Пролог
Под перечислимым типом обычно понимают тип данных, который может принимать ограниченное и, как правило, небольшое число значений. Его выделяет то, что эти значения часто хардкодятся программистами в исходный код. И, как следствие, пользователи и операторы приложения не могут менять множество значений перечислимого типа. Их меняют только разработчики, зачастую с соответствующими исправлениями в коде и бизнес-логике приложения. Примерами перечислимых типов могут быть: времена года, месяцы, направление типа въезда/выезд или in/out, какие-нибудь типы или категории чего-нибудь, и так далее. В PostgreSQL подобную функциональность могут и реализуют различными способами. Этому посвящена статья.
Лирическое отступление (или почему не boolean)
В качестве примера перечислимого типа для всего последующего изложения я выбрал пол человека. Часто для хранения пола выбирают тип данных boolean. Что неправильно. Во-первых, придется объяснять феминисткам, почему мужской пол истинный, а женский ложный. Во-вторых, boolean создавался совсем для другого, и все типы операций и функций, определенные для него, в этой задаче будут бессмысленными. Ну, разве что только XOR сохраняет здравый смысл. И в-третьих, помимо мужского и женского пола есть еще пол непонятный. Речь здесь не только про извращенцев вроде Кончиты Вурст, есть люди с генетической аномалией мозаицизм по половым хромосомам, когда даже на генетическом уровне нельзя сказать, какой пол у человека.
Что гораздо важнее, такой тип пола, как "other",
стандартизирован ИКАО для официальных документов, и встречается в
официальных документах, предъявляемых на пограничных пунктах, к
сожалению, гораздо чаще, чем того требует природа человека. А когда
люди с такими документами пересекают российскую границу, наши
православные пограничники тоже вынуждены указывать такой пол уже во
внутрироссийских документах. И для этой цели нельзя использовать
значение null
в типе boolean
. Значение
null
означает значение неизвестно,
например, не была заполнена графа "sex" в документе, и в
действительности пол может оказаться неизвестно каким. А вот пол
"other" это совершенно точно известный факт, что человек чувствует
и записывает в документах, что он особенный. Поэтому для
sex
надо использовать не boolean
, а
перечислимый тип.
Варианты
Enum встроенный в PostgreSQL официальный тип
В PostgreSQL есть специальный тип данных, созданный для такого
случая, называется enum
. Вот пример его
определения:
CREATE TYPE sex AS ENUM ('мужчина', 'женщина', 'иное');
Пример использования:
select id from table where sex='женщина';
То, что везде в примерах ищется женщина, это не сексизм, а олицетворение поговорки: "Cherchez la femme".
Текстовые обозначения не могут быть длиннее 63 байт (если
используем русский язык и UTF-8, то делите на два). В самой таблице
значения будут занимать 4 байта. Потому что, по сути, этот тип
данных синтаксический сахар. На самом деле этот тип реализуется с
помощью внешней таблицы, но планировщик выполняет некоторые
оптимизации. Текстовые значения хранятся в таблице
pg_enum
, а ключом являются четырёхбайтные OID. Но это
лучше, чем простое использование внешней таблицы. В запросах можно
применять текстовые обозначения напрямую. И если в случае ошибки
будет указано несуществующее значение, то будет поднят syntax
error
, в то время как при обычном использовании внешней
таблицы никакой ошибки не было бы, запрос попросту вернул пустой
результат.
Также этот тип безопасен в том смысле, что его нельзя сравнивать
не только с другими типами, но даже с разными типами
enum
. В качестве бонуса, этот тип поддерживает
упорядочивание его элементов (определены операции сравнения и
сортировки), и этим порядком можно управлять (например, менять с
помощью ALTER TYPE
). Недостатки: использовать 4 байта
там, где можно было бы обойтись одним, кажется расточительством. И
когда я написал Тому Лэйну об этом недостатке существующего
решения, то получил обычный в мире Open Source ответ: Раз ты такой
умный, реализуй сам как считаешь лучше.
Char внутренний перечислимый тип PostgreSQL
Но не смотря на то, что в PostgreSQL есть специальный
перечислимый тип для пользователей, во внутренних таблицах
используется тип "char"
в качестве перечислимого типа.
Кавычки обязательны, потому что без них он превратится в широко
известный тип char(много букв)
. В тип
"char"
помещается ровно 1 байт в символьном виде, т.е.
