懶人促進社會進步 - 5種索引的原理和優化Case (btree,hash,gin,gist,brin)

摘要： 標籤PostgreSQL , 多列彙總, gin , btree , n_distinct , 選擇性, 如何選擇索引方法(hash,btree,gin,gist,brin), 如何優化索引, 關聯性幕後在廣告產業，精准行銷是一個較熱的話題，之前寫過一個案例，如何使用PostgreSQL的array類型和GIN索引即時圈人的場景。

在廣告產業，精准行銷是一個較熱的話題，之前寫過一個案例，如何使用PostgreSQL的array類型和GIN索引即時圈人的場景。

《萬億級行銷(圈人)邁入毫秒年齡 - 萬億user_tags級即時推薦系統資料庫設計》

使用以上方法，程式需要作出一些調整（當然，如果用戶原本就是PostgreSQL技術棧，改動量會很少），改動量舉例

假設用戶使用了多個列來表示不同的屬性，每個屬性對應一些TAG取值空間。

create table user_tags(uid int8 primary key, lab1 int, lab2 text, lab3 timestamp, lab4 text, lab5 interval, lab6 json);

用戶原有的圈人、維度統計查詢可能是這樣的

select * from user_tags where lab1 ? xxx and lab2 ? xxx or lab4 ? xxx;

select xx, count(*) from user_tags where lab1 ? xxx and lab2 ? xxx or lab4 ? xxx group by xxx;

由於屬性取值空間可能連續，使用《萬億級行銷(圈人)邁入毫秒年齡 - 萬億user_tags級即時推薦系統資料庫設計》提到的方法，需要建立標籤庫，將資料階梯化，查詢也要進行轉換。

例如between and這種連續查詢需要轉換為in的散列查詢。使得程式設計更加複雜，（雖然這樣也許可以將效能最大化）。

那麼PostgreSQL有沒有什麼折中的辦法呢？

當然有，一切辦法都是為懶人準備的，懶人推動了社會的進步。

如果你閱讀一下這些文件，你會發現PG裡面辦法還是蠻多的。

1、使用bitmapand,bitmapor+任意索引，解決圈人問題。

《多欄位，任意群組條件查詢(0建模) - 毫秒級即時圈人 最佳實踐》

2、使用varbitx外掛程式，解決圈人問題。

《阿裡雲RDSfor PostgreSQL varbitx外掛程式與即時畫像套用場景介紹》

接下來針對有連續查詢，等值查詢多種群組查詢的圈人場景，我們來看看如何解決。

構建一張TAG表

postgres=# create table tbl_label(uid int primary key, c1 int, c2 text, c3 numeric, c4 timestamp, c5 interval, c6 int);

CREATE TABLE

Time: 31.145 ms

插入一批資料

postgres=# insert into tbl_label select id,

random()*10000, md5(random()::text),

10000*random(), clock_timestamp(),

(random()*1000::int||' hour')::interval,

random()*99999

from generate_series(1,10000000) t(id);

INSERT 0 10000000

資料樣式

postgres=# select * from tbl_label limit 10;

uid |c1|c2|c3|c4|c5|c6

-----+------+----------------------------------+------------------+----------------------------+------------------+-------

1 | 1692 | 505662aa4a6b33e1775cea660063ba58 | 9761.26249413937 | 2017-06-12 18:38:57.515097 | 322:06:55.266882 | 67699

2 | 8611 | a60d564b7f4d58029dfd5e16f0457305 | 1003.07232700288 | 2017-06-12 18:38:57.515282 | 780:59:39.081975 | 89283

3 |290 | f226358e08372d4b79c8ecdd27172244 | 8240.20517989993 | 2017-06-12 18:38:57.515296 | 261:29:59.658099 | 87975

4 | 7829 | 32bc5d97731ddaf2c1630218e43d1e85 | 9061.87939457595 | 2017-06-12 18:38:57.515303 | 760:47:18.267513 | 76409

