sql >> Database teknologi >  >> RDS >> PostgreSQL

PostgreSQL 12:Implementering af K-Nearest Neighbor Space Partitioned Generalized Search Tree Indexes

Værdien af ​​indeksering

PostgreSQL giver en simpel lineær afstandsoperatør <-> (lineær afstand). Vi vil bruge dette til at finde punkter, der er tættest på en given placering.

PostgreSQL giver en simpel lineær afstandsoperatør dataene, og udfører ingen optimeringer og har ingen indekser, ser vi følgende udførelsesplan:

time psql -qtAc "
EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;
"  <-- closing quote
                                      QUERY PLAN
-----------------------------------------------------------------------------------------------------------
Limit  (cost=418749.15..418749.73 rows=5 width=38) 
        (actual time=2553.970..2555.673 rows=5 loops=1)
  Buffers: shared hit=100 read=272836
  ->  Gather Merge  (cost=418749.15..1580358.21 rows=9955954 width=38) 
                    (actual time=2553.969..2555.669 rows=5 loops=1)
        Workers Planned: 2
        Workers Launched: 2
        Buffers: shared hit=100 read=272836
        ->  Sort  (cost=417749.12..430194.06 rows=4977977 width=38)
                 (actual time=2548.220..2548.221 rows=4 loops=3)
              Sort Key: ((location <-> '(29.9691,-95.6972)'::point))
              Sort Method: top-N heapsort  Memory: 25kB
              Worker 0:  Sort Method: top-N heapsort  Memory: 26kB
              Worker 1:  Sort Method: top-N heapsort  Memory: 25kB
              Buffers: shared hit=100 read=272836
              ->  Parallel Seq Scan on geonames  (cost=0.00..335066.71 rows=4977977 width=38) 
                                        (actual time=0.040..1637.884 rows=3982382 loops=3)
                    Buffers: shared hit=6 read=272836
Planning Time: 0.493 ms
Execution Time: 2555.737 ms

real    0m2.595s
user    0m0.011s
sys    0m0.015s

og her er resultaterne:(de samme resultater for alle anmodninger, så vi udelader dem senere.)

navn placering
Cypres (29.96911,-95.69717)
Cypress Pointe Baptist Church (29.9732,-95.6873)
Cypress Post Office (29.9743,-95.67953)
Hot Wells (29.95689,-95.68189)
Dry Creek Lufthavn (29.98571,-95.68597)

Så 418749.73 er ​​OPTIMIZER-omkostningen at slå, og det tog to et halvt sekund (2555.673) at udføre denne forespørgsel. Dette er faktisk et meget godt resultat ved at bruge PostgreSQL uden nogen optimeringer overhovedet mod en tabel på 11 millioner rækker. Det er også derfor, vi valgte et større datasæt, da der ville være meget minimal forskel ved at bruge indekser mod mindre end 10 millioner rækker. Parallelle sekventielle scanninger er fantastiske, men det er en anden artikel.

Tilføjelse af GiST-indeks

Vi begynder optimeringsprocessen ved at tilføje et GiST-indeks. Fordi vores eksempelforespørgsel har en

LIMIT

klausul af 5 varer, har vi en meget høj selektivitet. Dette vil opmuntre planlæggeren til at bruge et indeks, så vi leverer et, der fungerer ret godt med geometridata.

time psql -qtAc "CREATE INDEX idx_gist_geonames_location ON geonames USING gist(location);"

Handlingen med at oprette indekset har lidt af en udgift.

CREATE INDEX
real    3m1.988s
user    0m0.011s
sys     0m0.014s

Og kør derefter den samme forespørgsel igen.