размер в 4 раза меньше, чем официальный enum
. При
кодировке UTF-8 в него влезут английские буквы, цифры и символы, а
вот русские буквы нет. Тип можно использовать, прямо указывая
обозначения в виде букв, подобрав их по какому-нибудь
мнемоническому правилу или стандарту. В нашем случае, в
соответствии со стандартом ИКАО это будет m
,
f
, x
. Но это пока не так интересно:
буквы, конечно, удобно хардкодить, но хочется иметь возможность
работать и с текстовыми обозначениями. Для этого можно написать
простые функции. Также можно усилить проверку типов, использовав
domain
с указанием допустимых значений.
CREATE DOMAIN sex_char AS "char" CHECK (VALUE in ('m','f','x'));CREATE FUNCTION sex(txt varchar, OUT ch sex_char) LANGUAGE plpgsql IMMUTABLE STRICT PARALLEL SAFE AS$sex$BEGIN ch:= case txt when 'мужчина' then 'm'::sex_char when 'женщина' then 'f'::sex_char when 'иное' then 'x'::sex_char else null end; if ch is null then raise invalid_parameter_value; end if;END$sex$;CREATE FUNCTION sex(ch sex_char, OUT txt varchar) LANGUAGE plpgsql IMMUTABLE STRICT PARALLEL SAFE AS$sex$BEGIN txt:= case ch when 'm'::sex_char then 'мужчина' when 'f'::sex_char then 'женщина' when 'x'::sex_char then 'иное' else null end; if txt is null then raise invalid_parameter_value; end if;END$sex$;
Две этих функции, по сути, составляют одну полиморфную функцию. Примеры использования:
=> select sex(ch=>'f'); sex--------- женщина(1 row)=> select sex(txt=>'женщина'); sex----- f(1 row)
Указывать имя аргумента (или типа данных) нужно потому, что парсер, видя текстовый литерал, не может определить тип аргумента и выбрать нужную функцию. В тех случаях, когда парсеру очевиден тип аргумента, его имя можно не указывать. Например, если применить функцию саму к себе, получится тривиальная:
=> select sex(sex(txt=>'женщина'));sex---------женщина(1 row)
Примеры использования:
select id from table where sex='f';select id from table where sex=sex(txt=>'женщина');
Из достоинств этого метода: занимает 1 байт, нет внешних таблиц и ожидается хорошее быстродействие.
Классическая внешняя таблица
Классика нормализации.
create table sex_t ( sex_t_id smallint primary key, sex varchar not null unique);
И эта таблица подключается куда надо как внешняя. Пример использования:
select id from table join sex_t using (sex_t_id) where sex='женщина';
Очевидно, что всё это похоже на внутреннее устройство у
официального enum
. Из недостатков всё то, что в
enum
было перечислено как достоинства: приходится
указывать в запросах внешнюю таблицу, что сильно загромождает
запрос; нет синтаксических ошибок в случае, если кто-то неправильно
запишет текстовое значение, и т.д. Достоинство одно: занимает 2
байта вместо 4 (т.е. в два раза меньше, чем официальный
enum
).
Экзотика
Можно еще упомянуть способы, к которым я не имею ни малейшего
отношения. Но они встречаются. Видел пример, который выглядит как
классическая внешняя таблица, но для ключа вместо
smallint
использовался serial
. Причем в
связанном с ним sequence
шаг умышленно выставлялся в 0
(чтобы вызвать ошибки при его использовании), и это не баг, а
идеологическая фича (как мне объяснил разработчик): поскольку
значения ключа захардкожены, при добавлении новых значений значения
ключа должны были явно указываться программистом. И значений там
было не больше 10.
Другой способ, который любят поклонники денормализации, заключается в создании текстового поля с указанием в нём текстовых значений. Вдобавок можно сделать вспомогательную таблицу со списком допустимых значений, чтобы использовать, например, при создании комбобоксов.
Когда структуру базы данных создают веб-разработчики,
перечислимый тип могут сохранять в виде текстовых значений, но не в
текстовом поле, а внутри jsonb
. Как правило, конечно,
не в специально для этого созданном jsonb
, а внутри
одного большого jsonb
, куда заложены все атрибуты
данной таблицы.
Всё это вызывает у меня скепсис, но такие варианты интересно рассмотреть при тестировании не потому, что они хороши, а потому, что интересно узнать, насколько они плохи.
Описание эксперимента
Идея
Предположим, есть девелоперская контора, в которой трудится 75 % мужчин, 24 % женщин и еще 1 % неопределившихся существ. Отделу кадров на 23 февраля надо получить количество мужчин, чтобы закупить для них подарки, потом 8 марта получить количество женщин. А после кадровики задумываются, что меньшинство дискриминировать и оставлять без подарков нехорошо. И нужно количество иных, чтобы 1 апреля подарить подарки и им. Создам разные варианты таблиц, имитирующих список сотрудников с указанием пола, и замерю время выполнения всех трех запросов.
