在Heap中，我們依靠PostgreSQL支撐大多數(shù)后端繁重的任務(wù)，我們存儲每個事件為一個hstore blob，我們?yōu)槊總€跟蹤的用戶維護(hù)一個已完成事件的PostgreSQL數(shù)組，并將這些事件按時間排序。 Hstore能夠讓我們以靈活的方式附加屬性到事件中，而且事件數(shù)組賦予了我們強大的性能，特別是對于漏斗查詢，在這些查詢中我們計算不同轉(zhuǎn)化渠道步驟間的輸出。
在這篇文章中，我們看看那些意外接受大量輸入的PostgreSQL函數(shù)，然后以高效，慣用的方式重寫它。
你的第一反應(yīng)可能是將PostgreSQL中的數(shù)組看做像C語言中對等的類似物。你之前可能用過變換陣列位置或切片來操縱數(shù)據(jù)。不過要小心，在PostgreSQL中不要有這樣的想法，特別是數(shù)組類型是變長的時，比如JSON、文本或是hstore。如果你通過位置來訪問PostgreSQL數(shù)組，你會進(jìn)入一個意想不到的性能暴跌的境地。
這種情況幾星期前在Heap出現(xiàn)了。我們在Heap為每個跟蹤用戶維護(hù)一個事件數(shù)組，在這個數(shù)組中我們用一個hstore datum代表每個事件。我們有一個導(dǎo)入管道來追加新事件到對應(yīng)的數(shù)組。為了使這一導(dǎo)入管道是冪等的，我們給每個事件設(shè)定一個event_id，我們通過一個功能函數(shù)重復(fù)運行我們的事件數(shù)組。如果我們要更新附加到事件的屬性的話，我們只需使用相同的event_id轉(zhuǎn)儲一個新的事件到管道中。
所以，我們需要一個功能函數(shù)來處理hstores數(shù)組，并且，如果兩個事件具有相同的event_id時應(yīng)該使用數(shù)組中最近出現(xiàn)的那個。剛開始嘗試這個函數(shù)是這樣寫的：
-- 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 $$
SELECT array_agg(event)
FROM (
-- Filter for rank = 1, i.e. select the latest event for any collisions on event_id.
SELECT event
FROM (
-- Rank elements with the same event_id by position in the array, descending.
這個查詢在擁有2.4GHz的i7CPU及16GB Ram的macbook pro上測得，運行腳本為：https://gist.github.com/drob/9180760。
在這邊究竟發(fā)生了什么呢? 關(guān)鍵在于PostgreSQL存貯了一個系列的hstores作為數(shù)組的值, 而不是指向值的指針. 一個包含了三個hstores的數(shù)組看起來像
{“event_id=>1,data=>foo”, “event_id=>2,data=>bar”, “event_id=>3,data=>baz”}
相反的是
{[pointer], [pointer], [pointer]}
對于那些長度不一的變量, 舉個例子. hstores, json blobs, varchars,或者是 text fields, PostgreSQL 必須去找到每一個變量的長度. 對于evaluateevents[2], PostgreSQL 解析從左側(cè)讀取的事件直到讀取到第二次讀取的數(shù)據(jù). 然后就是 forevents[3], 她再一次的從第一個索引處開始掃描,直到讀到第三次的數(shù)據(jù)! 所以, evaluatingevents[sub]是 O(sub), 并且 evaluatingevents[sub]對于在數(shù)組中的每一個索引都是 O(N2), N是數(shù)組的長度.
PostgreSQL能得到更加恰當(dāng)?shù)慕馕鼋Y(jié)果, 它可以在這樣的情況下分析該數(shù)組一次. 真正的答案是可變長度的元素與指針來實現(xiàn)，以數(shù)組的值, 以至于,我們總能夠處理 evaluateevents[i]在不變的時間內(nèi).
即便如此，我們也不應(yīng)該讓PostgreSQL來處理，因為這不是一個地道的查詢。除了generate_subscripts我們可以用unnest，它解析數(shù)組并返回一組條目。這樣一來，我們就不需要在數(shù)組中顯式加入索引了。
-- Filter an array of events such that there is only one event with each event_id.