time psql -qtAc "
EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;
"
                                      QUERY PLAN
----------------------------------------------------------------------------------
Limit  (cost=0.42..1.16 rows=5 width=38) (actual time=0.797..0.881 rows=5 loops=1)
  Buffers: shared hit=5 read=15
  ->  Index Scan using idx_gist_geonames_location on geonames  
            (cost=0.42..1773715.32 rows=11947145 width=38) 
            (actual time=0.796..0.879 rows=5 loops=1)
        Order By: (location <-> '(29.9691,-95.6972)'::point)
        Buffers: shared hit=5 read=15
Planning Time: 0.768 ms
Execution Time: 0.939 ms

real    0m0.033s
user    0m0.011s
sys     0m0.013s

I dette tilfælde ser vi nogle ret dramatiske forbedringer. Den anslåede pris for forespørgslen er kun 1,16! Sammenlign det med den oprindelige pris for den uoptimerede forespørgsel på 418749.73. Den faktiske tid, det tog var 0,939 millisekunder (ni tiendedele af et millisekund), hvilket kan sammenlignes med de 2,5 sekunder af den oprindelige forespørgsel. Dette resultat tog mindre tid at planlægge, fik et dramatisk bedre skøn og tog omkring 3 størrelsesordener mindre køretid.

Lad os se, om vi kan gøre det bedre.

Tilføjelse af et SP-GiST-indeks

time psql -qtAc "CREATE INDEX idx_spgist_geonames_location ON geonames USING spgist(location);"
CREATE INDEX 

real    1m25.205s
user    0m0.010s
sys        0m0.015s

Og så kører vi den samme forespørgsel igen.

time psql -qtAc "
EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;
"
                                      QUERY PLAN
-----------------------------------------------------------------------------------
 Limit  (cost=0.42..1.09 rows=5 width=38) (actual time=0.066..0.323 rows=5 loops=1)
   Buffers: shared hit=47
   ->  Index Scan using idx_spgist_geonames_location on geonames  
            (cost=0.42..1598071.32 rows=11947145 width=38) 
            (actual time=0.065..0.320 rows=5 loops=1)
         Order By: (location <-> '(29.9691,-95.6972)'::point)
         Buffers: shared hit=47
 Planning Time: 0.122 ms
 Execution Time: 0.358 ms
(7 rows)

real    0m0.040s
user    0m0.011s
sys        0m0.015s

Wow! Nu ved at bruge et SP-GiST-indeks, kostede forespørgslen kun 1,09 og blev udført på 0,358 millisekunder (en tredjedel af et millisekund).

Lad os undersøge nogle ting om selve indekserne og se, hvordan de stables op til hinanden på disken.

Indekssammenligninger

indeksnavn oprettelsestid estimat forespørgselstid indeksstørrelse planlæg tid
uindekseret 0S 418749.73 2555.673 0 .493
idx_gist_geonames_location 3M 1S 1.16 .939 ms 868 MB .786
idx_spgist_geonames_location 1M 25S 1.09 .358 ms 523 MB .122

Konklusioner

Så vi ser, at SP-GiST er dobbelt så hurtigt som GiST i udførelse, 8x hurtigere at planlægge og omkring 60% af størrelsen på disken. Og (relevant for denne artikel) understøtter den også KNN-indekssøgning fra PostgreSQL 12. Til denne type operation har vi en klar vinder.

Bilag

Opsætning af data

Til denne artikel vil vi bruge data fra GeoNames Gazetteer.
Dette arbejde er licenseret under en Creative Commons Attribution 4.0-licens
Dataene leveres "som de er" uden garanti eller nogen repræsentation af nøjagtighed, aktualitet eller fuldstændighed.

Opret strukturen

Vi starter processen ved at oprette en arbejdsmappe og en lille smule ETL.

# change to our home directory
cd
mkdir spgist
cd spgist
# get the base data.  
# This file is 350MB.  It will unpack to 1.5GB
# It will expand to 2GB in PostgreSQL,
#    and then you will still need some room for indexes
#  All together, you will need about 
#  3GB of space for this exercise
#  for about 12M rows of data.

psql -qtAc "
CREATE TABLE IF NOT EXISTS geonames (
geonameid           integer primary key
,name               text 
,asciiname          text 
,alternatenames     text 
,latitude           numeric(13,5) 
,longitude          numeric(13,5)
,feature_class      text 
,feature_code       text 
,country            text 
,cc2                text 
,admin1             text 
,admin2             bigint 
,admin3             bigint 
,admin4             bigint 
,population         bigint 
,elevation          bigint 
,dem                bigint 
,timezone           text 
,modification date  );