Поскольку работу с винчестерами мерить не интересно (слишком большой элемент случайности, связанный с движением головок), то для начала прогрею таблицы, чтобы работать только с кэшем в ОЗУ. Чтобы уменьшить влияние на результат каких-нибудь сторонних процессов, которые могут возникать в операционке и вне её, измерения буду проводить сериями. И чтобы измерять эффективность типов данных, а не то, как планировщик PostgreSQL иногда ошибается, принимая решения по распараллеливанию запросов, распараллеливание будет отключено.
В каждой таблице 10 000 000 записей, содержимое всех таблиц
одинаковое (по составу). И поскольку запросы должны символизировать
фильтрацию по полю перечисления и выдачу полезных данных из других
полей, я решил отключить index only scan. Сделаю я это, изменив в
запросах count(*)
на count(id)
, т.е. явно
укажу, что нужны данные, не входящие в индекс.
Описание стенда
Стенд сделал из того, что было: ноут MSI, операционка сообщает о 8 ядрах процессора, 16 Гб ОЗУ (hugepages 2 Мб на 14 Гб), 0 swap. Но поскольку тут интересно лишь относительное сравнение результатов измерений друг с другом, а не абсолютные значения, подробно расписывать железо не буду. CentOS 8, PostgreSQL 13 с shared_buffers (кэшем PostgreSQL) на 14 Гб.
Было сделано 100 серий экспериментов, в каждой серии по 100 замеров каждого варианта, итого 10 000 замеров каждого варианта. Чтобы каждый мог повторить эксперимент, привожу все скрипты.
postgresql.conf
Этот файл инклюдится в стандартный postgresql.conf.
# Минимальный уровень WAL чтобы уменьшить время на создание таблицwal_level = minimalmax_wal_senders = 0# Поскольку работаем с закэшированными таблицами, издержек на "случайный" доступ нет.random_page_cost = 1# отключаем распараллеливаниеmax_parallel_workers_per_gather=0# Кэш PostgreSQLshared_buffers = 14GB
prewarm.sql
Прогреваю БД с помощью pg_prewarm
.
select pg_prewarm('sex1');select pg_prewarm('sex1_btree');select pg_prewarm('sex2');select pg_prewarm('sex2_btree');select pg_prewarm('sex3');select pg_prewarm('sex3_btree');select pg_prewarm('sex4');select pg_prewarm('sex4_btree');select pg_prewarm('sex5');select pg_prewarm('sex5_btree');select pg_prewarm('sex5h');select pg_prewarm('sex5h_hash');select pg_prewarm('sex6');select pg_prewarm('sex6_gin');select pg_prewarm('sex6h');select pg_prewarm('sex6h_gin_hash');
test.sql
Такими запросами проводится тестирование. И эти же запросы
используются для дополнительного прогрева (pg_prewarm
недостаточно). Напомню, что я использую count(id)
,
чтобы отключить index only scan.
select count(id) from sex1 where sex='мужчина';select count(id) from sex1 where sex='женщина';select count(id) from sex1 where sex='иное';select count(id) from sex2 where sex_char=sex(txt=>'мужчина');select count(id) from sex2 where sex_char=sex(txt=>'женщина');select count(id) from sex2 where sex_char=sex(txt=>'иное');select count(id) from sex3 join sex_t using (sex_t_id) where sex='мужчина';select count(id) from sex3 join sex_t using (sex_t_id) where sex='женщина';select count(id) from sex3 join sex_t using (sex_t_id) where sex='иное';select count(id) from sex3 where sex_t_id=(select t.sex_t_id from sex_t t where sex='мужчина');select count(id) from sex3 where sex_t_id=(select t.sex_t_id from sex_t t where sex='женщина');select count(id) from sex3 where sex_t_id=(select t.sex_t_id from sex_t t where sex='иное');select count(id) from sex4 join sex_t4 using (sex_t4_id) where sex='мужчина';select count(id) from sex4 join sex_t4 using (sex_t4_id) where sex='женщина';select count(id) from sex4 join sex_t4 using (sex_t4_id) where sex='иное';select count(id) from sex4 where sex_t4_id=(select t.sex_t4_id from sex_t4 t where sex='мужчина');select count(id) from sex4 where sex_t4_id=(select t.sex_t4_id from sex_t4 t where sex='женщина');select count(id) from sex4 