正确使用PostgreSQL的数组类型

2014-03-03 10:10 佚名 开源中国编译我要评论(0)字号：T|T

在Heap中，我们依靠Postgresql支撑大多数后端繁重的任务，我们存储每个事件为一个hstore blob，我们为每个跟踪的用户维护一个已完成事件的Postgresql数组，并将这些事件按时间排序。

AD：2014WOT全球软件技术峰会北京站 课程视频发布

在Heap中，我们依靠Postgresql支撑大多数后端繁重的任务，我们存储每个事件为一个hstoreblob，我们为每个跟踪的用户维护一个已完成事件的Postgresql数组，并将这些事件按时间排序。 Hstore能够让我们以灵活的方式附加属性到事件中，而且事件数组赋予了我们强大的性能，特别是对于漏斗查询，在这些查询中我们计算不同转化渠道步骤间的输出。

在这篇文章中，我们看看那些意外接受大量输入的Postgresql函数，然后以高效，惯用的方式重写它。

你的第一反应可能是将Postgresql中的数组看做像C语言中对等的类似物。你之前可能用过变换阵列位置或切片来操纵数据。不过要小心，在Postgresql中不要有这样的想法，特别是数组类型是变长的时，比如JSON、文本或是hstore。如果你通过位置来访问Postgresql数组，你会进入一个意想不到的性能暴跌的境地。

这种情况几星期前在Heap出现了。我们在Heap为每个跟踪用户维护一个事件数组，在这个数组中我们用一个hstoredatum代表每个事件。我们 有一个导入管道来追加新事件到对应的数组。为了使这一导入管道是幂等的，我们给每个事件设定一个event_id，我们通过一个功能函数重复运行我们的事 件数组。如果我们要更新附加到事件的属性的话，我们只需使用相同的event_id转储一个新的事件到管道中。

所以，我们需要一个功能函数来处理hstores数组，并且，如果两个事件具有相同的event_id时应该使用数组中最近出现的那个。刚开始尝试这个函数是这样写的：

--Thisisslow,andyoudon'twanttouseit!----Filteranarrayofeventssuchthatthereisonlyoneeventwitheachevent_id.--Whenmorethanoneeventwiththesameevent_idispresent,takethelatestone.CREATEORREPLACEFUNCTIONdedupe_events_1(eventsHSTORE[])RETURNSHSTORE[]AS$$SELECTarray_agg(event)FROM(--Filterforrank=1,i.e.selectthelatesteventforanycollisionsonevent_id.SELECTeventFROM(--Rankelementswiththesameevent_idbypositioninthearray,descending.SELECTevents[sub]ASevent,sub,rank()OVER(PARTITIONBY(events[sub]->'event_id')::BIGINTORDERBYsubDESC)FROMgenerate_subscripts(events,1)ASsub)deduped_eventsWHERErank=1ORDERBYsubASC)to_agg;$$LANGUAGEsqlIMMUTABLE;

这样奏效，但大输入是性能下降了。这是二次的，在输入数组有100K各元素时它需要大约40秒！

这个查询在拥有2.4GHz的i7cpu及16GB Ram的macbook pro上测得，运行脚本为：https://gist.github.com/drob/9180760。

在这边究竟发生了什么呢?关键在于Postgresql存贮了一个系列的hstores作为数组的值,而不是指向值的指针. 一个包含了三个hstores的数组看起来像
{“event_id=>1,data=>foo”,“event_id=>2,data=>bar”,“event_id=>3,data=>baz”}
相反的是
{[pointer],[pointer],[pointer]}

对于那些长度不一的变量,举个例子. hstores,json blobs,varchars,或者是 text fields,Postgresql 必须去找到每一个变量的长度.对于evaluateevents[2],Postgresql 解析从左侧读取的事件直到读取到第二次读取的数据. 然后就是 forevents[3],她再一次的从第一个索引处开始扫描,直到读到第三次的数据! 所以,evaluatingevents[sub]是 O(sub),并且 evaluatingevents[sub]对于在数组中的每一个索引都是 O(N²),N是数组的长度.

Postgresql能得到更加恰当的解析结果,它可以在这样的情况下分析该数组一次. 真正的答案是可变长度的元素与指针来实现，以数组的值,以至于,我们总能够处理 evaluateevents[i]在不变的时间内.

即便如此，我们也不应该让Postgresql来处理，因为这不是一个地道的查询。除了generate_subscripts我们可以用unnest，它解析数组并返回一组条目。这样一来，我们就不需要在数组中显式加入索引了。

--Filteranarrayofeventssuchthatthereisonlyoneeventwitheachevent_id.--Whenmorethanoneeventwiththesameevent_id,ispresent,takethelatestone.CREATEORREPLACEFUNCTIONdedupe_events_2(eventsHSTORE[])RETURNSHSTORE[]AS$$SELECTarray_agg(event)FROM(--Filterforrank=1,descending.SELECTevent,row_numberASindex,rank()OVER(PARTITIONBY(event->'event_id')::BIGINTORDERBYrow_numberDESC)FROM(--Useunnestinsteadofgenerate_subscriptstoturnanarrayintoaset.SELECTevent,row_number()OVER(ORDERBYevent->'time')FROMunnest(events)ASevent)unnested_data)deduped_eventsWHERErank=1ORDERBYindexASC)to_agg;$$LANGUAGEsqlIMMUTABLE;

结果是有效的，它花费的时间跟输入数组的大小呈线性关系。对于100K个元素的输入它需要大约半秒，而之前的实现需要40秒。

这实现了我们的需求：

• 一次解析数组，不需要unnest。

• 按event_id划分。

• 对每个event_id采用最新出现的。

• 按输入索引排序。

教训：如果你需要访问Postgresql数组的特定位置，考虑使用unnest代替。

我们希望能够避免失误。有任何意见或其他Postgresql的秘诀请@heap。

[1]特别说明一下，我们使用一个名为Citus Data的贴心工具。更多内容在另一篇博客中！
[2]参考：https://heapanalytics.com/features/funnels。特别说明一下，计算转换程序需要对用户已完成事件的数组进行一次扫描，但不需要任何join。

原文链接：http://blog.heapanalytics.com/dont-iterate-over-a-postgres-array-with-a-loop/

译文链接：http://www.oschina.net/translate/dont-iterate-over-a-postgres-array-with-a-loop