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;