where sex_t4_id=(select t.sex_t4_id from sex_t4 t where sex='иное');select count(id) from sex5 where sex='мужчина';select count(id) from sex5 where sex='женщина';select count(id) from sex5 where sex='иное';select count(id) from sex5h where sex='мужчина';select count(id) from sex5h where sex='женщина';select count(id) from sex5h where sex='иное';select count(id) from sex6 where jdoc@>'{"sex":"мужчина"}';select count(id) from sex6 where jdoc@>'{"sex":"женщина"}';select count(id) from sex6 where jdoc@>'{"sex":"иное"}';select count(id) from sex6h where jdoc@>'{"sex":"мужчина"}';select count(id) from sex6h where jdoc@>'{"sex":"женщина"}';select count(id) from sex6h where jdoc@>'{"sex":"иное"}';
init.sql
Скрипт первоначального создания БД для экспериментов:
-- заполняем таблицы, во всех таблицах одинаковые данные\set table_size 10000000-- удобный view для посмотра размера таблиц после их заполненияcreate or replace view disk as SELECT n.nspname AS schema, c.relname, pg_size_pretty(pg_relation_size(c.oid::regclass)) AS size, pg_relation_size(c.oid::regclass)/1024 AS size_KiB FROM pg_class c LEFT JOIN pg_namespace n ON n.oid = c.relnamespace ORDER BY (pg_relation_size(c.oid::regclass)) DESC LIMIT 20;begin;-- sex1 официальный enumCREATE TYPE sex_enum AS ENUM ('мужчина', 'женщина', 'иное');create table sex1 (id float, sex sex_enum not null);-- sex2 "char"CREATE DOMAIN sex_char AS "char" CHECK (VALUE in ('m','f','x'));CREATE FUNCTION sex(txt varchar, OUT ch sex_char) LANGUAGE plpgsql IMMUTABLE STRICT PARALLEL SAFE AS$sex$BEGIN ch:= case txt when 'мужчина' then 'm'::sex_char when 'женщина' then 'f'::sex_char when 'иное' then 'x'::sex_char else null end; if ch is null then raise invalid_parameter_value; end if;END$sex$;CREATE FUNCTION sex(ch sex_char, OUT txt varchar) LANGUAGE plpgsql IMMUTABLE STRICT PARALLEL SAFE AS$sex$BEGIN txt:= case ch when 'm'::sex_char then 'мужчина' when 'f'::sex_char then 'женщина' when 'x'::sex_char then 'иное' else null end; if txt is null then raise invalid_parameter_value; end if;END$sex$;create table sex2 (id float, sex_char "char" not null);-- sex3 внешняя таблица c ключом smallintcreate table sex_t ( sex_t_id smallint primary key, sex varchar not null unique);insert into sex_t (sex_t_id,sex) values (1,'мужчина'),(0,'женщина'),(-1,'иное');create table sex3 (id float, sex_t_id smallint not null references sex_t);-- sex4 с serial, как бы это странно не выглядело, повторяю то, что видел в одной уважаемой компанииcreate table sex_t4 ( sex_t4_id serial primary key, sex varchar not null unique);insert into sex_t4 (sex_t4_id,sex) values (1,'мужчина'),(0,'женщина'),(-1,'иное');create table sex4 (id float, sex_t4_id integer not null references sex_t4);-- текстовое полеcreate table sex_t5 ( sex varchar primary key);insert into sex_t5 (sex) values ('мужчина'),('женщина'),('иное');-- для btree индексаcreate table sex5 (id float, sex varchar not null references sex_t5);-- для hash индексаcreate table sex5h (id float, sex varchar not null references sex_t5);-- jsonb-- для обычного gin индексаcreate table sex6 (id float, jdoc jsonb not null);-- для gin индекса с хэш по ключам и значениямcreate table sex6h (id float, jdoc jsonb not null);-- вставка данныхinsert into sex1 (id,sex) select random, case when random<0.75 then 'мужчина'::sex_enum when random<0.99 then 'женщина'::sex_enum else 'иное'::sex_enum end from (select random() as random, generate_series(1,:table_size)) as subselect;insert into sex5 (id,sex) select id,sex::varchar from sex1;insert into sex2 (id,sex_char) select id,sex(sex) from sex5;insert into sex3 (id,sex_t_id) select id,sex_t_id from sex5 join sex_t using (sex);insert into sex4 (id,sex_t4_id) select id,sex_t4_id from sex5 join sex_t4 using (sex);insert into sex5h (id,sex) select id,sex from sex5;insert into sex6 (id,jdoc) select id,('{"sex": "'||sex||'"}')::jsonb from sex5;insert into sex6h (id,jdoc) select id,jdoc from sex6;-- создаем индексыcreate index sex1_btree on sex1(sex);create index sex2_btree on sex2(sex_char);create index sex3_btree on sex3(sex_t_id);create index sex4_btree on sex4(sex_t4_id);create index sex5_btree on sex5(sex);-- для текста используем hashcreate index sex5h_hash on sex5h using hash(sex);create index sex6_gin on sex6 using gin(jdoc);-- тут тоже, по сути, hashcreate index sex6h_gin_hash on sex6h using gin(jdoc jsonb_path_ops);commit;set role postgres;-- экстеншин для прогрева (заполнения кэша PostgreSQL)create extension if not exists pg_prewarm;-- удобный экстеншин для мониторинга заполнения кэшаcreate extension if not exists pg_buffercache;create or replace view cache as SELECT n.nspname AS schema, c.relname, pg_size_pretty(count(*) * 8192) AS buffered, count(*) * 8 AS buffered_KiB, round(100.0 * count(*)::numeric / ((( SELECT pg_settings.setting FROM pg_settings WHERE pg_settings.name = 'shared_buffers'::text))::integer)::numeric, 1) AS buffer_percent, round(100.0 * count(*)::numeric * 8192::numeric / pg_table_size(c.oid::regclass)::numeric, 1) AS percent_of_relation FROM pg_class c JOIN pg_buffercache b ON b.relfilenode = c.relfilenode JOIN pg_database d ON b.reldatabase = d.oid AND d.datname = current_database() LEFT JOIN pg_namespace n ON n.oid = c.relnamespace GROUP BY c.oid, n.nspname, c.relname ORDER BY buffered_kib DESC LIMIT 20;-- заключительный vacuumvacuum freeze analyze;
test
Скрипт для тестирования:
#!/bin/shset -o errexit -o noclobber -o nounset -o pipefail#set -o errexit -o noclobber -o nounset -o pipefail -o xtrace# for pgbenchPATH="$PATH:/usr/pgsql-13/bin"# config# database connection parametersreadonly PGDATABASE='sex'readonly PGPORT=5432export PGDATABASE PGPORT# output data filereadonly data_csv='data.csv'# init data filesreadonly header='sex:,male,female,other'if [ ! -s "$data_csv" ]then echo "$header" >|"$data_csv"fi# prewarm to the cachepsql --quiet -f prewarm.sql >/dev/null# more prewarmpgbench --no-vacuum --transaction 100 --file test.sql >/dev/nullfor i in $(seq 1 100)do echo -n "$i " date --iso-8601=seconds pgbench --no-vacuum --transaction 100 --report-latencies --file 'test.sql' | \ awk " /from sex1 where sex='мужчина';\$/ {printf \"enum,%s,\", \$1 >>\"$data_csv\";} /from sex1 where sex='женщина';\$/ {printf \"%s,\", \$1 >>\"$data_csv\";} /from sex1 where sex='иное';\$/ {printf \"%s\\n\", \$1 >>\"$data_csv\";} /from sex2 where sex_char=sex\(txt=>'мужчина'\);\$/ {printf \"\\\"char\\\",%s,\", \$1 >>\"$data_csv\";} /from sex2 where sex_char=sex\(txt=>'женщина'\);\$/ {printf \"%s,\", \$1 >>\"$data_csv\";} /from sex2 where sex_char=sex\(txt=>'иное'\);\$/ {printf \"%s\\n\", \$1 >>\"$data_csv\";} /from sex3 join sex_t using \(sex_t_id\) where sex='мужчина';\$/ {printf \"smallint(join),%s,\", \$1 >>\"$data_csv\";} /from sex3 join sex_t using \(sex_t_id\) where sex='женщина';\$/ {printf \"%s,\", \$1 >>\"$data_csv\";} /from sex3 join sex_t using \(sex_t_id\) where sex='иное';\$/ {printf \"%s\\n\", \$1 >>\"$data_csv\";} /from sex3 where sex_t_id=\(select t.sex_t_id from sex_t t where sex='мужчина'\);\$/ {printf \"smallint(subsel),%s,\", \$1 >>\"$data_csv\";} /from sex3 where sex_t_id=\(select t.sex_t_id from sex_t t where sex='женщина'\);\$/ {printf \"%s,\", \$1 >>\"$data_csv\";} /from sex3 where sex_t_id=\(select t.sex_t_id from sex_t t where sex='иное'\);\$/ {printf \"%s\\n\", \$1 >>\"$data_csv\";} /from sex4 join sex_t4 using \(sex_t4_id\) where sex='мужчина';\$/ {printf \"integer(join),%s,\", \$1 >>\"$data_csv\";} /from sex4 join sex_t4 using \(sex_t4_id\) where sex='женщина';\$/ {printf \"%s,\", \$1 >>\"$data_csv\";} /from sex4 join sex_t4 using \(sex_t4_id\) where sex='иное';\$/ {printf \"%s\\n\", \$1 >>\"$data_csv\";} /from sex4 where sex_t4_id=\(select t.sex_t4_id from sex_t4 t where sex='мужчина'\);\$/ {printf \"integer(subsel),%s,\", \$1 >>\"$data_csv\";} /from sex4 where sex_t4_id=\(select t.sex_t4_id from sex_t4 t where sex='женщина'\);\$/ {printf \"%s,\", \$1 >>\"$data_csv\";} /from sex4 where sex_t4_id=\(select t.sex_t4_id from sex_t4 t where sex='иное'\);\$/ {printf \"%s\\n\", \$1 >>\"$data_csv\";} /from sex5 where sex='мужчина';\$/ {printf \"varchar(btree),%s,\", \$1 >>\"$data_csv\";} /from sex5 where sex='женщина';\$/ {printf \"%s,\", \$1 >>\"$data_csv\";} /from sex5 where sex='иное';\$/ {printf \"%s\\n\", \$1 >>\"$data_csv\";} /from sex5h where sex='мужчина';\$/ {printf \"varchar(hash),%s,\", \$1 >>\"$data_csv\";} /from sex5h where sex='женщина';\$/ {printf \"%s,\", \$1 >>\"$data_csv\";} /from sex5h where sex='иное';\$/ {printf \"%s\\n\", \$1 >>\"$data_csv\";} /from sex6 where jdoc@>'{\"sex\":\"мужчина\"}';\$/ {printf \"jsonb(gin),%s,\", \$1 >>\"$data_csv\";} /from sex6 where jdoc@>'{\"sex\":\"женщина\"}';\$/ {printf \"%s,\", \$1 >>\"$data_csv\";} /from sex6 where jdoc@>'{\"sex\":\"иное\"}';\$/ {printf \"%s\\n\", \$1 >>\"$data_csv\";} /from sex6h where jdoc@>'{\"sex\":\"мужчина\"}';\$/ {printf \"jsonb(gin+hash),%s,\", \$1 >>\"$data_csv\";} /from sex6h where jdoc@>'{\"sex\":\"женщина\"}';\$/ {printf \"%s,\", \$1 >>\"$data_csv\";} /from sex6h where jdoc@>'{\"sex\":\"иное\"}';\$/ {printf \"%s\\n\", \$1 >>\"$data_csv\";} "doneecho 'Done'
Размер таблиц и индексов
=> \dt+ List of relations Schema | Name | Type | Owner | Persistence | Size | Description--------+--------+-------+-------+-------------+--------+------------- public | sex1 | table | olleg | permanent | 422 MB | public | sex2 | table | olleg | permanent | 422 MB | public | sex3 | table | olleg | permanent | 422 MB | public | sex4 | table | olleg | permanent | 422 MB | public | sex5 | table | olleg | permanent | 498 MB | public | sex5h | table | olleg | permanent | 498 MB | public | sex6 | table | olleg | permanent | 651 MB | public | sex6h | table | olleg | permanent | 651 MB | public | sex_t | table | olleg | permanent | 48 kB | public | sex_t4 | table | olleg | permanent | 48 kB | public | sex_t5 | table | olleg | permanent | 48 kB |(11 rows) => \di+ List of relations Schema | Name | Type | Owner | Table | Persistence | Size | Description--------+----------------+-------+-------+--------+-------------+--------+------------- public | sex1_btree | index | olleg | sex1 | permanent | 66 MB | public | sex2_btree | index | olleg | sex2 | permanent | 66 MB | public | sex3_btree | index | olleg | sex3 | permanent | 66 MB | public | sex4_btree | index | olleg | sex4 | permanent | 66 MB | public | sex5_btree | index | olleg | sex5 | permanent | 67 MB | public | sex5h_hash | index | olleg | sex5h | permanent | 448 MB | public | sex6_gin | index | olleg | sex6 | permanent | 21 MB | public | sex6h_gin_hash | index | olleg | sex6h | permanent | 10 MB | public | sex_t4_pkey | index | olleg | sex_t4 | permanent | 16 kB | public | sex_t4_sex_key | index | olleg | sex_t4 | permanent | 16 kB | public | sex_t5_pkey | index | olleg | sex_t5 | permanent | 16 kB | public | sex_t_pkey | index | olleg | sex_t | permanent | 16 kB | public | sex_t_sex_key | index | olleg | sex_t | permanent | 16 kB |(13 rows)
Заметно, что при использовании типов данных размером 1 байт или 2 байта вместо типов данных размером 4 байта нет выигрыша ни в размере таблицы, ни в размере индекса. Видимо, это как-то связанно с выравниванием данных PostgreSQL по границам слов. Более того, даже при использовании текстового поля проигрыш по размерам оказался не так велик, как ожидалось. Наверное, это связано с тем, что такое текстовое поле было одно (и строки небольших длин) и дополнительно есть много служебных полей в строке таблицы.
