Jade Dungeon

数组类型

PostgreSQL中的数组类型

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

你的第一反应可能是将PostgreSQL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PostgreSQL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PostgreSQL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!

这个查询在拥有2.4GHz的i7CPU及16GB Ram的macbook pro上测得,运行脚本为:

https://gist.github.com/drob/9180760

在这边究竟发生了什么呢? 关键在于PostgreSQL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, PostgreSQL 必须去找到每一个变量的长度. 对于evaluateevents[2], PostgreSQL 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], 她再一次的从第一个索引处开始扫描,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.

PostgreSQL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PostgreSQL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
  • event_id划分。
  • 对每个event_id采用最新出现的。
  • 按输入索引排序。

教训:如果你需要访问PostgreSQL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PostgreSQL的秘诀请 @heap

[1]特别说明一下,我们使用一个名为Citus Data的贴心工具。更多内容在另一篇博客中!

[2]参考:https://heapanalytics.com/features/funnels。特别说明一下,计算转换程序需要对用户已完成事件的数组进行一次扫描,但不需要任何join。