-- When more than one event with the same event_id, is present, take the latest one.
CREATE OR REPLACE FUNCTION dedupe_events_2(events HSTORE[]) RETURNS HSTORE[] AS $$
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;
$$ LANGUAGE SQL IMMUTABLE;
結(jié)果是有效的，它花費的時間跟輸入數(shù)組的大小呈線性關(guān)系。對于100K個元素的輸入它需要大約半秒，而之前的實現(xiàn)需要40秒。
這實現(xiàn)了我們的需求：
- 一次解析數(shù)組，不需要unnest。
- 按event_id劃分。
- 對每個event_id采用最新出現(xiàn)的。
- 按輸入索引排序。
教訓(xùn)：如果你需要訪問PostgreSQL數(shù)組的特定位置，考慮使用unnest代替。
SELECT events[sub] AS event, sub, rank()
OVER (PARTITION BY (events[sub] -> 'event_id')::BIGINT ORDER BY sub DESC)
FROM generate_subscripts(events, 1) AS sub
) deduped_events
WHERE rank = 1
ORDER BY sub ASC
) to_agg;
$$ LANGUAGE SQL IMMUTABLE;
這樣奏效，但大輸入是性能下降了。這是二次的，在輸入數(shù)組有100K各元素時它需要大約40秒！
這個查詢在擁有2.4GHz的i7CPU及16GB Ram的macbook pro上測得，運行腳本為：https://gist.github.com/drob/9180760。
在這邊究竟發(fā)生了什么呢? 關(guān)鍵在于PostgreSQL存貯了一個系列的hstores作為數(shù)組的值, 而不是指向值的指針. 一個包含了三個hstores的數(shù)組看起來像
{“event_id=>1,data=>foo”, “event_id=>2,data=>bar”, “event_id=>3,data=>baz”}
相反的是
{[pointer], [pointer], [pointer]}
對于那些長度不一的變量, 舉個例子. hstores, json blobs, varchars,或者是 text fields, PostgreSQL 必須去找到每一個變量的長度. 對于evaluateevents[2], PostgreSQL 解析從左側(cè)讀取的事件直到讀取到第二次讀取的數(shù)據(jù). 然后就是 forevents[3], 她再一次的從第一個索引處開始掃描,直到讀到第三次的數(shù)據(jù)! 所以, evaluatingevents[sub]是 O(sub), 并且 evaluatingevents[sub]對于在數(shù)組中的每一個索引都是 O(N2), N是數(shù)組的長度.
PostgreSQL能得到更加恰當(dāng)?shù)慕馕鼋Y(jié)果, 它可以在這樣的情況下分析該數(shù)組一次. 真正的答案是可變長度的元素與指針來實現(xiàn)，以數(shù)組的值, 以至于,我們總能夠處理 evaluateevents[i]在不變的時間內(nèi).
即便如此，我們也不應(yīng)該讓PostgreSQL來處理，因為這不是一個地道的查詢。除了generate_subscripts我們可以用unnest，它解析數(shù)組并返回一組條目。這樣一來，我們就不需要在數(shù)組中顯式加入索引了。
-- 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;
結(jié)果是有效的，它花費的時間跟輸入數(shù)組的大小呈線性關(guān)系。對于100K個元素的輸入它需要大約半秒，而之前的實現(xiàn)需要40秒。
這實現(xiàn)了我們的需求：
- 一次解析數(shù)組，不需要unnest。
- 按event_id劃分。
- 對每個event_id采用最新出現(xiàn)的。
- 按輸入索引排序。
教訓(xùn)：如果你需要訪問PostgreSQL數(shù)組的特定位置，考慮使用unnest代替。
您可能感興趣的文章:- PostgreSQL 對數(shù)組的遍歷操作
- PostgreSQL中使用數(shù)組改進(jìn)性能實例代碼
- Mybatis調(diào)用PostgreSQL存儲過程實現(xiàn)數(shù)組入?yún)鬟f
- postgresql 實現(xiàn)將數(shù)組變?yōu)樾?/li>
