[译]以PostgreSQL为例，谈join计算的代价

2022-04-26 12:26:42

join计算的代价很高吗？
看情况
join的代价依赖于join的条件，索引是什么样，依赖于表有多大，相关信息是否已经cache住了，使用的什么硬件，配置参数的信息，统计信息是否已经更新，同时是否还有其他运行的计算……
晕了？别急！在以下情景下，我们依然可以找到一些规律来分析判断：

随着join的表的数量增加
随着这些表的行数的增加
有没有索引

此类情况，在工作中经常会碰到，比如：如果有一张产品表 product，但业务上需要加入一个产品的状态，包括Active、Discontinued、Recalled等。此时，我们会有3种不同的做法：

在产品表 product 中，增加一列状态号 status_id，同时增加一个新的状态表 status。
在产品表 product 中，增加一列状态号 status_id，同时让应用来定义每个状态号 status_id 对应的含义及显示。
在产品表 product 中，增加一列文本列，用来描述状态信息。

通常，我们会选择第一个做法。关于后两种的做法，通常的质疑在两个方面：join的性能和开发人员的工程化能力。后者通常与个人喜好有关，姑且不谈，咱们来一起讨论一下join的性能问题。

为便于讨论，选用PostgreSQL测试数据来讨论。以等值连接为例，让我们看看执行上面的join时，性能会有什么变化？我们担心的性能变慢，那具体会变成多慢。

以下是用来生成测试用的建表语句。

DROP FUNCTION IF EXISTS create_tables(integer, integer, boolean);
CREATE FUNCTION create_tables(num_tables integer, num_rows integer, create_indexes boolean) RETURNS void AS $function_text$
BEGIN

-- There's no table before the first one, so this one's a little different.  Create it here instead of in our loop.
DROP TABLE IF EXISTS table_1 CASCADE;
CREATE TABLE table_1 (
    id serial primary key
);

-- Populate the first table
INSERT INTO table_1 (id)
SELECT
    nextval('table_1_id_seq')
FROM
    generate_series(1, num_rows);

-- Create and populate all the other tables
FOR i IN 2..num_tables LOOP
    EXECUTE 'DROP TABLE IF EXISTS table_' || i || ' CASCADE;';

    EXECUTE format($$
        CREATE TABLE table_%1$s (
            id serial primary key,
            table_%2$s_id integer references table_%2$s (id)
        );

        INSERT INTO table_%1$s (table_%2$s_id)
        SELECT
            id
        FROM
            table_%2$s
        ORDER BY
            random();
    $$, i, i-1);

    IF create_indexes THEN
        EXECUTE 'CREATE INDEX ON table_' || i || ' (table_' || i - 1 || '_id);';
    END IF;
END LOOP;
END;
$function_text$ LANGUAGE plpgsql;

-- We'll want to make sure PostgreSQL has an idea of what's in these tables
DROP FUNCTION IF EXISTS analyze_tables(integer);
CREATE FUNCTION analyze_tables(num_tables integer) RETURNS void AS $function_text$
BEGIN

FOR i IN 1..num_tables LOOP
    EXECUTE 'ANALYZE table_' || i || ';';
END LOOP;
END;
$function_text$ LANGUAGE plpgsql;

执行建表函数……

SELECT create_tables(10, 10000, False);

SELECT * from table_1 limit 10;


id
----
  1
  2
  3
  4
  5
  6
  7
  8
  9
 10
(10 rows)


SELECT * from table_2 limit 10;

 id | table_1_id
----+------------
  1 |        824
  2 |        973
  3 |        859
  4 |        789
  5 |        901
  6 |        112
  7 |        162
  8 |        212
  9 |        333
 10 |        577
(10 rows)

OK，现在我们可以任意创建所需要的表了。
我们还需要方法来查询，以测试join的性能。有一些不错的长查询，但我们不希望手工来编写，于是我们创建了另一个函数来生成它们。只需要告诉它有多少表参与join，以及where子句中最后一张表的最大的id，它就可以执行了。

DROP FUNCTION IF EXISTS get_query(integer, integer);
CREATE FUNCTION get_query(num_tables integer, max_id integer) RETURNS text AS $function_text$
DECLARE
    first_part text;
    second_part text;
    third_part text;
    where_clause text;
BEGIN

first_part := $query$
        SELECT
            count(*)
        FROM
            table_1 AS t1 INNER JOIN$query$;

second_part := '';

