正确使用PostgreSQL的数组类型

正确使用***的数组类型

在Heap中，我们依靠***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***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***函数，然后以高效，惯用的方式重写它。

你的***反应可能是将***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***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***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hstore datum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：

-- This is slow, and you don't want to use it! -- -- Filter an array of events such that there is only one event with each event_id. -- When more than one event with the same event_id is present, take the latest one. CREATE OR REPLACE FUNCTION dedupe_events_1(events HSTORE[]) RETURNS HSTORE[] AS $$   SELECT array_agg(event)   FROM (     -- Filter for rank = 1, i.e. select the latest event for any collisions on event_id.     SELECT event     FROM (       -- Rank elements with the same event_id by position in the array, descending.       SELECT events[sub] AS event, sub, rank()       OVER (PARTITION BY (events[sub] -> 'event_id')::BIGINT ORDER BY sub DESC)       FROM generate_subscripts(events, 1) AS sub     ) deduped_events     WHERE rank = 1     ORDER BY sub ASC   ) to_agg; $$ LANGUAGE SQL IMMUTABLE;

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！

在这边究竟发生了什么呢? 关键在于***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, *** 必须去找到每一个变量的长度. 对于evaluateevents[2], *** 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***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.

***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***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。

-- Filter an array of events such that there is only one event with each event_id. -- When more than one event with the same event_id, is present, take the latest one. CREATE OR REPLACE FUNCTION dedupe_events_2(events HSTORE[]) RETURNS HSTORE[] AS $$   SELECT array_agg(event)   FROM (     -- Filter for rank = 1, i.e. select the latest event for any collisions on event_id.     SELECT event     FROM (       -- Rank elements with the same event_id by position in the array, descending.       SELECT event, row_number AS index, rank()       OVER (PARTITION BY (event -> 'event_id')::BIGINT ORDER BY row_number DESC)       FROM (         -- Use unnest instead of generate_subscripts to turn an array into a set.         SELECT event, row_number()         OVER (ORDER BY event -> 'time')         FROM unnest(events) AS event       ) unnested_data     ) deduped_events     WHERE rank = 1     ORDER BY index ASC   ) to_agg; $$ LANGUAGE SQL IMMUTABLE;

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***出现的。按输入索引排序。

教训：如果你需要访问***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***的秘诀请@heap。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。