5 | 7735 | 3813b4bcdaadc21a55da143f6aceeac9 | 6651.74870751798 | 2017-06-12 18:38:57.515309 | 512:45:50.116217 | 11252

6 | 9945 | ff72917169cdea9225e429e438f22586 | 2114.50539063662 | 2017-06-12 18:38:57.515316 | 63:30:34.15014| 33288

7 | 9144 | 7cf4067f22c5edbb1fc4e08ecee7242c | 5662.74457611144 | 2017-06-12 18:38:57.515322 | 890:30:28.360096 | 55484

8 | 2433 | 8ac9732bec2b1c175483c16e82467653 | 9184.17258188128 | 2017-06-12 18:38:57.515328 | 343:34:40.88581| 53265

9 | 8113 | 2dd724e82dc7c2a15dfda45f6a41cd53 | 5094.92502082139 | 2017-06-12 18:38:57.515334 | 635:16:39.096908 | 63410

10 | 3893 | b8abdb00228f09efb04c1e2a8a022c22 | 6397.02362008393 | 2017-06-12 18:38:57.51534| 295:26:24.752753 | 17894

(10 rows)

剖析表的統計資訊

postgres=# analyze tbl_label ;

ANALYZE

查看每列的散列程度

n_distinct解釋

-1表示唯一，也就是說這個列的每一行都不一樣.

>=1時，表示這個列有多少唯一值.

<1時，表示這個列的唯一值數量/總數.

correlation解釋

表示該列與資料堆隱藏的線性關聯性, 1表示正向完全相關。越接近0表示資料散發越離散。<0表示反向相關。

uid是自增的, c4是時間遞增的，所以都是1，完全相關。

postgres=# select tablename,attname,n_distinct,correlation from pg_stats where tablename='tbl_label';

tablename | attname | n_distinct | correlation

-----------+---------+------------+-------------

tbl_label | uid|-1 |1

tbl_label | c1|10018 |0.00431651

tbl_label | c2|-0.957505 | -0.00796595

tbl_label | c3|-1 |0.00308372

tbl_label | c4|-1 |1

tbl_label | c5|-1 | 0.000382809

tbl_label | c6|100688 |0.00156045

(7 rows)

針對以上統計資訊，對於唯一列，建立btree索引，對於鬆散列，建立gin索引（倒排），以達到最好的效果。

為了讓普通類型支援gin，需要建立btree_gin外掛程式

postgres=# create extension btree_gin;

CREATE EXTENSION

建立c1,c6的gin複合索引

postgres=# set maintenance_work_mem ='32GB';

SET

Time: 0.168 ms

postgres=# create index idx_tbl_label_1 on tbl_label using gin(c1,c6);

CREATE INDEX

Time: 1504.542 ms (00:01.505)

查詢測試，查詢c1,c6的任意群組，效果非常棒。

postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where c1 between 1 and 100;

QUERY PLAN

-----------------------------------------------------------------------------------------------------------------------------------

Bitmap Heap Scan on public.tbl_label(cost=125.76..8759.97 rows=10074 width=80) (actual time=40.856..50.480 rows=9922 loops=1)

Output: uid, c1, c2, c3, c4, c5, c6

Recheck Cond: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100))

Heap Blocks: exact=7222

Buffers: shared hit=7982

->Bitmap Index Scan on idx_tbl_label_1(cost=0.00..123.24 rows=10074 width=0) (actual time=39.773..39.773 rows=9922 loops=1)

Index Cond: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100))

Buffers: shared hit=760

Planning time: 0.105 ms

Execution time: 51.043 ms

(10 rows)

postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where c1 between 1 and 100 or c6=100;

QUERY PLAN

-----------------------------------------------------------------------------------------------------------------------------------------

Bitmap Heap Scan on public.tbl_label(cost=134.36..8799.70 rows=10085 width=80) (actual time=41.133..50.187 rows=9932 loops=1)

Output: uid, c1, c2, c3, c4, c5, c6

Recheck Cond: (((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100)) OR (tbl_label.c6 = 100))

