Seven WeeksのSeven Databasesから3日目の最初の宿題の質問に答えるために、2つの関数を作成しました。

好きな映画のタイトルや俳優の名前を入力できるストアドプロシージャを作成すると、俳優が主演した映画または類似のジャンルの映画に基づいて上位5つの候補が返されます。

私の最初の試みは正しいが、遅い。結果を返すには最大2000msかかります。

CREATE OR REPLACE FUNCTION suggest_movies(IN query text, IN result_limit integer DEFAULT 5)
  RETURNS TABLE(movie_id integer, title text) AS
$BODY$
WITH suggestions AS (

  SELECT
    actors.name AS entity_term,
    movies.movie_id AS suggestion_id,
    movies.title AS suggestion_title,
    1 AS rank
  FROM actors
  INNER JOIN movies_actors ON (actors.actor_id = movies_actors.actor_id)
  INNER JOIN movies ON (movies.movie_id = movies_actors.movie_id)

  UNION ALL

  SELECT
    searches.title AS entity_term,
    suggestions.movie_id AS suggestion_id,
    suggestions.title AS suggestion_title,
    RANK() OVER (PARTITION BY searches.movie_id ORDER BY cube_distance(searches.genre, suggestions.genre)) AS rank
  FROM movies AS searches
  INNER JOIN movies AS suggestions ON
    (searches.movie_id <> suggestions.movie_id) AND
    (cube_enlarge(searches.genre, 2, 18) @> suggestions.genre)
)
SELECT suggestion_id, suggestion_title
FROM suggestions
WHERE entity_term = query
ORDER BY rank, suggestion_id
LIMIT result_limit;
$BODY$
LANGUAGE sql;

