如何加快分区表上的服务器端聚合

Question

Background

我正在从 RDS 上的 Postgres 10.6 中具有 3*10^9 行的规范化分区表中生成 Tukey 盒须图。

我首先连续使用多个视图，包括一个聚合步骤和一个后续的异常值检测步骤。 首先，在聚合步骤中，我计算中位数，25%，75%，IQR，(25% - 1.5 * IQR)下须和(75% + 1.5 * IQR)上胡须。其次，在异常值检测步骤中，我在表中搜索位于晶须之外的值。

集合体

create view aggregation as
select
a.a_name,
b.b_name,
c.c_name,
percentile_cont(0.5) within group (order by d.D) as median,
etc for 75%, IQR, whiskers
from dtable as d
join atable as a on a.a_id = d.a_id
join etable as e on e.e_id = d.e_id
join ftable as f on f.f_id = e.f_id
join btable as b on b.b_id = f.b_id
join ctable as c on c.c_id = b.c_id
where (d.e_id between 3440500 and 3459500)
and (c.c_name = 'this_c_in_particular')
and (b.b_name in ('first_b', 'second_b', 'third_b'))
group by
a.a_name,
b.b_name,
c.c_name
;

请注意，dtable按e_id分区

异常值检测

create view outliers as
select d.*
from dtable as d
join atable, etable, ftable, btable, ctable
join aggregation as agg on
agg.a_name = atable.a_name,
agg.b_name = btable.b_name,
agg.c_name = ctable.c_name
where d.value < agg.lower_whisker or d.value > agg.upper_whisker
;

结果

目前，使用平面客户端 pandas 数据帧，我可以在网络传输和服务器端缩减采样后的 10 秒内执行这些聚合。但是，在客户端，这些聚合至少需要 1 分钟才能运行。

(解释分析)计划可在此处获得：https://explain.depesz.com/s/0gAu

问题

1. 是否有快速计算这些聚合的标准方法？
2. 有没有办法让 Postgres 并行计算这些事情，每组 1 个工人？

任何见解或讨论都非常受欢迎 - 感谢您的阅读。

Answer 1

执行计划有一些我不明白的地方：

• 如果没有计划并行工作器，为什么会有Gather节点？从loops我预计有两个工人。

• 为什么 expain.depesz.com 不计算底部节点的895693次迭代(也许和我一样被上面弄糊涂了)？

尽管如此，可以立即检测到一些问题：

• 有可怕的错误估计(725 而不是实际895693行！

• 您的大部分时间都花在溢出到磁盘的某种方式上。

因此，您可以在不重写查询的情况下进行以下改进：

• 增加work_mem，直到排序quicksort memory。 这应该是最大的收获。

  您不必全局增加它，您可以运行如下内容：

  BEGIN;
  SET LOCAL work_mem = '1GB';
  SELECT /* your query */;
  COMMIT;
  

• 一些表格似乎有陈旧的统计数据。尝试ANALYZE所有有问题的表格，也许这有一些好处。

• 您可以通过避免引导不良的嵌套循环连接来多刮几秒钟。也许ANALYZE会照顾到这一点。

  作为最后的手段，您可以简单地禁用该查询的嵌套循环，方法是使用我为上面work_mem展示的相同技巧为一个查询设置enable_nestloop = off。

对分区表的扫描不是你的问题，所以你不必担心并行化(PostgreSQL v11 已经变得更加智能)。

如果上述所有内容都不能使查询足够快，则可以考虑使用实例化视图。然后你会得到稍微过时的数据，但速度很快。