Citus 分布式 PostgreSQL 集群 – SQL Reference(查询分布式表 SQL)

2022年5月29日13:38:42

Citus 分布式 PostgreSQL 集群 - SQL Reference(查询分布式表 SQL)

如前几节所述,Citus 是一个扩展,它扩展了最新的PostgreSQL 以进行分布式执行。这意味着您可以在Citus 协调器上使用标准 PostgreSQLSELECT 查询进行查询。Citus 将并行化涉及复杂选择、分组和排序以及JOINSELECT 查询,以加快查询性能。在高层次上,CitusSELECT 查询划分为更小的查询片段,将这些查询片段分配给worker,监督他们的执行,合并他们的结果(如果需要,对它们进行排序),并将最终结果返回给用户。

在以下部分中,我们将讨论您可以使用Citus 运行的不同类型的查询。

聚合函数

Citus 支持和并行化PostgreSQL 支持的大多数聚合函数,包括自定义用户定义的聚合。 聚合使用以下三种方法之一执行,优先顺序如下:

  1. 当聚合按表的分布列分组时,Citus 可以将整个查询的执行下推到每个worker。 在这种情况下支持所有聚合,并在worker 上并行执行。(任何正在使用的自定义聚合都必须安装在worker 身上。)

  2. 当聚合没有按表的分布列分组时,Citus 仍然可以根据具体情况进行优化。Citussum()avg()count(distinct) 等某些聚合有内部规则,允许它重写查询以对worker 进行部分聚合。例如,为了计算平均值,Citus 从每个worker 那里获得一个总和和一个计数,然后coordinator 节点计算最终的平均值。特殊情况聚合的完整列表:

    avg, min, max, sum, count, array_agg, jsonb_agg, jsonb_object_agg, json_agg, json_object_agg, bit_and, bit_or, bool_and, bool_or, every, hll_add_agg, hll_union_agg, topn_add_agg, topn_union_agg, any_value, var_pop(float4), var_pop(float8), var_samp(float4), var_samp(float8), variance(float4), variance(float8) stddev_pop(float4), stddev_pop(float8), stddev_samp(float4), stddev_samp(float8) stddev(float4), stddev(float8) tdigest(double precision, int), tdigest_percentile(double precision, int, double precision), tdigest_percentile(double precision, int, double precision[]), tdigest_percentile(tdigest, double precision), tdigest_percentile(tdigest, double precision[]), tdigest_percentile_of(double precision, int, double precision), tdigest_percentile_of(double precision, int, double precision[]), tdigest_percentile_of(tdigest, double precision), tdigest_percentile_of(tdigest, double precision[])

  3. 最后的手段:从worker 中提取所有行并在coordinator 节点上执行聚合。 如果聚合未在分布列上分组,并且不是预定义的特殊情况之一,则Citus 会退回到这种方法。 它会导致网络开销,并且如果要聚合的数据集太大,可能会耗尽coordinator 的资源。(可以禁用此回退,见下文。)

请注意,查询中的微小更改可能会改变执行模式,从而导致潜在的令人惊讶的低效率。例如,按非分布列分组的sum(x) 可以使用分布式执行,而sum(distinct x) 必须将整个输入记录集拉到coordinator

SELECT sum(value1), sum(distinct value2) FROM distributed_table;

为避免意外将数据拉到coordinator,可以设置一个GUC

SET citus.coordinator_aggregation_strategy TO 'disabled';

请注意,禁用coordinator 聚合策略将完全阻止“类型三”(最后的手段) 聚合查询工作。

Count (Distinct) 聚合

Citus 以多种方式支持count(distinct) 聚合。
如果count(distinct) 聚合在分布列上,Citus 可以直接将查询下推给worker
如果不是,Citus 对每个worker 运行select distinct 语句,
并将列表返回给coordinator,从中获取最终计数。

请注意,当worker 拥有更多distinct 项时,传输此数据会变得更慢。
对于包含多个count(distinct) 聚合的查询尤其如此,例如:

-- multiple distinct counts in one query tend to be slow
SELECT count(distinct a), count(distinct b), count(distinct c)
FROM table_abc;

对于这类查询,worker 上产生的select distinct 语句本质上会产生要传输到coordinator 的行的cross-product(叉积)

为了提高性能,您可以选择进行近似计数。请按照以下步骤操作:

  1. 在所有PostgreSQL 实例(coordinator 和所有worker)上下载并安装hll 扩展。有关获取扩展的详细信息,请访问PostgreSQL hll github 存储库。
  2. 只需从coordinator 运行以下命令,即可在所有PostgreSQL 实例上创建hll 扩展
    CREATE EXTENSION hll;
  3. 通过设置Citus.count_distinct_error_rate 配置值启用计数不同的近似值。 此配置设置的较低值预计会提供更准确的结果,但需要更多时间进行计算。我们建议将其设置为0.005
    SET citus.count_distinct_error_rate to 0.005;

