PostgreSQL
 sql >> Datenbank >  >> RDS >> PostgreSQL

PostgreSQL 12:Implementieren von K-Nearest Neighbor Space partitionierten verallgemeinerten Suchbaumindizes

Der Wert der Indizierung

PostgreSQL bietet einen einfachen linearen Abstandsoperator <-> (Luftlinie). Wir werden dies verwenden, um Punkte zu finden, die einem bestimmten Ort am nächsten liegen.

PostgreSQL stellt einen einfachen linearen Abstandsoperator für die Daten bereit, und ohne Optimierungen und ohne Indizes sehen wir den folgenden Ausführungsplan:

time psql -qtAc "

EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;

"  <-- closing quote

                                      QUERY PLAN
-----------------------------------------------------------------------------------------------------------
Limit  (cost=418749.15..418749.73 rows=5 width=38) 
        (actual time=2553.970..2555.673 rows=5 loops=1)
  Buffers: shared hit=100 read=272836
  ->  Gather Merge  (cost=418749.15..1580358.21 rows=9955954 width=38) 
                    (actual time=2553.969..2555.669 rows=5 loops=1)
        Workers Planned: 2
        Workers Launched: 2
        Buffers: shared hit=100 read=272836
        ->  Sort  (cost=417749.12..430194.06 rows=4977977 width=38)
                 (actual time=2548.220..2548.221 rows=4 loops=3)
              Sort Key: ((location <-> '(29.9691,-95.6972)'::point))
              Sort Method: top-N heapsort  Memory: 25kB
              Worker 0:  Sort Method: top-N heapsort  Memory: 26kB
              Worker 1:  Sort Method: top-N heapsort  Memory: 25kB
              Buffers: shared hit=100 read=272836
              ->  Parallel Seq Scan on geonames  (cost=0.00..335066.71 rows=4977977 width=38) 
                                        (actual time=0.040..1637.884 rows=3982382 loops=3)
                    Buffers: shared hit=6 read=272836
Planning Time: 0.493 ms
Execution Time: 2555.737 ms

real    0m2.595s
user    0m0.011s
sys    0m0.015s

und hier sind die Ergebnisse:(die gleichen Ergebnisse für alle Anfragen, daher lassen wir sie später weg.)

Name Standort
Zypresse (29.96911,-95.69717)
Cypress Pointe Baptist Church (29,9732,-95,6873)
Cypress Post Office (29.9743,-95.67953)
Heiße Quellen (29.95689,-95.68189)
Flughafen Dry Creek (29.98571,-95.68597)

418749,73 sind also die OPTIMIZER-Kosten, die es zu schlagen gilt, und es dauerte zweieinhalb Sekunden (2555,673), um diese Abfrage auszuführen. Dies ist tatsächlich ein sehr gutes Ergebnis, wenn PostgreSQL ohne jegliche Optimierungen für eine Tabelle mit 11 Millionen Zeilen verwendet wird. Aus diesem Grund haben wir auch einen größeren Datensatz ausgewählt, da es nur einen sehr geringen Unterschied geben würde, wenn Indizes für weniger als 10 Millionen Zeilen verwendet würden. Parallele sequentielle Scans sind fantastisch, aber das ist ein anderer Artikel.

Hinzufügen des GiST-Index

Wir beginnen den Optimierungsprozess, indem wir einen GiST-Index hinzufügen. Da unsere Beispielabfrage ein

hat 
LIMIT

Klausel von 5 Artikeln haben wir eine sehr hohe Selektivität. Dies wird den Planer dazu anregen, einen Index zu verwenden, also stellen wir einen zur Verfügung, der ziemlich gut mit Geometriedaten funktioniert.

time psql -qtAc "CREATE INDEX idx_gist_geonames_location ON geonames USING gist(location);"

Das Erstellen des Indexes ist mit einigen Kosten verbunden.