Размеры таблицы при использовании JSON оказались ожидаемо хуже, потому что там не только значение хранится в текстовом виде, но и именование атрибута. Конечно, если атрибут всего один, его можно было бы не именовать, но тут имитируется модная среди веб-разработчиков ситуация, когда вообще все данные таблицы загоняются в общий JSON, да еще, как правило, в денормализованном виде.
Удручают размеры hash-индекса, по размеру он как таблица, на основе которой построен. Хотя правильный hash-индекс (в теории) должен был бы показать хороший результат. Связано это с тем, что в PostgreSQL hash-индекс организован чтобы использовать универсальные hash функции и не так, как в описано теории. Написал письмо в PostgreSQL, без результата.
Удивительно маленькие размеры у индексов, построенных на базе GIN (по сравнению с btree). Но результаты их использования, как покажу потом, наихудшие. Где-то читал, что GIN-индексы активно используют внутри себя сжатие данных, возможно, этим можно всё объяснить.
Результаты
Выборка 75% должна быть характерна тем, что тут планировщик должен предпочитать поиск последовательным чтением таблицы, а не использовать индекс. При выборке 24% он предпочитает использовать индекс, но это довольно экстремальный случай. Выборка 1% более типичный поиск по индексу.
Данные потом были залиты в M$ Exel и там преобразованы в диаграммы коробочки с усиками (удобно, можно смотреть не только среднее значение или медиану, но также и распределение данных). То, что коробочки с усиками выглядят как горизонтальные полоски, говорит о том, что точность (повторяемость) замеров очень хорошая, разброса данных практический нет.
Сразу бросается в глаза что поиск по JSON примерно в несколько раз хуже всех остальных вариантов. Рассмотрим варианты подробнее:
enum и "char"
- Лидеры этого теста выполняются примерно одинаково, хотя я
ожидал, что
"char"
будет в четыре раза быстрее. Возможно, это связано с тем, что PostgreSQL предпочитает выравнивать данные по размерам слов. Поскольку выигрыша от"char"
нет, значительно проще использоватьenum
. - Планировщик на значениях гистограммы может правильно оценить размер выборки, при 75% работает последовательное чтение, а при 24% и 1% индексы.
- По сути, внутренняя реализация
enum
представляет собой случай с внешней таблицей иinteger
(четырёхбайтным) ключом. Но видно, что работают какие-то оптимизации: например, при 75% работает последовательное чтение, а при внешней таблице сinteger
ключом поиск по индексу, поэтому при 75% выборкеenum
заметно быстрее; при 24% и 1% выборкахenum
быстрее, чемselect
с внешней таблицей с помощьюjoin
, и сравним по скорости сselect
с подзапросом.
Пример планов запросов:
=> explain (costs false) select count(id) from sex1 where sex='женщина'; QUERY PLAN------------------------------------------------- Aggregate -> Index Scan using sex1_btree on sex1 Index Cond: (sex = 'женщина'::sex_enum)(3 rows)=> explain (costs false) select count(id) from sex2 where sex_char=sex(txt=>'женщина'); QUERY PLAN---------------------------------------------- Aggregate -> Index Scan using sex2_btree on sex2 Index Cond: (sex_char = 'f'::"char")(3 rows)
smallint и integer
- Между двухбайтовым
smallint
и четырёхбайтовымinteger
(serial
) нет разницы с точки зрения времени выполнения. Возможно, это связано с тем, что PostgreSQL как-то выравнивает данные. - Если в
enum
и"char"
планировщик предпочел при выборке 75% использовать последовательное чтение таблицы, то в этом случае ошибочно идет поиск по индексу и виден проигрыш по производительности. Возможно, причина в том, что планировщик без выполнения запроса не может в этом случае предугадать, какая будет выборка. В случае с 1% и 24% он угадывает использовать индекс. - При объединении таблиц с помощью
join
(Nested Loop) результат почему-то заметно хуже, чем в случае с подзапросом. Хотя, насколько я знаю, алгоритм там должен быть такой же. Т.е. это практически синонимы: подзапрос и Nested Loop. Наверное, тут есть окно возможностей для оптимизации Nested Loop до уровня подзапроса.
