname
ORDER BY 2 DESC;
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

Greenplum优化--SQL调优篇

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

3. 分区表

按照某字段进行分区,不影响数据在数据节点上的分布,但是,仅在单个数据节点上,对数据进行分区存储。可以加快分区字段的查询速度。

4. 压缩表

对于大AO表和分区表使用压缩,以节省存储空间并提高系统I/O,也可以在字段级别配置压缩。应用场景:

  • 不需要对表进行更新和删除操作
  • 访问表的时候基本上是全表扫描,不需要建立索引
  • 不能经常对表添加字段或者修改字段类型

5. 分组扩展

Greenplum数据库的GROUP BY扩展可以执行某些常用的计算,且比应用程序或者存储过程效率高。

    GROUP BY ROLLUP(col1, col2, col3)
    GROUP BY CUBE(col1, col2, col3)
    GROUP BY GROUPING SETS((col1, col2), (col1, col3))
  • 1
  • 2
  • 3

Greenplum优化--SQL调优篇

  • 1
  • 2
  • 3

ROLLUP 对分组字段(或者表达式)从最详细级别到最顶级别计算聚合计数。ROLLUP的参数是一个有序分组字段列表,它计算从右向左各个级别的聚合。例如 ROLLUP(c1, c2, c3) 会为下列分组条件计算聚集:

    (c1, c2, c3)
    (c1, c2)
    (c1)
    
  • 1
  • 2
  • 3
  • 4

Greenplum优化--SQL调优篇

  • 1
  • 2
  • 3
  • 4

CUBE 为分组字段的所有组合计算聚合。例如 CUBE(c1, c2, c3) 会计算一下聚合:

    (c1, c2, c3)
    (c1, c2)
    (c2, c3)
    (c1, c3)
    (c1)
    (c2)
    (c3)
    
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

Greenplum优化--SQL调优篇

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

GROUPING SETS 指定对那些字段计算聚合,它可以比ROLLUP和CUBE更精确地控制分区条件。

6. 窗口函数

窗口函数可以实现在结果集的分组子集上的聚合或者排名函数,例如 sum(population) over (partition by city)。窗口函数功能强大,性能优异。因为它在数据库内部进行计算,避免了数据传输。

  • 窗口函数row_number()计算一行在分组子集中的行号,例如 row_number() over (order by id)。
  • 如果查询计划显示某个表被扫描多次,那么通过窗口函数可能可以降低扫描次数。
  • 窗口函数通常可以避免使用自关联。

7. 列存储和行存储

列存储亦即同一列的数据都连续保存在一个物理文件中,有更高的压缩率,适合在款表中对部分字段进行筛选的场景。
需要注意的是:若集群中节点较多,而且表的列也较多,每个节点的每一列将会至少产生一个文件,那么总体上将会产生比较多的文件,对表的DDL操作就会比较慢。在和分区表使用时,将会产生更多文件,甚至可能超过Linux的文件句柄限制,要尤其注意。

  • 行存储:如果记录需要update/delete,那么只能选择非压缩的行存方式。对于查询,如果选择的列的数量经常超过30个以上的列,那么也应该选择行存方式。
  • 列存储:如果选择列的数量非常有限,并且希望通过较高的压缩比换取海量数据查询时的较好的IO性能,那么就应该选择列存模式。其中,列存分区表,每个分区的每个列都会有一个对应的物理文件,所以要注意避免文件过多,导致可能超越linux上允许同时打开文件数量的上限以及DDL命令的效率很差。

8. 函数和存储过程

虽然支持游标但是,尽量不要使用游标方式处理数据,而是应该把数据作为一个整体进行操作。

9. 索引使用

  • 如果是从超大结果集合中返回非常小的结果集(不超过5%),建议使用BTREE索引(非典型数据仓库操作)
  • 表记录的存储顺序最好与索引一致,可以进一步减少IO(好的index cluster)
  • where条件中的列用or的方式进行join,可以考虑使用索引
  • 键值大量重复时,比较适合使用bitmap索引

有关索引使用的测试GP索引调优测试–基本篇GP索引调优测试–排序篇

10. NOT IN

  • 在gp4.3中已经进行了优化,采用hash left anti semi join进行连接。
  • 以下只针对gp4.1及之前

    • 有not in的SQL,都会采用笛卡尔积来执行,采用nested join,效率极差
    • not in==》改用left join去重后的表关联来实现
    • 例子

       select * from test1 where col1 not in (select col2 from test1)
      

      改为

       select * from test1 a left join (select col2 from test1 group bycol2) b on a.col1=b.col2 where b.col2 is null
      

      运行时间由30多秒提升至92毫秒。

11. 聚合函数太多

  • 一条SQL中聚合函数太多,而且可能由于统计信息不够详细或者SQL太负责,错选hashaggregate来执行,导致内存不足。
  • 解决方法:
    • 拆分成多个SQL来执行,减少hashaggregate使用的内存
    • 执行enable_hashagg=off,把hashaggregate参数关掉,强制不采用。将会采用groupaggregate,这样排序时间会长一些,但是内存可控,建议采用这种方式比较简单。

12. 资源队列

数据写入、查询分别使用不同的用户,GP创建用户时为不同用户指定不同的资源队列。

13. 其它优化技巧

  • 用group by对distinct改写,因为DISTINCT要进行排序操作
  • 用UNION ALL加GROUP BY的方式对UNION改写
  • 尽量使用GREENPLUM自身提供的聚合函数和窗口函数去完成一些复杂的分析

参考

关于Greenplum优化--SQL调优篇的主要内容就介绍到这儿,希望本文关于Greenplum,SQL,数据方面的内容对大家有所帮助,web开发乐园整理,

您可以选择一种方式赞助本站

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: