PostgreSQLのcount関数の動作を理解する

11884 ワード

count関数の使用については議論が続いていますが、特にMySQLでは、ますます流行度の高いPostgreSQLとしても似たような問題があるのではないでしょうか.PostgreSQLにおけるcount関数の挙動を実践的に理解してみましょう.
テストデータベースの構築
テスト・データベースを作成し、テスト・テーブルを作成します.テストテーブルには、自増ID、作成時間、コンテンツの3つのフィールドがあり、自増IDフィールドはプライマリ・キーです.
create database performance_test;

create table test_tbl (id serial primary key, created_at timestamp, content varchar(512));

テストデータの生成
generate_の使用series関数は自己増加IDを生成し、now()関数を使用してcreated_を生成します.at列、content列に対してrepeat(md 5(random():text)、10)を使用して32ビット長のmd 5文字列を10個生成します.次の文を使用して、1000 wのレコードをテストに挿入します.
performance_test=# insert into test_tbl select generate_series(1,10000000),now(),repeat(md5(random()::text),10);
INSERT 0 10000000
Time: 212184.223 ms (03:32.184)

count文による思考
デフォルトではPostgreSQLはSQL実行時間の表示を開かないので、手動で開く必要があります.後のテストの比較を便利にします.
\timing on

count(*)とcount(1)のパフォーマンスの違いは、count(*)とcount(1)を使用してクエリーを実行することでよく議論される問題です.
performance_test=# select count(*) from test_tbl;
  count
----------
 10000000
(1 row)

Time: 115090.380 ms (01:55.090)

performance_test=# select count(1) from test_tbl;
  count
----------
 10000000
(1 row)

Time: 738.502 ms

2回のクエリの速度の差が非常に大きいことがわかります.count(1)は本当にこのような性能の向上がありますか?次に、クエリー文を再実行します.
performance_test=# select count(*) from test_tbl;
  count
----------
 10000000
(1 row)

Time: 657.831 ms

performance_test=# select count(1) from test_tbl;
  count
----------
 10000000
(1 row)

Time: 682.157 ms

最初のクエリは非常に遅く、後の3回は非常に速く、時間が近いことがわかります.ここで2つの問題が発生しました.
  • なぜ最初のクエリの速度がこんなに遅いのですか?
  • count(*)とcount(1)はいったい性能の違いがありますか?

  • クエリー・キャッシュ
    explain文を使用してクエリー文を再実行する
    explain (analyze,buffers,verbose) select count(*) from test_tbl;
    

    次の出力が表示されます.
     Finalize Aggregate  (cost=529273.69..529273.70 rows=1 width=8) (actual time=882.569..882.570 rows=1 loops=1)
       Output: count(*)
       Buffers: shared hit=96 read=476095
       ->  Gather  (cost=529273.48..529273.69 rows=2 width=8) (actual time=882.492..884.170 rows=3 loops=1)
             Output: (PARTIAL count(*))
             Workers Planned: 2
             Workers Launched: 2
             Buffers: shared hit=96 read=476095
             ->  Partial Aggregate  (cost=528273.48..528273.49 rows=1 width=8) (actual time=881.014..881.014 rows=1 loops=3)
                   Output: PARTIAL count(*)
                   Buffers: shared hit=96 read=476095
                   Worker 0: actual time=880.319..880.319 rows=1 loops=1
                     Buffers: shared hit=34 read=158206
                   Worker 1: actual time=880.369..880.369 rows=1 loops=1
                     Buffers: shared hit=29 read=156424
                   ->  Parallel Seq Scan on public.test_tbl  (cost=0.00..517856.98 rows=4166598 width=0) (actual time=0.029..662.165 rows=3333333 loops=3)
                         Buffers: shared hit=96 read=476095
                         Worker 0: actual time=0.026..661.807 rows=3323029 loops=1
                           Buffers: shared hit=34 read=158206
                         Worker 1: actual time=0.030..660.197 rows=3285513 loops=1
                           Buffers: shared hit=29 read=156424
     Planning time: 0.043 ms
     Execution time: 884.207 ms
    

    中のshared hitは、メモリにキャッシュされているデータがヒットしたことを示しています.これは、後のクエリが最初よりずっと速い理由を説明することができます.次にキャッシュを削除し、PostgreSQLを再起動します.
    service postgresql stop
    echo 1 > /proc/sys/vm/drop_caches
    service postgresql start
    

    SQL文を再実行すると、かなり遅くなります.
     Finalize Aggregate  (cost=529273.69..529273.70 rows=1 width=8) (actual time=50604.564..50604.564 rows=1 loops=1)
       Output: count(*)
       Buffers: shared read=476191
       ->  Gather  (cost=529273.48..529273.69 rows=2 width=8) (actual time=50604.508..50606.141 rows=3 loops=1)
             Output: (PARTIAL count(*))
             Workers Planned: 2
             Workers Launched: 2
             Buffers: shared read=476191
             ->  Partial Aggregate  (cost=528273.48..528273.49 rows=1 width=8) (actual time=50591.550..50591.551 rows=1 loops=3)
                   Output: PARTIAL count(*)
                   Buffers: shared read=476191
                   Worker 0: actual time=50585.182..50585.182 rows=1 loops=1
                     Buffers: shared read=158122
                   Worker 1: actual time=50585.181..50585.181 rows=1 loops=1
                     Buffers: shared read=161123
                   ->  Parallel Seq Scan on public.test_tbl  (cost=0.00..517856.98 rows=4166598 width=0) (actual time=92.491..50369.691 rows=3333333 loops=3)
                         Buffers: shared read=476191
                         Worker 0: actual time=122.170..50362.271 rows=3320562 loops=1
                           Buffers: shared read=158122
                         Worker 1: actual time=14.020..50359.733 rows=3383583 loops=1
                           Buffers: shared read=161123
     Planning time: 11.537 ms
     Execution time: 50606.215 ms
    

    shared readはヒットキャッシュがないことを示しており,この現象から,前節の4回のクエリのうち,1回目のクエリはヒットキャッシュがなく,残りの3回のクエリがキャッシュにヒットしたと推定される.
    count(1)とcount(*)の違い
    次にcount(1)とcount(*)の違いを探り、最初の4回のクエリを考え続け、1回目のクエリはcount(*)、2回目のクエリはcount(1)を使用したが、依然としてキャッシュにヒットしており、count(1)とcount(*)が同じであることを説明しているのではないか.
    実際、PostgreSQLの公式はis there a difference performance-wise between select count(1)and select count(*)?問題の回答もこの点を証明した.
    Nope. In fact, the latter is converted to the former during parsing.[2]
    count(1)がcount(*)ほど性能的に優れていない以上、count(*)を使用するのがより良い選択です.
    sequence scanとindex scan
    次に、データ量の大きさが異なる場合のcount(*)の速度をテストし、countにクエリー文を書きます.sqlファイルではpgbenchを使用してテストします.
    pgbench -c 5 -t 20 performance_test -r -f count.sql
    

    200 w-1000 wデータ量のcount文を別々にテストするのに時間がかかる
    データサイズ
    count消費時間(ms)
    200w
    738.758
    300w
    1035.846
    400w
    1426.183
    500w
    1799.866
    600w
    2117.247
    700w
    2514.691
    800w
    2526.441
    900w
    2568.240
    1000w
    2650.434
    時間のかかるカーブとして描画
    曲線の傾向は600 w−700 wのデータ量の間に転換し,200 w−600 wは線形成長であり,600 w以降のcountの消費時間はほぼ同じであった.explain文を使用して600 wと700 wのデータをそれぞれ表示するcount文が実行されます.
    700w:
     Finalize Aggregate  (cost=502185.93..502185.94 rows=1 width=8) (actual time=894.361..894.361 rows=1 loops=1)
       Output: count(*)
       Buffers: shared hit=16344 read=352463
       ->  Gather  (cost=502185.72..502185.93 rows=2 width=8) (actual time=894.232..899.763 rows=3 loops=1)
             Output: (PARTIAL count(*))
             Workers Planned: 2
             Workers Launched: 2
             Buffers: shared hit=16344 read=352463
             ->  Partial Aggregate  (cost=501185.72..501185.73 rows=1 width=8) (actual time=889.371..889.371 rows=1 loops=3)
                   Output: PARTIAL count(*)
                   Buffers: shared hit=16344 read=352463
                   Worker 0: actual time=887.112..887.112 rows=1 loops=1
                     Buffers: shared hit=5459 read=118070
                   Worker 1: actual time=887.120..887.120 rows=1 loops=1
                     Buffers: shared hit=5601 read=117051
                   ->  Parallel Index Only Scan using test_tbl_pkey on public.test_tbl  (cost=0.43..493863.32 rows=2928960 width=0) (actual time=0.112..736.376 rows=2333333 loops=3)
                         Index Cond: (test_tbl.id < 7000000)
                         Heap Fetches: 2328492
                         Buffers: shared hit=16344 read=352463
                         Worker 0: actual time=0.107..737.180 rows=2344479 loops=1
                           Buffers: shared hit=5459 read=118070
                         Worker 1: actual time=0.133..737.960 rows=2327028 loops=1
                           Buffers: shared hit=5601 read=117051
     Planning time: 0.165 ms
     Execution time: 899.857 ms
    

    600w:
     Finalize Aggregate  (cost=429990.94..429990.95 rows=1 width=8) (actual time=765.575..765.575 rows=1 loops=1)
       Output: count(*)
       Buffers: shared hit=13999 read=302112
       ->  Gather  (cost=429990.72..429990.93 rows=2 width=8) (actual time=765.557..770.889 rows=3 loops=1)
             Output: (PARTIAL count(*))
             Workers Planned: 2
             Workers Launched: 2
             Buffers: shared hit=13999 read=302112
             ->  Partial Aggregate  (cost=428990.72..428990.73 rows=1 width=8) (actual time=763.821..763.821 rows=1 loops=3)
                   Output: PARTIAL count(*)
                   Buffers: shared hit=13999 read=302112
                   Worker 0: actual time=762.742..762.742 rows=1 loops=1
                     Buffers: shared hit=4638 read=98875
                   Worker 1: actual time=763.308..763.308 rows=1 loops=1
                     Buffers: shared hit=4696 read=101570
                   ->  Parallel Index Only Scan using test_tbl_pkey on public.test_tbl  (cost=0.43..422723.16 rows=2507026 width=0) (actual time=0.053..632.199 rows=2000000 loops=3)
                         Index Cond: (test_tbl.id < 6000000)
                         Heap Fetches: 2018490
                         Buffers: shared hit=13999 read=302112
                         Worker 0: actual time=0.059..633.156 rows=1964483 loops=1
                           Buffers: shared hit=4638 read=98875
                         Worker 1: actual time=0.038..634.271 rows=2017026 loops=1
                           Buffers: shared hit=4696 read=101570
     Planning time: 0.055 ms
     Execution time: 770.921 ms
    

    以上の現象から推測すると、PostgreSQLはcountのデータ量がデータテーブルの長さのある割合より小さい場合にindex scanを使用するようで、公式wikiを見ることで関連する説明も見ることができます.
    It is important to realise that the planner is concerned with minimising the total cost of the query. With databases, the cost of I/O typically dominates. For that reason, "count(*) without any predicate"queries will only use an index-only scan if the index is significantly smaller than its table. This typically only happens when the table's row width is much wider than some indexes'.[3]
    Stackoverflowの回答によると、count文クエリの数がテーブルサイズの3/4より大きい場合はインデックススキャンの代わりに全テーブルスキャンを使用する[4].
    結論
  • count(*)
  • の代わりにcount(1)またはcount(列名)を使用しないでください.
  • count自体は非常に時間のかかる
  • です.
  • countはindex scanであってもsequence scanであってもよく、count数がテーブルサイズに占める割合
  • に依存する.
    参考資料
    [1]Postgresのcacheを深く理解する
    [2] Re: performance difference in count(1) vs. count(*)?
    [3] Is "count(*)"much faster now?
    [4] PostgreSQL not using index during count(*)
    転載先:https://juejin.im/post/5cb54bd7518825324d1df26b