Heap Blocks: exact=7228

Buffers: shared hit=7992

->BitmapOr(cost=134.36..134.36 rows=10085 width=0) (actual time=40.045..40.045 rows=0 loops=1)

Buffers: shared hit=764

->Bitmap Index Scan on idx_tbl_label_1(cost=0.00..123.24 rows=10074 width=0) (actual time=40.031..40.031 rows=9922 loops=1)

Index Cond: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100))

Buffers: shared hit=760

->Bitmap Index Scan on idx_tbl_label_1(cost=0.00..6.08 rows=11 width=0) (actual time=0.012..0.012 rows=10 loops=1)

Index Cond: (tbl_label.c6 = 100)

Buffers: shared hit=4

Planning time: 0.125 ms

Execution time: 50.758 ms

(15 rows)

postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where c1 between 1 and 100 and c6=100;

QUERY PLAN

---------------------------------------------------------------------------------------------------------------------------

Bitmap Heap Scan on public.tbl_label(cost=22.50..24.02 rows=1 width=80) (actual time=36.193..36.193 rows=0 loops=1)

Output: uid, c1, c2, c3, c4, c5, c6

Recheck Cond: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100) AND (tbl_label.c6 = 100))

Buffers: shared hit=763

->Bitmap Index Scan on idx_tbl_label_1(cost=0.00..22.50 rows=1 width=0) (actual time=36.190..36.190 rows=0 loops=1)

Index Cond: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100) AND (tbl_label.c6 = 100))

Buffers: shared hit=763

Planning time: 0.115 ms

Execution time: 36.226 ms

(9 rows)

建立其他列的btree索引，因為其他列的n_distinct表明這些列基本唯一，所以我們建立btree索引，可以精准的進行尋找。

對於線性關聯性好的列，建立brin索引。後面會講到索引的原理和選擇。

postgres=# create index idx_tbl_label2 on tbl_label using btree(c2);

CREATE INDEX

Time: 1388.756 ms (00:01.389)

postgres=# create index idx_tbl_label3 on tbl_label using btree(c3);

CREATE INDEX

Time: 1028.865 ms (00:01.029)

多列群組查詢，效果非常好

postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where c1 between 1 and 100 and c6=100 and c2='abc';

QUERY PLAN

----------------------------------------------------------------------------------------------------------------------------------

Index Scan using idx_tbl_label2 on public.tbl_label(cost=0.42..3.45 rows=1 width=80) (actual time=0.032..0.032 rows=0 loops=1)

Output: uid, c1, c2, c3, c4, c5, c6

Index Cond: (tbl_label.c2 = 'abc'::text)

Filter: ((tbl_label.c1 >= 1) AND (tbl_label.c1 <= 100) AND (tbl_label.c6 = 100))

Buffers: shared read=3

Planning time: 0.248 ms

Execution time: 0.056 ms

(7 rows)

多個索引通過bitmapAnd, bitmapOr對資料進行遮罩，大幅升階任意條件查詢的效能。原理如下

《多欄位，任意群組條件查詢(0建模) - 毫秒級即時圈人 最佳實踐》

那麼應該如何選擇索引呢？後面會講到。

實際上前面用到的是GIN多列複合索引，還有一種方法，將多列轉換為陣列，然後建立陣列索引(PostgreSQL 運算式索引。)。

1、如何將多列轉換為陣列？

postgres=# create or replace function to_array(VARIADIC anyarray) returns anyarray as $$

select $1;

$$ language sql strict immutable;

CREATE FUNCTION

例子

postgres=# select to_array('a'::text,'b','c');

to_array

----------

{a,b,c}

(1 row)

postgres=# select to_array(now(),clock_timestamp());

to_array

-------------------------------------------------------------------

{"2017-06-12 17:50:47.992274+08","2017-06-12 17:50:47.992489+08"}

(1 row)

postgres=# select to_array(1,2,3);

to_array

----------

{1,2,3}

(1 row)

2、陣列運算式索引

例子

create index idx_tbl_label_combin on tbl_label using gin (to_array(c1,c6));

當列的類型不一致時，可以轉換為一致的，然後建立運算式索引，類型轉換可能需要使用immutable函數，如果沒有則需要自建immutable轉換函式，也很簡單

postgres=# create index idx_tbl_label_combin1 on tbl_label using gin (to_array('c1:'||c1,'c6:'||c6));

3、如何點擊陣列運算式索引

查詢準則與索引中的運算式一致，即可點擊。

例子

postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where to_array(c1,c6) && array[1,2];

QUERY PLAN

--------------------------------------------------------------------------------------------------------------------------------------

Bitmap Heap Scan on public.tbl_label(cost=840.56..86397.30 rows=99750 width=80) (actual time=0.777..4.030 rows=2254 loops=1)

Output: uid, c1, c2, c3, c4, c5, c6

Recheck Cond: (ARRAY[tbl_label.c1, tbl_label.c6] && '{1,2}'::integer[])

Heap Blocks: exact=2242

Buffers: shared hit=2251

->Bitmap Index Scan on idx_tbl_label_combin(cost=0.00..815.62 rows=99750 width=0) (actual time=0.465..0.465 rows=2254 loops=1)

Index Cond: (ARRAY[tbl_label.c1, tbl_label.c6] && '{1,2}'::integer[])

Buffers: shared hit=9

Planning time: 0.361 ms

Execution time: 4.176 ms

(10 rows)

postgres=# explain (analyze,verbose,timing,costs,buffers) select * from tbl_label where to_array('c1:'||c1,'c6:'||c6) && array['c1:1'];

QUERY PLAN

---------------------------------------------------------------------------------------------------------------------------------------

Bitmap Heap Scan on public.tbl_label(cost=422.00..54015.43 rows=50000 width=80) (actual time=0.331..1.888 rows=1021 loops=1)

Output: uid, c1, c2, c3, c4, c5, c6

Recheck Cond: (ARRAY[('c1:'::text || (tbl_label.c1)::text), ('c6:'::text || (tbl_label.c6)::text)] && '{c1:1}'::text[])

Heap Blocks: exact=1019

Buffers: shared hit=1024

->Bitmap Index Scan on idx_tbl_label_combin1(cost=0.00..409.50 rows=50000 width=0) (actual time=0.195..0.195 rows=1021 loops=1)

Index Cond: (ARRAY[('c1:'::text || (tbl_label.c1)::text), ('c6:'::text || (tbl_label.c6)::text)] && '{c1:1}'::text[])

Buffers: shared hit=5

Planning time: 0.173 ms

Execution time: 1.972 ms

(10 rows)

1、什麼時候選擇btree

btree索引適合選擇性好的列（n_distinct很大，或者=-1），唯一值比例越高越適合btree。

2、什麼時候選擇gin

與btree相反，選擇性越差，採用GIN索引效率越高。

另外GIN的倒排屬性，還特別適合多實值型別的元素群組查詢，例如陣列、全文檢索索引類型、TOKEN類型、等等。

同時GIN索引介面是開放的，使用者可以根據資料特徵，自訂GIN索引。支援其他的資料類型，例如影像特徵值相似查詢，文字的相似性查詢等。

3、什麼時候選擇gist

GIST是PG的一種通用索引介面，適合各種資料類型，特別適合異構的類型，例如幾何類型，空間類型，範圍類型等。

GIST索引的原理可參考

《從難纏的柔邊查詢聊開 -PostgreSQL獨門絕招之一 GIN , GiST , SP-GiST , RUM 索引原理與技術幕後》

4、什麼時候選擇hash

如何用好只有等值查詢，並且被索引的列長度很長，可能超過資料庫block的1/3時，建議使用hash索引。 PG 10 hash索引會產生WAL，確保了強固，同時支援流複製。