CREATE INDEX
real    3m1.988s
user    0m0.011s
sys     0m0.014s

Führen Sie dann dieselbe Abfrage erneut aus.

time psql -qtAc "

EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;

"

                                      QUERY PLAN
----------------------------------------------------------------------------------
Limit  (cost=0.42..1.16 rows=5 width=38) (actual time=0.797..0.881 rows=5 loops=1)
  Buffers: shared hit=5 read=15
  ->  Index Scan using idx_gist_geonames_location on geonames  
            (cost=0.42..1773715.32 rows=11947145 width=38) 
            (actual time=0.796..0.879 rows=5 loops=1)
        Order By: (location <-> '(29.9691,-95.6972)'::point)
        Buffers: shared hit=5 read=15
Planning Time: 0.768 ms
Execution Time: 0.939 ms

real    0m0.033s
user    0m0.011s
sys     0m0.013s

In diesem Fall sehen wir eine ziemlich dramatische Verbesserung. Die geschätzten Kosten der Abfrage betragen nur 1,16! Vergleichen Sie das mit den ursprünglichen Kosten der nicht optimierten Abfrage von 418749,73. Die tatsächlich benötigte Zeit betrug 0,939 Millisekunden (neun Zehntel einer Millisekunde), was den 2,5 Sekunden der ursprünglichen Abfrage entspricht. Dieses Ergebnis erforderte weniger Zeit für die Planung, eine erheblich bessere Schätzung und etwa 3 Größenordnungen weniger Laufzeit.

Mal sehen, ob wir es besser machen können.

Hinzufügen eines SP-GiST-Index

time psql -qtAc "CREATE INDEX idx_spgist_geonames_location ON geonames USING spgist(location);"

CREATE INDEX 

real    1m25.205s
user    0m0.010s
sys        0m0.015s

Und dann führen wir dieselbe Abfrage erneut aus.

time psql -qtAc "

EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;

"

                                      QUERY PLAN
-----------------------------------------------------------------------------------
 Limit  (cost=0.42..1.09 rows=5 width=38) (actual time=0.066..0.323 rows=5 loops=1)
   Buffers: shared hit=47
   ->  Index Scan using idx_spgist_geonames_location on geonames  
            (cost=0.42..1598071.32 rows=11947145 width=38) 
            (actual time=0.065..0.320 rows=5 loops=1)
         Order By: (location <-> '(29.9691,-95.6972)'::point)
         Buffers: shared hit=47
 Planning Time: 0.122 ms
 Execution Time: 0.358 ms
(7 rows)

real    0m0.040s
user    0m0.011s
sys        0m0.015s

Wow! Jetzt mit einem SP-GiST-Index kostete die Abfrage nur 1,09 und wurde in 0,358 Millisekunden (einem Drittel einer Millisekunde) ausgeführt.

Lassen Sie uns einige Dinge über die Indizes selbst untersuchen und sehen, wie sie sich auf der Festplatte stapeln.

Indexvergleiche

Indexname Erstellungszeit Schätzung Abfragezeit Indexgröße Zeit einplanen
nicht indexiert 0S 418749.73 2555.673 0 .493
idx_gist_geonames_location 3M 1S 1.16 0,939 ms 868 MB .786
idx_spgist_geonames_location 1M 25S 1.09 0,358 ms 523 MB .122

Schlussfolgerungen

Wir sehen also, dass SP-GiST in der Ausführung doppelt so schnell ist wie GiST, 8-mal schneller zu planen und etwa 60 % der Größe auf der Festplatte hat. Und (relevant für diesen Artikel) unterstützt es auch die KNN-Indexsuche ab PostgreSQL 12. Für diese Art von Operation haben wir einen klaren Gewinner.

Anhänge

Daten einrichten

Für diesen Artikel werden wir die vom GeoNames Gazetteer bereitgestellten Daten verwenden.
Dieses Werk ist unter einer Creative Commons Attribution 4.0-Lizenz lizenziert
Die Daten werden "wie besehen" ohne Gewährleistung oder Zusicherung bereitgestellt Richtigkeit, Aktualität oder Vollständigkeit.

Struktur erstellen

Wir beginnen den Prozess, indem wir ein Arbeitsverzeichnis und ein wenig ETL erstellen.