私の2回目の試みは正確かつ迅速です。フィルターをCTEからユニオンの各部分に押し下げることで最適化しました。

外側のクエリから次の行を削除しました。

WHERE entity_term = query

最初の内部クエリに次の行を追加しました。

WHERE actors.name = query

次の行を2番目の内部クエリに追加しました。

WHERE movies.title = query

2番目の関数は、同じ結果を返すのに約10msかかります。

データベースでは、関数定義以外に何も違いはありません。

なぜPostgreSQLはこれら2つの論理的に同等のクエリに対してこのような異なる計画を作成するのですか？

EXPLAIN ANALYZE最初の機能の計画は次のようになります。

                                                                                       Limit  (cost=7774.18..7774.19 rows=5 width=44) (actual time=1738.566..1738.567 rows=5 loops=1)
   CTE suggestions
     ->  Append  (cost=332.56..7337.19 rows=19350 width=285) (actual time=7.113..1577.823 rows=383024 loops=1)
           ->  Subquery Scan on "*SELECT* 1"  (cost=332.56..996.80 rows=11168 width=33) (actual time=7.113..22.258 rows=11168 loops=1)
                 ->  Hash Join  (cost=332.56..885.12 rows=11168 width=33) (actual time=7.110..19.850 rows=11168 loops=1)
                       Hash Cond: (movies_actors.movie_id = movies.movie_id)
                       ->  Hash Join  (cost=143.19..514.27 rows=11168 width=18) (actual time=4.326..11.938 rows=11168 loops=1)
                             Hash Cond: (movies_actors.actor_id = actors.actor_id)
                             ->  Seq Scan on movies_actors  (cost=0.00..161.68 rows=11168 width=8) (actual time=0.013..1.648 rows=11168 loops=1)
                             ->  Hash  (cost=80.86..80.86 rows=4986 width=18) (actual time=4.296..4.296 rows=4986 loops=1)
                                   Buckets: 1024  Batches: 1  Memory Usage: 252kB
                                   ->  Seq Scan on actors  (cost=0.00..80.86 rows=4986 width=18) (actual time=0.009..1.681 rows=4986 loops=1)
                       ->  Hash  (cost=153.61..153.61 rows=2861 width=19) (actual time=2.768..2.768 rows=2861 loops=1)
                             Buckets: 1024  Batches: 1  Memory Usage: 146kB
                             ->  Seq Scan on movies  (cost=0.00..153.61 rows=2861 width=19) (actual time=0.003..1.197 rows=2861 loops=1)
           ->  Subquery Scan on "*SELECT* 2"  (cost=6074.48..6340.40 rows=8182 width=630) (actual time=1231.324..1528.188 rows=371856 loops=1)
                 ->  WindowAgg  (cost=6074.48..6258.58 rows=8182 width=630) (actual time=1231.324..1492.106 rows=371856 loops=1)
                       ->  Sort  (cost=6074.48..6094.94 rows=8182 width=630) (actual time=1231.307..1282.550 rows=371856 loops=1)
                             Sort Key: searches.movie_id, (cube_distance(searches.genre, suggestions_1.genre))
                             Sort Method: external sort  Disk: 21584kB
                             ->  Nested Loop  (cost=0.27..3246.72 rows=8182 width=630) (actual time=0.047..909.096 rows=371856 loops=1)
                                   ->  Seq Scan on movies searches  (cost=0.00..153.61 rows=2861 width=315) (actual time=0.003..0.676 rows=2861 loops=1)
                                   ->  Index Scan using movies_genres_cube on movies suggestions_1  (cost=0.27..1.05 rows=3 width=315) (actual time=0.016..0.277 rows=130 loops=2861)
                                         Index Cond: (cube_enlarge(searches.genre, 2::double precision, 18) @> genre)
                                         Filter: (searches.movie_id <> movie_id)
                                         Rows Removed by Filter: 1
   ->  Sort  (cost=436.99..437.23 rows=97 width=44) (actual time=1738.565..1738.566 rows=5 loops=1)
         Sort Key: suggestions.rank, suggestions.suggestion_id
         Sort Method: top-N heapsort  Memory: 25kB
         ->  CTE Scan on suggestions  (cost=0.00..435.38 rows=97 width=44) (actual time=1281.905..1738.531 rows=43 loops=1)
               Filter: (entity_term = 'Die Hard'::text)
               Rows Removed by Filter: 382981
 Total runtime: 1746.623 ms

EXPLAIN ANALYZE2番目のクエリの計画は次のようになります。

 Limit  (cost=43.74..43.76 rows=5 width=44) (actual time=1.231..1.234 rows=5 loops=1)
   CTE suggestions
     ->  Append  (cost=4.86..43.58 rows=5 width=391) (actual time=1.029..1.141 rows=43 loops=1)
           ->  Subquery Scan on "*SELECT* 1"  (cost=4.86..20.18 rows=2 width=33) (actual time=0.047..0.047 rows=0 loops=1)
                 ->  Nested Loop  (cost=4.86..20.16 rows=2 width=33) (actual time=0.047..0.047 rows=0 loops=1)
                       ->  Nested Loop  (cost=4.58..19.45 rows=2 width=18) (actual time=0.045..0.045 rows=0 loops=1)
                             ->  Index Scan using actors_name on actors  (cost=0.28..8.30 rows=1 width=18) (actual time=0.045..0.045 rows=0 loops=1)
                                   Index Cond: (name = 'Die Hard'::text)
                             ->  Bitmap Heap Scan on movies_actors  (cost=4.30..11.13 rows=2 width=8) (never executed)
                                   Recheck Cond: (actor_id = actors.actor_id)
                                   ->  Bitmap Index Scan on movies_actors_actor_id  (cost=0.00..4.30 rows=2 width=0) (never executed)
                                         Index Cond: (actor_id = actors.actor_id)
                       ->  Index Scan using movies_pkey on movies  (cost=0.28..0.35 rows=1 width=19) (never executed)
                             Index Cond: (movie_id = movies_actors.movie_id)
           ->  Subquery Scan on "*SELECT* 2"  (cost=23.31..23.40 rows=3 width=630) (actual time=0.982..1.081 rows=43 loops=1)
                 ->  WindowAgg  (cost=23.31..23.37 rows=3 width=630) (actual time=0.982..1.064 rows=43 loops=1)
                       ->  Sort  (cost=23.31..23.31 rows=3 width=630) (actual time=0.963..0.971 rows=43 loops=1)
                             Sort Key: searches.movie_id, (cube_distance(searches.genre, suggestions_1.genre))
                             Sort Method: quicksort  Memory: 28kB
                             ->  Nested Loop  (cost=4.58..23.28 rows=3 width=630) (actual time=0.808..0.916 rows=43 loops=1)
                                   ->  Index Scan using movies_title on movies searches  (cost=0.28..8.30 rows=1 width=315) (actual time=0.025..0.027 rows=1 loops=1)
                                         Index Cond: (title = 'Die Hard'::text)
                                   ->  Bitmap Heap Scan on movies suggestions_1  (cost=4.30..14.95 rows=3 width=315) (actual time=0.775..0.844 rows=43 loops=1)
                                         Recheck Cond: (cube_enlarge(searches.genre, 2::double precision, 18) @> genre)
                                         Filter: (searches.movie_id <> movie_id)
                                         Rows Removed by Filter: 1
                                         ->  Bitmap Index Scan on movies_genres_cube  (cost=0.00..4.29 rows=3 width=0) (actual time=0.750..0.750 rows=44 loops=1)
                                               Index Cond: (cube_enlarge(searches.genre, 2::double precision, 18) @> genre)
   ->  Sort  (cost=0.16..0.17 rows=5 width=44) (actual time=1.230..1.231 rows=5 loops=1)
         Sort Key: suggestions.rank, suggestions.suggestion_id
         Sort Method: top-N heapsort  Memory: 25kB
         ->  CTE Scan on suggestions  (cost=0.00..0.10 rows=5 width=44) (actual time=1.034..1.187 rows=43 loops=1)
 Total runtime: 1.410 ms

