Greenplum优化--SQL调优篇

数据库查询预准备

1. VACUUM

• vacuum只是简单的回收空间且令其可以再次使用，没有请求排它锁，仍旧可以对表读写
• vacuum full执行更广泛的处理，包括跨块移动行，以便把表压缩至使用最少的磁盘块数目存储。相对vacuum要慢，而且会请求排它锁。
• 定期执行：在日常维护中，需要对数据字典定期执行vacuum，可以每天在数据库空闲的时候进行。然后每隔一段较长时间（两三个月）对系统表执行一次vacuum full，这个操作需要停机，比较耗时，大表可能耗时几个小时。
• reindex:执行vacuum之后,最好对表上的索引进行重建

2. ANALYZE

• 命令：analyze [talbe [(column,..)]]
• 收集表内容的统计信息，以优化执行计划。如创建索引后，执行此命令，对于随即查询将会利用索引。
• 自动统计信息收集
• 在postgresql.conf中有控制自动收集的参数gp_autostats_mode设置，gp_autostats_mode三个值：none、no_change、on_no_stats（默认） 
  
  • none：禁止收集统计信息
  • on change：当一条DML执行后影响的行数超过gp_autostats_on_change_threshold参数指定的值时，会执行完这条DML后再自动执行一个analyze 的操作来收集表的统计信息。
  • no_no_stats：当使用create talbe as select 、insert 、copy时，如果在目标表中没有收集过统计信息，那么会自动执行analyze 来收集这张表的信息。gp默认使用on_no_stats，对数据库的消耗比较小，但是对于不断变更的表，数据库在第一次收集统计信息之后就不会再收集了。需要人为定时执行analyze.

• 如果有大量的运行时间在1分钟以下的SQL，你会发现大量的时间消耗在收集统计信息上。为了降低这一部分的消耗，可以指定对某些列不收集统计信息，如下所示：

  1. create table test(id int, name text,note text);

  上面是已知道表列note不需出现在join列上，也不会出现在where语句的过滤条件下，因为可以把这个列设置为不收集统计信息：

  1. alter table test alter note SET STATISTICS 0;

3. EXPLAIN执行计划

显示规划器为所提供的语句生成的执行规划。

• cost：返回第一行记录前的启动时间， 和返回所有记录的总时间（以磁盘页面存取为 
  单位计量）
• rows：根据统计信息估计SQL返回结果集的行数
• width：返回的结果集的每一行的长度，这个长度值是根据pg_statistic表中的统计信息 
  来计算的。

4. 两种聚合方式

• hashaggregate 
  根据group by字段后面的值算出hash值，并根据前面使用的聚合函数在内存中维护对应的列表，几个聚合函数就有几个数组。相同数据量的情况下，聚合字段的重复度越小，使用的内存越大。
• groupaggregate 
  先将表中的数据按照group by的字段排序，在对排好序的数据进行全扫描，并进行聚合函数计算。消耗内存基本是恒定的。
• 选择 
  在SQL中有大量的聚合函数，group by的字段重复值比较少的时候，应该用groupaggregate

5. 关联

分为三类：hash join、nestloop join、merge join，在保证sql执行正确的前提下，规划器优先采用hash join。

• hash join: 先对其中一张关联的表计算hash值，在内存中用一个散列表保存，然后对另外一张表进行全表扫描，之后将每一行与这个散列表进行关联。
• nestedloop:关联的两张表中的数据量比较小的表进行广播，如笛卡尔积：select * fromtest1，test2
• merge join:将两张表按照关联键进行排序，然后按照归并排序的方式将数据进行关联，效率比hash join差。full outer join只能采用merge join来实现。
• 关联的广播与重分布解析P133，一般规划器会自动选择最优执行计划。
• 有时会导致重分布和广播，比较耗时的操作

6. 重分布

一些sql查询中，需要数据在各节点重新分布，受制于网络传输、磁盘I/O，重分布的速度比较慢。

• 关联键强制类型转换 
  一般，表按照指定的分布键作hash分部。如果两个表按照id:intege、id:numericr分布，关联时，需要有一个表id作强制类型转化，因为不同类型的hash值不一样，因而导致数据重分布。
• 关联键与分部键不一致
• group by、开窗函数、grouping sets会引发重分布

---

查询优化

通过explain观察执行计划，从而确定如果优化SQL。

1. explain参数

显示规划器为所提供的语句生成的执行规划。

• cost：返回第一行记录前的启动时间， 和返回所有记录的总时间（以磁盘页面存取为单位计量）
• rows：根据统计信息估计SQL返回结果集的行数
• width：返回的结果集的每一行的长度，这个长度值是根据pg_statistic表中的统计信息来计算的。

2. 选择合适分布键

分布键选择不当会导致重分布、数据分布不均等，而数据分布不均会使SQL集中在一个segment节点的执行，限制了gp整体的速度。

• 使所有节点数据存放是均匀的，数据分布均匀才能充分利用多台机器查询，发挥分布式的优势。
• join、开窗函数等尽量以分布键作为关联键、分区键。尤其需要注意的是join、开窗函数会依据关联键、分区键做重分布或者广播操作，因而若分布键和关联键不一致，不论如何修改分布键，也是需要再次重分布的。
• 尽量保证where条件产生的结果集的存储也尽量是均匀的。
• 查看某表是否分布不均： select gp_segment_id,count(*) from fact_tablegroup by gp_segment_id
• 在segment一级，可以通过select gp_segment_id,count(*) from fact_table group by gp_segment_id的方式检查每张表的数据是否均匀存放
• 在系统级，可以直接用df -h 或du -h检查磁盘或者目录数据是否均匀
• 查看数据库中数据倾斜的表 
  首先定义数据倾斜率为：最大子节点数据量/平均节点数据量。为避免整张表的数据量为空，同时对结果的影响很小，在平均节点数据量基础上加上一个很小的值，SQL如下：