PG10 以前的組建，不建議使用hash index，crash後需要rebuild，不支援流複製。

5、什麼時候選擇brin

當資料與堆隱藏線性關聯性很好時，可以採用BRIN索引。

BRIN是塊級索引，隱藏每個（或者每一段連續的）資料區塊的原子資訊（最大值，最小值，平均值，空值比例，COUNT等）。

特別適合範圍掃描。

不同的索引方法支援什麼類型的查詢？

1、btree

適合排序、>=, <=, =, in, >,< 等查詢。

2、HASH

適合=查詢。

3、GIN

不同的資料類型，調整不同的查詢需求。

例如數群組類型，適合 交集，包含等。

4、GIST

不同的資料類型，調整不同的查詢需求。

例如空間類型，適合，距離排序，KNN，包含，交集，左，右等。

5、BRIN

適合範圍查詢，=查詢。

如何優化索引效率

前面的方法告訴你應該如何選擇索引，但是沒有提索引本身的優化，實際上資料散發會影響索引的效率。

例如

《索引順序掃描引發的堆掃描IO放大背後的統計學原理與解決辦法 - PostgreSQL index scan enlarge heap page scanswhen index and column correlation small.》

因此，根據索引的掃描特點，對資料進行重散發，可以大幅度優化索引查詢的效率。

例如bitmap index scan（按BLOCKID順序讀取）就是PostgreSQL用於減少離散IO的手段。

1、btree資料散發優化

線性相關越好，掃描或返回多條資料的效率越高。

2、hash資料散發優化

線性相關越好，掃描或返回多條資料的效率越高。

3、gin資料散發優化

如果是普通類型，則線性相關越好，掃描或返回多條資料的效率越高。

如果是多實值型別（如陣列、全文檢索索引、TOKENs），則元素越暫留（元素群集，橫坐標為行號，縱坐標為元素值，資料散發越暫留），效率越高。

元素暫留通常不好實現，但是我們可以有暫留方法來聚集資料，1. 根據元素的出現頻率進行排序重組，當用戶搜尋高頻詞時，掃描的塊更少，減少IO放大。2. 根據（被搜尋元素的次數*點擊條數）的值進行排序，按排在最前的元素進行聚集，逐級聚集。

(以上方法可能比較燒腦，下次發一篇文件專門講GIN的資料重組優化)

《索引掃描優化之 -GIN資料重組優化(按元素彙總) 想像在玩多階魔方》

4、gist資料散發優化

如果是普通類型，則線性相關越好，掃描或返回多條資料的效率越高。

如果是空間類型，則元素越暫留（例如資料按geohash連續散發），效率越高。

5、brin資料散發優化

線性相關越好，掃描或返回多條資料的效率越高。

6、多列複合索引資料散發優化

對於多列符合索引，則看索引的類型，要求與前面一樣。

增加一個，多個列的線性關聯性越好，效能越好。

多列線性關聯性計算方法如下

《PostgreSQL計算 任意類型 欄位之間的線性關聯性》

資料散發還有一個好處，對於列隱藏，可以大幅升階壓縮比

《一個簡單演算法可以說明物聯網,金融 用戶 節約98%的資料存放區成本(PostgreSQL,Greenplum幫你做到)》

《阿裡雲RDSfor PostgreSQL varbitx外掛程式與即時畫像套用場景介紹》

《多欄位，任意群組條件查詢(0建模) - 毫秒級即時圈人 最佳實踐》

《PostgreSQLGIN 單列叢集索引 套用》

《寶劍贈英雄 - 任意群組欄位等效查詢, 探探PostgreSQL多列展開式B樹(GIN)》

《PostgreSQLGIN索引實現原理》

《從難纏的柔邊查詢聊開 -PostgreSQL獨門絕招之一 GIN , GiST , SP-GiST , RUM 索引原理與技術幕後》

《PostgreSQL9.3 pg_trgm imporve support multi-bytes char and gist,gin index for reg-expsearch》

《萬億級行銷(圈人)邁入毫秒年齡 - 萬億user_tags級即時推薦系統資料庫設計》

相關產品：

1.物件隱藏OSS

2.巨量資料計算服務(MaxCompute)

3.資料管理

4.雲端服務器ECS