J'ai écrit deux fonctions pour répondre à la première question de devoirs du jour 3 de Sept bases de données en sept semaines .

Créez une procédure stockée dans laquelle vous pouvez saisir un titre de film ou le nom d'un acteur que vous aimez, et il renverra les cinq premières suggestions en fonction des films dans lesquels l'acteur a joué ou des films de genres similaires.

Ma première tentative est correcte mais lente. Cela peut prendre jusqu'à 2000 ms pour renvoyer un résultat.

CREATE OR REPLACE FUNCTION suggest_movies(IN query text, IN result_limit integer DEFAULT 5)
  RETURNS TABLE(movie_id integer, title text) AS
$BODY$
WITH suggestions AS (

  SELECT
    actors.name AS entity_term,
    movies.movie_id AS suggestion_id,
    movies.title AS suggestion_title,
    1 AS rank
  FROM actors
  INNER JOIN movies_actors ON (actors.actor_id = movies_actors.actor_id)
  INNER JOIN movies ON (movies.movie_id = movies_actors.movie_id)

  UNION ALL

  SELECT
    searches.title AS entity_term,
    suggestions.movie_id AS suggestion_id,
    suggestions.title AS suggestion_title,
    RANK() OVER (PARTITION BY searches.movie_id ORDER BY cube_distance(searches.genre, suggestions.genre)) AS rank
  FROM movies AS searches
  INNER JOIN movies AS suggestions ON
    (searches.movie_id <> suggestions.movie_id) AND
    (cube_enlarge(searches.genre, 2, 18) @> suggestions.genre)
)
SELECT suggestion_id, suggestion_title
FROM suggestions
WHERE entity_term = query
ORDER BY rank, suggestion_id
LIMIT result_limit;
$BODY$
LANGUAGE sql;

Ma deuxième tentative est correcte et rapide. Je l'ai optimisé en poussant le filtre vers le bas du CTE dans chaque partie du syndicat.

J'ai supprimé cette ligne de la requête externe:

WHERE entity_term = query

J'ai ajouté cette ligne à la première requête interne:

WHERE actors.name = query

J'ai ajouté cette ligne à la deuxième requête interne:

WHERE movies.title = query

La deuxième fonction prend environ 10 ms pour retourner le même résultat.

Rien dans la base de données ne diffère des définitions de fonction.

Pourquoi PostgreSQL produit-il des plans si différents pour ces deux requêtes logiquement équivalentes?

Le EXPLAIN ANALYZEplan de la première fonction ressemble à ceci:

                                                                                       Limit  (cost=7774.18..7774.19 rows=5 width=44) (actual time=1738.566..1738.567 rows=5 loops=1)
   CTE suggestions
     ->  Append  (cost=332.56..7337.19 rows=19350 width=285) (actual time=7.113..1577.823 rows=383024 loops=1)
           ->  Subquery Scan on "*SELECT* 1"  (cost=332.56..996.80 rows=11168 width=33) (actual time=7.113..22.258 rows=11168 loops=1)
                 ->  Hash Join  (cost=332.56..885.12 rows=11168 width=33) (actual time=7.110..19.850 rows=11168 loops=1)
                       Hash Cond: (movies_actors.movie_id = movies.movie_id)
                       ->  Hash Join  (cost=143.19..514.27 rows=11168 width=18) (actual time=4.326..11.938 rows=11168 loops=1)
                             Hash Cond: (movies_actors.actor_id = actors.actor_id)
                             ->  Seq Scan on movies_actors  (cost=0.00..161.68 rows=11168 width=8) (actual time=0.013..1.648 rows=11168 loops=1)
                             ->  Hash  (cost=80.86..80.86 rows=4986 width=18) (actual time=4.296..4.296 rows=4986 loops=1)
                                   Buckets: 1024  Batches: 1  Memory Usage: 252kB
                                   ->  Seq Scan on actors  (cost=0.00..80.86 rows=4986 width=18) (actual time=0.009..1.681 rows=4986 loops=1)
                       ->  Hash  (cost=153.61..153.61 rows=2861 width=19) (actual time=2.768..2.768 rows=2861 loops=1)
                             Buckets: 1024  Batches: 1  Memory Usage: 146kB
                             ->  Seq Scan on movies  (cost=0.00..153.61 rows=2861 width=19) (actual time=0.003..1.197 rows=2861 loops=1)
           ->  Subquery Scan on "*SELECT* 2"  (cost=6074.48..6340.40 rows=8182 width=630) (actual time=1231.324..1528.188 rows=371856 loops=1)
                 ->  WindowAgg  (cost=6074.48..6258.58 rows=8182 width=630) (actual time=1231.324..1492.106 rows=371856 loops=1)
                       ->  Sort  (cost=6074.48..6094.94 rows=8182 width=630) (actual time=1231.307..1282.550 rows=371856 loops=1)
                             Sort Key: searches.movie_id, (cube_distance(searches.genre, suggestions_1.genre))
                             Sort Method: external sort  Disk: 21584kB
                             ->  Nested Loop  (cost=0.27..3246.72 rows=8182 width=630) (actual time=0.047..909.096 rows=371856 loops=1)
                                   ->  Seq Scan on movies searches  (cost=0.00..153.61 rows=2861 width=315) (actual time=0.003..0.676 rows=2861 loops=1)
                                   ->  Index Scan using movies_genres_cube on movies suggestions_1  (cost=0.27..1.05 rows=3 width=315) (actual time=0.016..0.277 rows=130 loops=2861)
                                         Index Cond: (cube_enlarge(searches.genre, 2::double precision, 18) @> genre)
                                         Filter: (searches.movie_id <> movie_id)
                                         Rows Removed by Filter: 1
   ->  Sort  (cost=436.99..437.23 rows=97 width=44) (actual time=1738.565..1738.566 rows=5 loops=1)
         Sort Key: suggestions.rank, suggestions.suggestion_id
         Sort Method: top-N heapsort  Memory: 25kB
         ->  CTE Scan on suggestions  (cost=0.00..435.38 rows=97 width=44) (actual time=1281.905..1738.531 rows=43 loops=1)
               Filter: (entity_term = 'Die Hard'::text)
               Rows Removed by Filter: 382981
 Total runtime: 1746.623 ms

Le EXPLAIN ANALYZEplan de la deuxième requête ressemble à ceci:

 Limit  (cost=43.74..43.76 rows=5 width=44) (actual time=1.231..1.234 rows=5 loops=1)
   CTE suggestions
     ->  Append  (cost=4.86..43.58 rows=5 width=391) (actual time=1.029..1.141 rows=43 loops=1)
           ->  Subquery Scan on "*SELECT* 1"  (cost=4.86..20.18 rows=2 width=33) (actual time=0.047..0.047 rows=0 loops=1)
                 ->  Nested Loop  (cost=4.86..20.16 rows=2 width=33) (actual time=0.047..0.047 rows=0 loops=1)
                       ->  Nested Loop  (cost=4.58..19.45 rows=2 width=18) (actual time=0.045..0.045 rows=0 loops=1)
                             ->  Index Scan using actors_name on actors  (cost=0.28..8.30 rows=1 width=18) (actual time=0.045..0.045 rows=0 loops=1)
                                   Index Cond: (name = 'Die Hard'::text)
                             ->  Bitmap Heap Scan on movies_actors  (cost=4.30..11.13 rows=2 width=8) (never executed)
                                   Recheck Cond: (actor_id = actors.actor_id)
                                   ->  Bitmap Index Scan on movies_actors_actor_id  (cost=0.00..4.30 rows=2 width=0) (never executed)
                                         Index Cond: (actor_id = actors.actor_id)
                       ->  Index Scan using movies_pkey on movies  (cost=0.28..0.35 rows=1 width=19) (never executed)
                             Index Cond: (movie_id = movies_actors.movie_id)
           ->  Subquery Scan on "*SELECT* 2"  (cost=23.31..23.40 rows=3 width=630) (actual time=0.982..1.081 rows=43 loops=1)
                 ->  WindowAgg  (cost=23.31..23.37 rows=3 width=630) (actual time=0.982..1.064 rows=43 loops=1)
                       ->  Sort  (cost=23.31..23.31 rows=3 width=630) (actual time=0.963..0.971 rows=43 loops=1)
                             Sort Key: searches.movie_id, (cube_distance(searches.genre, suggestions_1.genre))
                             Sort Method: quicksort  Memory: 28kB
                             ->  Nested Loop  (cost=4.58..23.28 rows=3 width=630) (actual time=0.808..0.916 rows=43 loops=1)
                                   ->  Index Scan using movies_title on movies searches  (cost=0.28..8.30 rows=1 width=315) (actual time=0.025..0.027 rows=1 loops=1)
                                         Index Cond: (title = 'Die Hard'::text)
                                   ->  Bitmap Heap Scan on movies suggestions_1  (cost=4.30..14.95 rows=3 width=315) (actual time=0.775..0.844 rows=43 loops=1)
                                         Recheck Cond: (cube_enlarge(searches.genre, 2::double precision, 18) @> genre)
                                         Filter: (searches.movie_id <> movie_id)
                                         Rows Removed by Filter: 1
                                         ->  Bitmap Index Scan on movies_genres_cube  (cost=0.00..4.29 rows=3 width=0) (actual time=0.750..0.750 rows=44 loops=1)
                                               Index Cond: (cube_enlarge(searches.genre, 2::double precision, 18) @> genre)
   ->  Sort  (cost=0.16..0.17 rows=5 width=44) (actual time=1.230..1.231 rows=5 loops=1)
         Sort Key: suggestions.rank, suggestions.suggestion_id
         Sort Method: top-N heapsort  Memory: 25kB
         ->  CTE Scan on suggestions  (cost=0.00..0.10 rows=5 width=44) (actual time=1.034..1.187 rows=43 loops=1)
 Total runtime: 1.410 ms