SELECT tabname,max(SIZE)/(avg(SIZE)+0.001) AS max_div_avg,sum(SIZE) total_sizeFROM(SELECT gp_segment_id,oid::regclass tabname,pg_relation_size(oid) SIZEFROM gp_dist_random('pg_class')WHERE relkind='r'AND relstorage IN ('a','h')) tGROUP BY tabnameORDER BY 2 DESC;
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12

3. 分区表

按照某字段进行分区，不影响数据在数据节点上的分布，但是，仅在单个数据节点上，对数据进行分区存储。可以加快分区字段的查询速度。

4. 压缩表

对于大AO表和分区表使用压缩，以节省存储空间并提高系统I/O，也可以在字段级别配置压缩。应用场景：

• 不需要对表进行更新和删除操作
• 访问表的时候基本上是全表扫描，不需要建立索引
• 不能经常对表添加字段或者修改字段类型

5. 分组扩展

Greenplum数据库的GROUP BY扩展可以执行某些常用的计算，且比应用程序或者存储过程效率高。

    GROUP BY ROLLUP(col1, col2, col3)    GROUP BY CUBE(col1, col2, col3)    GROUP BY GROUPING SETS((col1, col2), (col1, col3))
1
2
3
1
2
3

ROLLUP 对分组字段（或者表达式）从最详细级别到最顶级别计算聚合计数。ROLLUP的参数是一个有序分组字段列表，它计算从右向左各个级别的聚合。例如 ROLLUP(c1, c2, c3) 会为下列分组条件计算聚集：

    (c1, c2, c3)    (c1, c2)    (c1)    ()
1
2
3
4
1
2
3
4

CUBE 为分组字段的所有组合计算聚合。例如 CUBE(c1, c2, c3) 会计算一下聚合：

    (c1, c2, c3)    (c1, c2)    (c2, c3)    (c1, c3)    (c1)    (c2)    (c3)    ()
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8

GROUPING SETS 指定对那些字段计算聚合，它可以比ROLLUP和CUBE更精确地控制分区条件。

6. 窗口函数

窗口函数可以实现在结果集的分组子集上的聚合或者排名函数，例如 sum(population) over (partition by city)。窗口函数功能强大，性能优异。因为它在数据库内部进行计算，避免了数据传输。

• 窗口函数row_number()计算一行在分组子集中的行号，例如 row_number() over (order by id)。
• 如果查询计划显示某个表被扫描多次，那么通过窗口函数可能可以降低扫描次数。
• 窗口函数通常可以避免使用自关联。

7. 列存储和行存储

列存储亦即同一列的数据都连续保存在一个物理文件中，有更高的压缩率，适合在款表中对部分字段进行筛选的场景。 
需要注意的是：若集群中节点较多，而且表的列也较多，每个节点的每一列将会至少产生一个文件，那么总体上将会产生比较多的文件，对表的DDL操作就会比较慢。在和分区表使用时，将会产生更多文件，甚至可能超过Linux的文件句柄限制，要尤其注意。

• 行存储：如果记录需要update/delete，那么只能选择非压缩的行存方式。对于查询，如果选择的列的数量经常超过30个以上的列，那么也应该选择行存方式。
• 列存储：如果选择列的数量非常有限，并且希望通过较高的压缩比换取海量数据查询时的较好的IO性能，那么就应该选择列存模式。其中，列存分区表，每个分区的每个列都会有一个对应的物理文件，所以要注意避免文件过多，导致可能超越linux上允许同时打开文件数量的上限以及DDL命令的效率很差。

8. 函数和存储过程

虽然支持游标但是，尽量不要使用游标方式处理数据，而是应该把数据作为一个整体进行操作。

9. 索引使用

• 如果是从超大结果集合中返回非常小的结果集（不超过5%），建议使用BTREE索引（非典型数据仓库操作）
• 表记录的存储顺序最好与索引一致，可以进一步减少IO（好的index cluster）
• where条件中的列用or的方式进行join，可以考虑使用索引
• 键值大量重复时，比较适合使用bitmap索引

有关索引使用的测试见GP索引调优测试–基本篇和GP索引调优测试–排序篇。

10. NOT IN

• 在gp4.3中已经进行了优化，采用hash left anti semi join进行连接。

• 以下只针对gp4.1及之前

  • 有not in的SQL，都会采用笛卡尔积来执行，采用nested join，效率极差
  • not in==》改用left join去重后的表关联来实现

  • 例子

     select * from test1 where col1 not in (select col2 from test1)

    改为

     select * from test1 a left join (select col2 from test1 group bycol2) b on a.col1=b.col2 where b.col2 is null

    运行时间由30多秒提升至92毫秒。

11. 聚合函数太多

• 一条SQL中聚合函数太多，而且可能由于统计信息不够详细或者SQL太负责，错选hashaggregate来执行，导致内存不足。
• 解决方法： 
  
  • 拆分成多个SQL来执行，减少hashaggregate使用的内存
  • 执行enable_hashagg=off，把hashaggregate参数关掉，强制不采用。将会采用groupaggregate，这样排序时间会长一些，但是内存可控，建议采用这种方式比较简单。

12. 资源队列

数据写入、查询分别使用不同的用户，GP创建用户时为不同用户指定不同的资源队列。

13. 其它优化技巧

• 用group by对distinct改写，因为DISTINCT要进行排序操作
• 用UNION ALL加GROUP BY的方式对UNION改写
• 尽量使用GREENPLUM自身提供的聚合函数和窗口函数去完成一些复杂的分析