CTEの自動述語プッシュダウンなし

PostgreSQL 9.3は、CTEの述語プッシュダウンを行いません。

述語プッシュダウンを行うオプティマイザーは、where句を内部クエリに移動できます。目標は、関係のないデータをできるだけ早く除外することです。新しいクエリが論理的に同等である限り、エンジンは引き続きすべての関連データをフェッチするため、正しい結果がより迅速に生成されます。

コア開発者のTom Laneは、pgsql-performanceメーリングリストで論理的同等性を判断することが難しいことを暗示しています。

CTEは最適化フェンスとしても扱われます。これはオプティマイザーの制限ではなく、CTEに書き込み可能なクエリが含まれる場合にセマンティクスを正常に保つためです。

オプティマイザーは、読み取り専用のCTEと書き込み可能なCTEを区別しないため、計画を検討する際に過度に保守的です。「フェンス」処理により、オプティマイザはCTE内のwhere句を移動できなくなりますが、安全であることがわかります。

PostgreSQLチームがCTEの最適化を改善するのを待つことができますが、今のところ、良いパフォーマンスを得るには、あなたの文章スタイルを変更する必要があります。

パフォーマンスのために書き換える

質問はすでに、より良い計画を得るための1つの方法を示しています。フィルタ条件を複製すると、基本的に述語プッシュダウンの効果がハードコードされます。

どちらのプランでも、エンジンは結果の行をワークテーブルにコピーして、並べ替えることができます。作業テーブルが大きいほど、クエリは遅くなります。

最初のプランは、ベーステーブルのすべての行をワークテーブルにコピーし、それをスキャンして結果を見つけます。処理をさらに遅くするには、インデックスがないため、エンジンはワークテーブル全体をスキャンする必要があります。

これはとんでもない量の不要な作業です。実表の推定19350行から推定5行だけが一致する場合、実表のすべてのデータを2回読み取って答えを見つけます。

2番目の計画では、インデックスを使用して一致する行を見つけ、それらだけを作業テーブルにコピーします。インデックスはデータを効果的にフィルタリングしました。

上のページ85 SQLの芸術の、ステファンFaroultは、ユーザーの期待を思い出させてくれる。

非常に大きな範囲で、エンドユーザーは期待する行数に忍耐力を調整します。1本の針を要求するとき、干し草の山のサイズにはほとんど注意を払いません。

2番目の計画は針に合わせて調整されるため、ユーザーを満足させることができます。

保守性を向上させる

新しいクエリは、1つのフィルターepxressionを変更することで欠陥を導入できますが、他のフィルターepxressionは変更できないため、保守が難しくなります。