COMMENT ON COLUMN geonames.geonameid          
 IS ' integer id of record in geonames database';
COMMENT ON COLUMN geonames.name               
 IS ' name of geographical point (utf8) varchar(200)';
COMMENT ON COLUMN geonames.asciiname          
 IS ' name of geographical point in plain ascii characters, varchar(200)';
COMMENT ON COLUMN geonames.alternatenames     
 IS ' alternatenames, comma separated, ascii names automatically transliterated, 
    convenience attribute from alternatename table, varchar(10000)';
COMMENT ON COLUMN geonames.latitude           
 IS ' latitude in decimal degrees (wgs84)';
COMMENT ON COLUMN geonames.longitude          
 IS ' longitude in decimal degrees (wgs84)';
COMMENT ON COLUMN geonames.feature_class      
 IS ' http://www.geonames.org/export/codes.html, char(1)';
COMMENT ON COLUMN geonames.feature_code       
 IS ' http://www.geonames.org/export/codes.html, varchar(10)';
COMMENT ON COLUMN geonames.country            
 IS ' ISO-3166 2-letter country code, 2 characters';
COMMENT ON COLUMN geonames.cc2                
 IS ' alternate country codes, comma separated, ISO-3166 2-letter country code, 
    200 characters';
COMMENT ON COLUMN geonames.admin1             
 IS ' fipscode (subject to change to iso code), see exceptions below, 
    see file admin1Codes.txt for display names of this code; varchar(20)';
COMMENT ON COLUMN geonames.admin2             
 IS ' code for the second administrative division, a county in the US, 
    see file admin2Codes.txt; varchar(80) ';
COMMENT ON COLUMN geonames.admin3             
 IS ' code for third level administrative division, varchar(20)';
COMMENT ON COLUMN geonames.admin4             
 IS ' code for fourth level administrative division, varchar(20)';
COMMENT ON COLUMN geonames.population         
 IS ' bigint (8 byte int) ';
COMMENT ON COLUMN geonames.elevation          
 IS ' in meters, integer';
COMMENT ON COLUMN geonames.dem                
 IS ' digital elevation model, srtm3 or gtopo30, average elevation of 3''x3'' 
    (ca 90mx90m) or 30''x30'' (ca 900mx900m) area in meters, integer. 
    srtm processed by cgiar/ciat.';
COMMENT ON COLUMN geonames.timezone           
 IS ' the iana timezone id (see file timeZone.txt) varchar(40)';
COMMENT ON COLUMN geonames.modification       
 IS ' date of last modification in yyyy-MM-dd format';
"  #<-- Don't forget the closing quote

ETL

wget http://download.geonames.org/export/dump/allCountries.zip
unzip allCountries.zip

# do this, and go get a coffee.  This took nearly an hour
#   there will be a few lines that fail, they don't really matter much
IFS=$'\n'

for line in $(<allCountries.txt)
do

    echo -n "$line" | 
        psql -qtAc
    "COPY geonames FROM STDIN WITH CSV DELIMITER E'\t';"
2> errors.txt
done

Ryd op og konfigurer

Alt andet gør vi inde fra psql:

psql
-- This command requires the installation
--  of postgis2 from your OS package manager.
-- For OS/X that was `port install postgresql12-postgis2`
-- it will be something similar on most platforms.
-- (e.g. apt-get install postgresql12-postgis2, 
--  yum -y install postgresql12-postgis2, etc.)
CREATE EXTENSION postgis;
CREATE EXTENSION postgis_topology;

ALTER TABLE geonames ADD COLUMN location point;

-- Go get another cup of coffee, this is going to rewrite the entire table with the new geo column.
UPDATE geonames SET location = ('(' || latitude || ', ' || longitude || ')')::point;

DELETE FROM geonames WHERE latitude IS NULL or longitude IS NULL;
-- DELETE 32   -- In my case, this ETL anomoly was too small
--  to bother fixing the records

-- Bloat removal from the update and delete operations
CLUSTER geonames USING geonames_pkey;

  1. En databasemodel for en MOOC-platform

  2. Databasemodel for et meddelelsessystem

  3. Dominoernes hemmeligheder eller en domino-spildatamodel

  4. Vælg data via en funktion med tabelværdi i SQL Server