    在这一步之后,count(distinct) 聚合会自动切换到使用HLL,而无需对您的查询进行任何更改。 您应该能够在表的任何列上运行近似count distinct 查询。

HyperLogLog 列

某些用户已经将他们的数据存储为HLL 列。在这种情况下,他们可以通过调用hll_union_agg(hll_column) 动态汇总这些数据。

估计 Top N 个项

通过应用countsortlimit 来计算集合中的前n 个元素很简单。 然而,随着数据大小的增加,这种方法变得缓慢且资源密集。使用近似值更有效。

Postgres 的开源TopN 扩展可以快速获得“top-n” 查询的近似结果。该扩展将top 值具体化为JSON 数据类型。TopN 可以增量更新这些top 值,或者在不同的时间间隔内按需合并它们。

基本操作

在查看TopN 的实际示例之前,让我们看看它的一些原始操作是如何工作的。首先topn_add 更新一个JSON 对象,其中包含一个key 被看到的次数:

select topn_add('{}', 'a');
-- => {"a": 1}

-- record the sighting of another "a"
select topn_add(topn_add('{}', 'a'), 'a');
-- => {"a": 2}

该扩展还提供聚合以扫描多个值:

-- for normal_rand
create extension tablefunc;

-- count values from a normal distribution
SELECT topn_add_agg(floor(abs(i))::text)
  FROM normal_rand(1000, 5, 0.7) i;
-- => {"2": 1, "3": 74, "4": 420, "5": 425, "6": 77, "7": 3}

如果distinct 值的数量超过阈值,则聚合会丢弃那些最不常见的信息。
这可以控制空间使用。阈值可以由topn.number_of_counters GUC 控制。它的默认值为1000

现实例子

现在来看一个更现实的例子,说明TopN 在实践中是如何工作的。让我们提取2000 年的亚马逊产品评论,并使用TopN 快速查询。首先下载数据集:

curl -L https://examples.citusdata.com/customer_reviews_2000.csv.gz | \
  gunzip > reviews.csv

接下来,将其摄取到分布式表中:

CREATE TABLE customer_reviews
(
    customer_id TEXT,
    review_date DATE,
    review_rating INTEGER,
    review_votes INTEGER,
    review_helpful_votes INTEGER,
    product_id CHAR(10),
    product_title TEXT,
    product_sales_rank BIGINT,
    product_group TEXT,
    product_category TEXT,
    product_subcategory TEXT,
    similar_product_ids CHAR(10)[]
);

SELECT create_distributed_table('customer_reviews', 'product_id');

\COPY customer_reviews FROM 'reviews.csv' WITH CSV

接下来我们将添加扩展,创建一个目标表来存储TopN 生成的json 数据,并应用我们之前看到的topn_add_agg 函数。

-- run below command from coordinator, it will be propagated to the worker nodes as well
CREATE EXTENSION topn;

-- a table to materialize the daily aggregate
CREATE TABLE reviews_by_day
(
  review_date date unique,
  agg_data jsonb
);

SELECT create_reference_table('reviews_by_day');

-- materialize how many reviews each product got per day per customer
INSERT INTO reviews_by_day
  SELECT review_date, topn_add_agg(product_id)
  FROM customer_reviews
  GROUP BY review_date;

现在,我们无需在customer_reviews 上编写复杂的窗口函数,只需将TopN 应用于reviews_by_day。 例如,以下查询查找前五天中每一天最常被评论的产品:

SELECT review_date, (topn(agg_data, 1)).*
FROM reviews_by_day
ORDER BY review_date
LIMIT 5;
┌─────────────┬────────────┬───────────┐
│ review_date │    item    │ frequency │
├─────────────┼────────────┼───────────┤
│ 2000-01-01  │ 0939173344 │        12 │
│ 2000-01-02  │ B000050XY8 │        11 │
│ 2000-01-03  │ 0375404368 │        12 │
│ 2000-01-04  │ 0375408738 │        14 │
│ 2000-01-05  │ B00000J7J4 │        17 │
└─────────────┴────────────┴───────────┘

TopN 创建的json 字段可以与topn_uniontopn_union_agg 合并。 我们可以使用后者来合并整个第一个月的数据,并列出该期间最受好评的五个产品。

SELECT (topn(topn_union_agg(agg_data), 5)).*
FROM reviews_by_day
WHERE review_date >= '2000-01-01' AND review_date < '2000-02-01'
ORDER BY 2 DESC;
┌────────────┬───────────┐
│    item    │ frequency │
├────────────┼───────────┤
│ 0375404368 │       217 │
│ 0345417623 │       217 │
│ 0375404376 │       217 │
│ 0375408738 │       217 │
│ 043936213X │       204 │
└────────────┴───────────┘