Для наглядности приведу планы запроса для 75% выборки, чтобы показать, что там не используется последовательное чтение. И план для запроса с подзапросом. Для 1% и 24% выборки планы точно такие же.
=> explain (costs false) select count(id) from sex3 join sex_t using (sex_t_id) where sex='мужчина'; QUERY PLAN------------------------------------------------------- Aggregate -> Nested Loop -> Seq Scan on sex_t Filter: ((sex)::text = 'мужчина'::text) -> Index Scan using sex3_btree on sex3 Index Cond: (sex_t_id = sex_t.sex_t_id)(6 rows)=> explain (costs false) select count(id) from sex3 where sex_t_id=(select t.sex_t_id from sex_t t where sex='мужчина'); QUERY PLAN--------------------------------------------------- Aggregate InitPlan 1 (returns $0) -> Seq Scan on sex_t t Filter: ((sex)::text = 'мужчина'::text) -> Index Scan using sex3_btree on sex3 Index Cond: (sex_t_id = $0)(6 rows)
varchar
- В отличие от предыдущего случая, планировщик работает, как ожидалось: при 75% последовательное чтение, при 1% и 24% поиск по индексу.
- Результат поиска по текстовому полю с помощью btree-индекса
заметно быстрее, чем при использовании объединения с внешней
таблицей при помощи
join
, и сопоставим с объединением таблиц с помощью подзапроса. Бальзам на душу для любителей денормализации. - Hash-индекс работает заметно хуже, чем btree (при таком
распределении данных). Хотя ожидалось, что наоборот: в теории,
hash-индекс именно в таком случае можно сделать очень быстрым. В
теории, надо было бы создать три корзины с tuple ID и специальную
hash-функцию. которая возвращала бы
1
,2
или3
, т.е. номер корзины. Видимо, что-то не так с hash-индексами у PostgreSQL, и более длительный результат как-то связана с очень большими размерами самого hash-индекса.
План для btree и hash-индекса.
=> explain (costs false) select count(id) from sex5 where sex='женщина'; QUERY PLAN----------------------------------------------------- Aggregate -> Index Scan using sex5_btree on sex5 Index Cond: ((sex)::text = 'женщина'::text)(3 rows)=> explain (costs false) select count(id) from sex5h where sex='женщина'; QUERY PLAN----------------------------------------------------- Aggregate -> Index Scan using sex5h_hash on sex5h Index Cond: ((sex)::text = 'женщина'::text)(3 rows)
json
- Здесь при 75% тоже поиск идёт последовательным чтением. Не знаю, как планировщик догадался, что здесь распределение будет 75%. Неужели строит гистограммы для внутренностей JSON? В старых версиях PostgreSQL в этом случае ошибочно использовался поиск по индексу. При 1% и 24% выборке PostgreSQL ожидаемо использует поиск по индексу.
- Поиск по хэшированным путям и значениям (индекс с
jsonb_path_ops
) заметно быстрее (в случае 1% более, чем в полтора раза), чем по обычному GIN для JSON. - Но, тем не менее, оба варианта с JSON далеко отстающие аутсайдеры.
=> explain (costs false) select count(id) from sex6 where jdoc@>'{"sex":"мужчина"}'; QUERY PLAN------------------------------------------------------- Aggregate -> Seq Scan on sex6 Filter: (jdoc @> '{"sex": "мужчина"}'::jsonb)(3 rows)=> explain (costs false) select count(id) from sex6 where jdoc@>'{"sex":"женщина"}'; QUERY PLAN----------------------------------------------------------------- Aggregate -> Bitmap Heap Scan on sex6 Recheck Cond: (jdoc @> '{"sex": "женщина"}'::jsonb) -> Bitmap Index Scan on sex6_gin Index Cond: (jdoc @> '{"sex": "женщина"}'::jsonb)(5 rows)
Выводы
Как ни странно, несмотря на всю кажущуюся неэффективность,
официальный enum
лучшее решение для перечислений, он
один из самых быстрых, и в то же время самый удобный в
использовании. Но, я думаю, так получилось не потому, что 4 байтный
enum
очень хорошо продуман и оптимизирован, а потому,
что поиск по таким типам данных как 1 байтный "char"
и
2 байтный smallint
недостаточно хорошо оптимизирован,
как мог бы быть.