Pas de refoulement automatique de prédicat pour les CTE

PostgreSQL 9.3 ne fait pas de pushdown de prédicat pour les CTE.

Un optimiseur qui fait un pushdown de prédicat peut déplacer les clauses where dans les requêtes internes. L'objectif est de filtrer les données non pertinentes le plus tôt possible. Tant que la nouvelle requête est logiquement équivalente, le moteur récupère toujours toutes les données pertinentes, ce qui produit le résultat correct, mais plus rapidement.

Le développeur principal Tom Lane fait allusion à la difficulté de déterminer l'équivalence logique sur la liste de diffusion pgsql-performance .

Les CTE sont également traités comme des clôtures d'optimisation; ce n'est pas tant une limitation de l'optimiseur que de garder la sémantique saine lorsque le CTE contient une requête accessible en écriture.

L'optimiseur ne distingue pas les CTE en lecture seule de ceux en écriture, il est donc trop conservateur lors de l'examen des plans. Le traitement «barrière» empêche l'optimiseur de déplacer la clause where à l'intérieur du CTE, bien que nous puissions voir qu'il est sûr de le faire.

Nous pouvons attendre que l'équipe PostgreSQL améliore l'optimisation CTE, mais pour l'instant, pour obtenir de bonnes performances, vous devez changer votre style d'écriture.

Réécrire pour les performances

La question montre déjà une façon d'obtenir un meilleur plan. La duplication de la condition du filtre code essentiellement en dur l'effet du refoulement des prédicats.

Dans les deux plans, le moteur copie les lignes de résultats dans une table de travail afin de pouvoir les trier. Plus la table de travail est grande, plus la requête est lente.

Le premier plan copie toutes les lignes des tables de base dans la table de travail et les analyse pour trouver le résultat. Pour rendre les choses encore plus lentes, le moteur doit analyser toute la table de travail car il n'a pas d'index.

C'est une quantité ridicule de travail inutile. Il lit toutes les données dans les tables de base deux fois pour trouver la réponse, alors qu'il n'y a que 5 lignes correspondantes sur 1 19350 lignes dans les tables de base.

Le deuxième plan utilise les index pour rechercher les lignes correspondantes et copie uniquement celles-ci dans la table de travail. L'index a efficacement filtré les données pour nous.

À la page 85 de The Art of SQL, Stéphane Faroult nous rappelle les attentes des utilisateurs.

Dans une très large mesure, les utilisateurs finaux ajustent leur patience au nombre de rangs qu'ils attendent: lorsqu'ils demandent une aiguille, ils accordent peu d'attention à la taille de la botte de foin.

