PostGISが適切にフォーマットされた住所をジオコーディングするのにどれくらいの速度が必要ですか?
PostgreSQL 9.3.7とPostGIS 2.1.7をインストールし、国のデータとすべての州のデータをロードしましたが、ジオコーディングが予想よりはるかに遅いことがわかりました。期待値を高く設定しすぎていませんか?1秒あたり平均3つの個別のジオコードを取得しています。約500万回行う必要がありますが、これを3週間待ちたくありません。
これは巨大なR行列を処理するための仮想マシンであり、このデータベースを横にインストールしたため、構成が少し間抜けに見えるかもしれません。VMの構成の大きな変更が役立つ場合は、構成を変更できます。
ハードウェア仕様
メモリー:65GBプロセッサー:6
lscpu
はこれを私に与えます:
# lscpu
Architecture: x86_64
CPU op-mode(s): 32-bit, 64-bit
Byte Order: Little Endian
CPU(s): 6
On-line CPU(s) list: 0-5
Thread(s) per core: 1
Core(s) per socket: 1
Socket(s): 6
NUMA node(s): 1
Vendor ID: GenuineIntel
CPU family: 6
Model: 58
Stepping: 0
CPU MHz: 2400.000
BogoMIPS: 4800.00
Hypervisor vendor: VMware
Virtualization type: full
L1d cache: 32K
L1i cache: 32K
L2 cache: 256K
L3 cache: 30720K
NUMA node0 CPU(s): 0-5
OSはcentosであり、uname -rv
これを提供します:
# uname -rv
2.6.32-504.16.2.el6.x86_64 #1 SMP Wed Apr 22 06:48:29 UTC 2015
Postgresqlの設定
> select version()
"PostgreSQL 9.3.7 on x86_64-unknown-linux-gnu, compiled by gcc (GCC) 4.4.7 20120313 (Red Hat 4.4.7-11), 64-bit"
> select PostGIS_Full_version()
POSTGIS="2.1.7 r13414" GEOS="3.4.2-CAPI-1.8.2 r3921" PROJ="Rel. 4.8.0, 6 March 2012" GDAL="GDAL 1.9.2, released 2012/10/08" LIBXML="2.7.6" LIBJSON="UNKNOWN" TOPOLOGY RASTER"
これらの種類のクエリに対する以前の提案に基づいてshared_buffers
、postgresql.conf
ファイルを使用可能なRAMの約1/4 に増やし、有効キャッシュサイズをRAMの1/2に増やしました。
shared_buffers = 16096MB
effective_cache_size = 31765MB
私は持っていますinstalled_missing_indexes()
(いくつかのテーブルへの重複挿入を解決した後)エラーはありませんでした。
ジオコーディングSQLの例#1(バッチ)〜平均時間は2.8 /秒
私はhttp://postgis.net/docs/Geocode.htmlの例に従っています。ジオコードする住所を含むテーブルを作成し、SQLを実行していますUPDATE
:
UPDATE addresses_to_geocode
SET (rating, longitude, latitude,geo)
= ( COALESCE((g.geom).rating,-1),
ST_X((g.geom).geomout)::numeric(8,5),
ST_Y((g.geom).geomout)::numeric(8,5),
geo )
FROM (SELECT "PatientId" as PatientId
FROM addresses_to_geocode
WHERE "rating" IS NULL ORDER BY PatientId LIMIT 1000) As a
LEFT JOIN (SELECT "PatientId" as PatientId, (geocode("Address",1)) As geom
FROM addresses_to_geocode As ag
WHERE ag.rating IS NULL ORDER BY PatientId LIMIT 1000) As g ON a.PatientId = g.PatientId
WHERE a.PatientId = addresses_to_geocode."PatientId";
上記の1000のバッチサイズを使用しており、337.70秒で戻ります。小さいバッチの場合は少し遅くなります。
ジオコーディングSQLの例#2(行ごと)〜平均時間は1.2 /秒
次のようなステートメントを使用してジオコードを1つずつ実行して住所を掘り下げると(以下の例では4.14秒かかりました)、
SELECT g.rating, ST_X(g.geomout) As lon, ST_Y(g.geomout) As lat,
(addy).address As stno, (addy).streetname As street,
(addy).streettypeabbrev As styp, (addy).location As city,
(addy).stateabbrev As st,(addy).zip
FROM geocode('6433 DROMOLAND Cir NW, MASSILLON, OH 44646',1) As g;
少し遅くなります(レコードあたり2.5倍)が、クエリ時間の分布を見ると、これが最も遅くなっている少数の長いクエリであることがわかります(500万のうち最初の2600のみがルックアップ時間を持っています)。つまり、上位10%は平均で約100ミリ秒、下位10%は平均3.69秒で、平均は754ミリ秒、中央値は340ミリ秒です。
# Just some interaction with the data in R
> range(lookupTimes[1:2600])
[1] 0.00 11.54
> median(lookupTimes[1:2600])
[1] 0.34
> mean(lookupTimes[1:2600])
[1] 0.7541808
> mean(sort(lookupTimes[1:2600])[1:260])
[1] 0.09984615
> mean(sort(lookupTimes[1:2600],decreasing=TRUE)[1:260])
[1] 3.691269
> hist(lookupTimes[1:2600]
他の考え
パフォーマンスの桁違いの向上が得られない場合、遅いジオコード時間の予測について少なくとも経験に基づいた推測を行うことができると考えましたが、遅いアドレスがこれほど長くかかっているように見える理由は明らかではありません。geocode()
関数が取得する前に適切にフォーマットされていることを確認するために、元のアドレスをカスタム正規化ステップで実行しています。