# change to our home directory
cd
mkdir spgist
cd spgist
# get the base data.  
# This file is 350MB.  It will unpack to 1.5GB
# It will expand to 2GB in PostgreSQL,
#    and then you will still need some room for indexes
#  All together, you will need about 
#  3GB of space for this exercise
#  for about 12M rows of data.

psql -qtAc "

CREATE TABLE IF NOT EXISTS geonames (
geonameid           integer primary key
,name               text 
,asciiname          text 
,alternatenames     text 
,latitude           numeric(13,5) 
,longitude          numeric(13,5)
,feature_class      text 
,feature_code       text 
,country            text 
,cc2                text 
,admin1             text 
,admin2             bigint 
,admin3             bigint 
,admin4             bigint 
,population         bigint 
,elevation          bigint 
,dem                bigint 
,timezone           text 
,modification date  );

COMMENT ON COLUMN geonames.geonameid          
 IS ' integer id of record in geonames database';
COMMENT ON COLUMN geonames.name               
 IS ' name of geographical point (utf8) varchar(200)';
COMMENT ON COLUMN geonames.asciiname          
 IS ' name of geographical point in plain ascii characters, varchar(200)';
COMMENT ON COLUMN geonames.alternatenames     
 IS ' alternatenames, comma separated, ascii names automatically transliterated, 
    convenience attribute from alternatename table, varchar(10000)';
COMMENT ON COLUMN geonames.latitude           
 IS ' latitude in decimal degrees (wgs84)';
COMMENT ON COLUMN geonames.longitude          
 IS ' longitude in decimal degrees (wgs84)';
COMMENT ON COLUMN geonames.feature_class      
 IS ' http://www.geonames.org/export/codes.html, char(1)';
COMMENT ON COLUMN geonames.feature_code       
 IS ' http://www.geonames.org/export/codes.html, varchar(10)';
COMMENT ON COLUMN geonames.country            
 IS ' ISO-3166 2-letter country code, 2 characters';
COMMENT ON COLUMN geonames.cc2                
 IS ' alternate country codes, comma separated, ISO-3166 2-letter country code, 
    200 characters';
COMMENT ON COLUMN geonames.admin1             
 IS ' fipscode (subject to change to iso code), see exceptions below, 
    see file admin1Codes.txt for display names of this code; varchar(20)';
COMMENT ON COLUMN geonames.admin2             
 IS ' code for the second administrative division, a county in the US, 
    see file admin2Codes.txt; varchar(80) ';
COMMENT ON COLUMN geonames.admin3             
 IS ' code for third level administrative division, varchar(20)';
COMMENT ON COLUMN geonames.admin4             
 IS ' code for fourth level administrative division, varchar(20)';
COMMENT ON COLUMN geonames.population         
 IS ' bigint (8 byte int) ';
COMMENT ON COLUMN geonames.elevation          
 IS ' in meters, integer';
COMMENT ON COLUMN geonames.dem                
 IS ' digital elevation model, srtm3 or gtopo30, average elevation of 3''x3'' 
    (ca 90mx90m) or 30''x30'' (ca 900mx900m) area in meters, integer. 
    srtm processed by cgiar/ciat.';
COMMENT ON COLUMN geonames.timezone           
 IS ' the iana timezone id (see file timeZone.txt) varchar(40)';
COMMENT ON COLUMN geonames.modification       
 IS ' date of last modification in yyyy-MM-dd format';

"  #<-- Don't forget the closing quote

ETL

wget http://download.geonames.org/export/dump/allCountries.zip
unzip allCountries.zip

# do this, and go get a coffee.  This took nearly an hour
#   there will be a few lines that fail, they don't really matter much
IFS=$'\n'

for line in $(<allCountries.txt)
do

    echo -n "$line" | 
        psql -qtAc

    "COPY geonames FROM STDIN WITH CSV DELIMITER E'\t';"

2> errors.txt
done

Aufräumen und einrichten

Alles andere machen wir innerhalb von psql:

psql

-- This command requires the installation
--  of postgis2 from your OS package manager.
-- For OS/X that was `port install postgresql12-postgis2`
-- it will be something similar on most platforms.
-- (e.g. apt-get install postgresql12-postgis2, 
--  yum -y install postgresql12-postgis2, etc.)
CREATE EXTENSION postgis;
CREATE EXTENSION postgis_topology;

ALTER TABLE geonames ADD COLUMN location point;

-- Go get another cup of coffee, this is going to rewrite the entire table with the new geo column.
UPDATE geonames SET location = ('(' || latitude || ', ' || longitude || ')')::point;

DELETE FROM geonames WHERE latitude IS NULL or longitude IS NULL;
-- DELETE 32   -- In my case, this ETL anomoly was too small
--  to bother fixing the records

-- Bloat removal from the update and delete operations
CLUSTER geonames USING geonames_pkey;