Le deuxième plan évolue avec l'aiguille, il est donc plus probable que vos utilisateurs soient satisfaits.

Réécrire pour la maintenabilité

La nouvelle requête est plus difficile à gérer, car vous pouvez introduire un défaut en modifiant une expression de filtre mais pas l'autre.

Ne serait-ce pas formidable de pouvoir tout écrire une seule fois tout en obtenant de bonnes performances?

Nous pouvons. L'optimiseur effectue un pushdown de prédicat pour les sous-requêtes.

Un exemple plus simple est plus facile à expliquer.

CREATE TABLE a (c INT);

CREATE TABLE b (c INT);

CREATE INDEX a_c ON a(c);

CREATE INDEX b_c ON b(c);

INSERT INTO a SELECT 1 FROM generate_series(1, 1000000);

INSERT INTO b SELECT 2 FROM a;

INSERT INTO a SELECT 3;

Cela crée deux tables chacune avec une colonne indexée. Ensemble, ils contiennent un million de 1s, un million de 2s et un 3.

Vous pouvez trouver l'aiguille à l' 3aide de l'une de ces requêtes.

-- CTE
EXPLAIN ANALYZE
WITH cte AS (
  SELECT c FROM a
  UNION ALL
  SELECT c FROM b
)
SELECT c FROM cte WHERE c = 3;

-- Subquery
EXPLAIN ANALYZE
SELECT c
FROM (
  SELECT c FROM a
  UNION ALL
  SELECT c FROM b
) AS subquery
WHERE c = 3;

Le plan du CTE est lent. Le moteur analyse trois tables et lit environ quatre millions de lignes. Cela prend près de 1000 millisecondes.

CTE Scan on cte  (cost=33275.00..78275.00 rows=10000 width=4) (actual time=471.412..943.225 rows=1 loops=1)
  Filter: (c = 3)
  Rows Removed by Filter: 2000000
  CTE cte
    ->  Append  (cost=0.00..33275.00 rows=2000000 width=4) (actual time=0.011..409.573 rows=2000001 loops=1)
          ->  Seq Scan on a  (cost=0.00..14425.00 rows=1000000 width=4) (actual time=0.010..114.869 rows=1000001 loops=1)
          ->  Seq Scan on b  (cost=0.00..18850.00 rows=1000000 width=4) (actual time=5.530..104.674 rows=1000000 loops=1)
Total runtime: 948.594 ms

Le plan de la sous-requête est rapide. Le moteur recherche juste chaque index. Cela prend moins d'une milliseconde.

Append  (cost=0.42..8.88 rows=2 width=4) (actual time=0.021..0.038 rows=1 loops=1)
  ->  Index Only Scan using a_c on a  (cost=0.42..4.44 rows=1 width=4) (actual time=0.020..0.021 rows=1 loops=1)
        Index Cond: (c = 3)
        Heap Fetches: 1
  ->  Index Only Scan using b_c on b  (cost=0.42..4.44 rows=1 width=4) (actual time=0.016..0.016 rows=0 loops=1)
        Index Cond: (c = 3)
        Heap Fetches: 0
Total runtime: 0.065 ms

Voir SQLFiddle pour une version interactive.

Les plans sont les mêmes dans Postgres 12

La question posée sur Postgres 9.3. Cinq ans plus tard, cette version est obsolète, mais qu'est-ce qui a changé?

PostgreSQL 12 intègre désormais des CTE comme ceux-ci.

Requêtes WITH intégrées (expressions de table communes)

Les expressions de table courantes (ou WITHrequêtes) peuvent désormais être automatiquement intégrées dans une requête si elles a) ne sont pas récursives, b) n'ont pas d'effets secondaires et c) ne sont référencées qu'une seule fois dans une partie ultérieure d'une requête. Cela supprime une "barrière d'optimisation" qui existe depuis l'introduction de la WITHclause dans PostgreSQL 8.4

Si nécessaire, vous pouvez forcer une requête WITH à se matérialiser à l'aide de la clause MATERIALIZED, par exemple

WITH c AS MATERIALIZED ( SELECT * FROM a WHERE a.x % 4 = 0 ) SELECT * FROM c JOIN d ON d.y = a.x;