sql=paste0("select pprint_addy(normalize_address('",myAddress,"'))")
where myAddress
は、[Address], [City], [ST] [Zip]
非postgresqlデータベースのユーザーアドレステーブルからコンパイルされた文字列です。
pagc_normalize_address
拡張機能をインストールしようとしました(失敗しました)が、これが私が探している種類の改善をもたらすかどうかは明らかではありません。
提案に従って監視情報を追加するように編集
性能
1つのCPUがペグされます:[編集、クエリごとに1つのプロセッサのみなので、5つの未使用CPUがあります]
top - 14:10:26 up 1 day, 3:11, 4 users, load average: 1.02, 1.01, 0.93
Tasks: 219 total, 2 running, 217 sleeping, 0 stopped, 0 zombie
Cpu(s): 15.4%us, 1.5%sy, 0.0%ni, 83.1%id, 0.0%wa, 0.0%hi, 0.0%si, 0.0%st
Mem: 65056588k total, 64613476k used, 443112k free, 97096k buffers
Swap: 262139900k total, 77164k used, 262062736k free, 62745284k cached
PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND
3130 postgres 20 0 16.3g 8.8g 8.7g R 99.7 14.2 170:14.06 postmaster
11139 aolsson 20 0 15140 1316 932 R 0.3 0.0 0:07.78 top
11675 aolsson 20 0 135m 1836 1504 S 0.3 0.0 0:00.01 wget
1 root 20 0 19364 1064 884 S 0.0 0.0 0:01.84 init
2 root 20 0 0 0 0 S 0.0 0.0 0:00.06 kthreadd
1つのprocが100%に固定されている間のデータパーティション上のディスクアクティビティのサンプル:[編集:このクエリで使用されているプロセッサは1つのみ]
# dstat -tdD dm-3 1
----system---- --dsk/dm-3-
date/time | read writ
12-06 14:06:36|1818k 3632k
12-06 14:06:37| 0 0
12-06 14:06:38| 0 0
12-06 14:06:39| 0 0
12-06 14:06:40| 0 40k
12-06 14:06:41| 0 0
12-06 14:06:42| 0 0
12-06 14:06:43| 0 8192B
12-06 14:06:44| 0 8192B
12-06 14:06:45| 120k 60k
12-06 14:06:46| 0 0
12-06 14:06:47| 0 0
12-06 14:06:48| 0 0
12-06 14:06:49| 0 0
12-06 14:06:50| 0 28k
12-06 14:06:51| 0 96k
12-06 14:06:52| 0 0
12-06 14:06:53| 0 0
12-06 14:06:54| 0 0 ^C
そのSQLを分析する
これはEXPLAIN ANALYZE
そのクエリからのものです:
"Update on addresses_to_geocode (cost=1.30..8390.04 rows=1000 width=272) (actual time=363608.219..363608.219 rows=0 loops=1)"
" -> Merge Left Join (cost=1.30..8390.04 rows=1000 width=272) (actual time=110.934..324648.385 rows=1000 loops=1)"
" Merge Cond: (a.patientid = g.patientid)"
" -> Nested Loop (cost=0.86..8336.82 rows=1000 width=184) (actual time=10.676..34.241 rows=1000 loops=1)"
" -> Subquery Scan on a (cost=0.43..54.32 rows=1000 width=32) (actual time=10.664..18.779 rows=1000 loops=1)"
" -> Limit (cost=0.43..44.32 rows=1000 width=4) (actual time=10.658..17.478 rows=1000 loops=1)"
" -> Index Scan using "addresses_to_geocode_PatientId_idx" on addresses_to_geocode addresses_to_geocode_1 (cost=0.43..195279.22 rows=4449758 width=4) (actual time=10.657..17.021 rows=1000 loops=1)"
" Filter: (rating IS NULL)"
" Rows Removed by Filter: 24110"
" -> Index Scan using "addresses_to_geocode_PatientId_idx" on addresses_to_geocode (cost=0.43..8.27 rows=1 width=152) (actual time=0.010..0.013 rows=1 loops=1000)"
" Index Cond: ("PatientId" = a.patientid)"
" -> Materialize (cost=0.43..18.22 rows=1000 width=96) (actual time=100.233..324594.558 rows=943 loops=1)"
" -> Subquery Scan on g (cost=0.43..15.72 rows=1000 width=96) (actual time=100.230..324593.435 rows=943 loops=1)"
" -> Limit (cost=0.43..5.72 rows=1000 width=42) (actual time=100.225..324591.603 rows=943 loops=1)"
" -> Index Scan using "addresses_to_geocode_PatientId_idx" on addresses_to_geocode ag (cost=0.43..23534259.93 rows=4449758000 width=42) (actual time=100.225..324591.146 rows=943 loops=1)"
" Filter: (rating IS NULL)"
" Rows Removed by Filter: 24110"
"Total runtime: 363608.316 ms"
http://explain.depesz.com/s/vogSで詳細な内訳を参照してください