一度だけすべてを書いて、それでも良いパフォーマンスを得ることができたら素晴らしいと思いませんか？

私たちはできる。オプティマイザーは、サブクエリの述語プッシュダウンを行います。

簡単な例の方が説明が簡単です。

CREATE TABLE a (c INT);

CREATE TABLE b (c INT);

CREATE INDEX a_c ON a(c);

CREATE INDEX b_c ON b(c);

INSERT INTO a SELECT 1 FROM generate_series(1, 1000000);

INSERT INTO b SELECT 2 FROM a;

INSERT INTO a SELECT 3;

これにより、インデックス付きの列を持つ2つのテーブルが作成されます。彼らは一緒に万人含まれている1秒、百万2秒、および1つを3。

3これらのクエリのいずれかを使用して、針を見つけることができます。

-- CTE
EXPLAIN ANALYZE
WITH cte AS (
  SELECT c FROM a
  UNION ALL
  SELECT c FROM b
)
SELECT c FROM cte WHERE c = 3;

-- Subquery
EXPLAIN ANALYZE
SELECT c
FROM (
  SELECT c FROM a
  UNION ALL
  SELECT c FROM b
) AS subquery
WHERE c = 3;

CTEの計画は遅いです。エンジンは3つのテーブルをスキャンし、約400万行を読み取ります。約1000ミリ秒かかります。

CTE Scan on cte  (cost=33275.00..78275.00 rows=10000 width=4) (actual time=471.412..943.225 rows=1 loops=1)
  Filter: (c = 3)
  Rows Removed by Filter: 2000000
  CTE cte
    ->  Append  (cost=0.00..33275.00 rows=2000000 width=4) (actual time=0.011..409.573 rows=2000001 loops=1)
          ->  Seq Scan on a  (cost=0.00..14425.00 rows=1000000 width=4) (actual time=0.010..114.869 rows=1000001 loops=1)
          ->  Seq Scan on b  (cost=0.00..18850.00 rows=1000000 width=4) (actual time=5.530..104.674 rows=1000000 loops=1)
Total runtime: 948.594 ms

副照会の計画は高速です。エンジンは各インデックスを検索するだけです。所要時間は1ミリ秒未満です。

Append  (cost=0.42..8.88 rows=2 width=4) (actual time=0.021..0.038 rows=1 loops=1)
  ->  Index Only Scan using a_c on a  (cost=0.42..4.44 rows=1 width=4) (actual time=0.020..0.021 rows=1 loops=1)
        Index Cond: (c = 3)
        Heap Fetches: 1
  ->  Index Only Scan using b_c on b  (cost=0.42..4.44 rows=1 width=4) (actual time=0.016..0.016 rows=0 loops=1)
        Index Cond: (c = 3)
        Heap Fetches: 0
Total runtime: 0.065 ms

対話型バージョンについては、SQLFiddleを参照してください。

計画はPostgres 12でも同じです

質問はPostgres 9.3について尋ねました。5年後、そのバージョンは廃止されましたが、何が変更されましたか？

PostgreSQL 12はこれらのようなCTEをインライン化します。

インラインWITHクエリ（共通テーブル式）

共通テーブル式（別名WITHクエリ）は、a）再帰的でなく、b）副作用がなく、c）クエリの後半で一度だけ参照される場合、クエリで自動的にインライン化できるようになりました。これにより、WITHPostgreSQL 8.4の条項の導入以降に存在していた「最適化フェンス」が削除されます。

必要に応じて、MATERIALIZED句を使用してWITHクエリを強制的に具体化できます。たとえば、

WITH c AS MATERIALIZED ( SELECT * FROM a WHERE a.x % 4 = 0 ) SELECT * FROM c JOIN d ON d.y = a.x;