有关更多详细信息和示例,请参阅TopN readme

百分位计算

在大量行上找到精确的百分位数可能会非常昂贵,
因为所有行都必须转移到coordinator 以进行最终排序和处理。
另一方面,找到近似值可以使用所谓的sketch 算法在worker 节点上并行完成。coordinator 节点然后将压缩摘要组合到最终结果中,而不是读取完整的行。

一种流行的百分位数sketch 算法使用称为t-digest 的压缩数据结构,可在tdigest 扩展中用于PostgreSQLCitus 集成了对此扩展的支持。

以下是在Citus 中使用t-digest 的方法:

  1. 在所有PostgreSQL 节点(coordinator 和所有worker)上下载并安装tdigest 扩展。tdigest 扩展 github 存储库有安装说明。
  2. 在数据库中创建tdigest 扩展。在coordinator 上运行以下命令:
    CREATE EXTENSION tdigest;

    coordinator 也会将命令传播给worker

当在查询中使用扩展中定义的任何聚合时,Citus 将重写查询以将部分tdigest 计算下推到适用的worker

T-digest 精度可以通过传递给聚合的compression 参数来控制。
权衡是准确性与workercoordinator 之间共享的数据量。
有关如何在tdigest 扩展中使用聚合的完整说明,请查看官方tdigest github 存储库中的文档。

限制下推

Citus 还尽可能将限制条款下推到worker 的分片,以最大限度地减少跨网络传输的数据量。

但是,在某些情况下,带有LIMIT 子句的SELECT 查询可能需要从每个分片中获取所有行以生成准确的结果。 例如,如果查询需要按聚合列排序,则需要所有分片中该列的结果来确定最终聚合值。 由于大量的网络数据传输,这会降低LIMIT 子句的性能。 在这种情况下,如果近似值会产生有意义的结果,Citus 提供了一种用于网络高效近似LIMIT 子句的选项。

LIMIT 近似值默认禁用,可以通过设置配置参数citus.limit_clause_row_fetch_count 来启用。
在这个配置值的基础上,Citus 会限制每个任务返回的行数,用于在coordinator 上进行聚合。 由于这个limit,最终结果可能是近似的。增加此limit 将提高最终结果的准确性,同时仍提供从worker 中提取的行数的上限。

SET citus.limit_clause_row_fetch_count to 10000;

分布式表的视图

Citus 支持分布式表的所有视图。有关视图的语法和功能的概述,请参阅CREATE VIEWPostgreSQL 文档。

请注意,某些视图导致查询计划的效率低于其他视图。
有关检测和改进不良视图性能的更多信息,请参阅子查询/CTE 网络开销
(视图在内部被视为子查询。)

Citus 也支持物化视图,并将它们作为本地表存储在coordinator 节点上。

连接(Join)

Citus 支持任意数量的表之间的equi-JOIN,无论它们的大小和分布方法如何。
查询计划器根据表的分布方式选择最佳连接方法和join 顺序。
它评估几个可能的join 顺序并创建一个join 计划,该计划需要通过网络传输最少的数据。

共置连接

当两个表共置时,它们可以在它们的公共分布列上有效地joinco-located join(共置连接)join 两个大型分布式表的最有效方式。

注意


确保表分布到相同数量的分片中,并且每个表的分布列具有完全匹配的类型。尝试加入类型略有不同的列(例如 `int` 和 `bigint`)可能会导致问题。

引用表连接

引用表可以用作“维度”表,
以有效地与大型“事实”表连接。因为引用表在所有worker 上完全复制,
所以reference join 可以分解为每个worker 上的本地连接并并行执行。
reference join 就像一个更灵活的co-located join 版本,
因为引用表没有分布在任何特定的列上,并且可以自由地join 到它们的任何列上。

引用表也可以与coordinator 节点本地的表连接。

重新分区连接

在某些情况下,您可能需要在除分布列之外的列上连接两个表。
对于这种情况,Citus 还允许通过动态重新分区查询的表来连接非分布key 列。

在这种情况下,要分区的表由查询优化器根据分布列、连接键和表的大小来确定。
使用重新分区的表,可以确保只有相关的分片对相互连接,从而大大减少了通过网络传输的数据量。

通常,co-located joinrepartition join 更有效,因为repartition join 需要对数据进行混洗。
因此,您应该尽可能通过common join 键来分布表。

更多

  1. Citus 分布式 PostgreSQL 集群 - SQL Reference(创建和修改分布式表 DDL)
  2. Citus 分布式 PostgreSQL 集群 - SQL Reference(摄取、修改数据 DML)
  • 作者:为少
  • 原文链接:https://www.cnblogs.com/hacker-linner/p/16075787.html
    更新时间:2022年5月29日13:38:42 ,共 7836 字。