FOR i IN 2..num_tables-1 LOOP
    second_part := second_part || format($query$
            table_%1$s AS t%1$s ON
                t%2$s.id = t%1$s.table_%2$s_id INNER JOIN$query$, i, i-1);
END LOOP;

third_part := format($query$
            table_%1$s AS t%1$s ON
                t%2$s.id = t%1$s.table_%2$s_id
        WHERE
            t1.id <= %3$s$query$, num_tables, num_tables-1, max_id);

RETURN first_part || second_part || third_part || ';';
END;
$function_text$ LANGUAGE plpgsql;

下面是一个生成查询的示例。

SELECT get_query(5, 10);

                  get_query
--------------------------------------------------
                                                 +
         SELECT                                  +
             count(*)                            +
         FROM                                    +
             table_1 AS t1 INNER JOIN            +
             table_2 AS t2 ON                    +
                 t1.id = t2.table_1_id INNER JOIN+
             table_3 AS t3 ON                    +
                 t2.id = t3.table_2_id INNER JOIN+
             table_4 AS t4 ON                    +
                 t3.id = t4.table_3_id INNER JOIN+
             table_5 AS t5 ON                    +
                 t4.id = t5.table_4_id           +
         WHERE                                   +
             t1.id <= 10;
(1 row)

Time: 1.404 ms

OK，让我们花一些时间来思考一下，当我们运行这条查询时，我们实际让Postgres做了哪些事情。在这条SQL中，我们在询问表 table_5 中的 table_4_id 列有多少在表 table_4中，而且表 table_4 中 table_3_id 列有多少在表 table_2 中，而且表 table_2 中 table_1_id 列有多少在表 table_1 中，而且 table_1_id 小于等于10。
我们继续运行……

SELECT
    count(*)
FROM
    table_1 AS t1 INNER JOIN
    table_2 AS t2 ON
        t1.id = t2.table_1_id INNER JOIN
    table_3 AS t3 ON
        t2.id = t3.table_2_id INNER JOIN
    table_4 AS t4 ON
        t3.id = t4.table_3_id INNER JOIN
    table_5 AS t5 ON
        t4.id = t5.table_4_id
WHERE
    t1.id <= 10;

count
-------
   10
(1 row)

Time: 40.494 ms

我们可以通过抛出 EXPLAIN ANALYZE 来查看进展。

EXPLAIN ANALYZE
SELECT
    count(*)
FROM
    table_1 AS t1 INNER JOIN
    table_2 AS t2 ON
        t1.id = t2.table_1_id INNER JOIN
    table_3 AS t3 ON
        t2.id = t3.table_2_id INNER JOIN
    table_4 AS t4 ON
        t3.id = t4.table_3_id INNER JOIN
    table_5 AS t5 ON
        t4.id = t5.table_4_id
WHERE
    t1.id <= 10;

                                                                                     QUERY PLAN
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
 Aggregate  (cost=827.93..827.94 rows=1 width=8) (actual time=43.392..43.392 rows=1 loops=1)
   ->  Hash Join  (cost=645.31..827.90 rows=9 width=0) (actual time=35.221..43.353 rows=10 loops=1)
         Hash Cond: (t5.table_4_id = t4.id)
         ->  Seq Scan on table_5 t5  (cost=0.00..145.00 rows=10000 width=4) (actual time=0.024..3.984 rows=10000 loops=1)
         ->  Hash  (cost=645.20..645.20 rows=9 width=4) (actual time=34.421..34.421 rows=10 loops=1)
               Buckets: 1024  Batches: 1  Memory Usage: 9kB
               ->  Hash Join  (cost=462.61..645.20 rows=9 width=4) (actual time=25.281..34.357 rows=10 loops=1)
                     Hash Cond: (t4.table_3_id = t3.id)
                     ->  Seq Scan on table_4 t4  (cost=0.00..145.00 rows=10000 width=8) (actual time=0.022..4.828 rows=10000 loops=1)
                     ->  Hash  (cost=462.50..462.50 rows=9 width=4) (actual time=23.519..23.519 rows=10 loops=1)
                           Buckets: 1024  Batches: 1  Memory Usage: 9kB
                           ->  Hash Join  (cost=279.91..462.50 rows=9 width=4) (actual time=12.617..23.453 rows=10 loops=1)
                                 Hash Cond: (t3.table_2_id = t2.id)
                                 ->  Seq Scan on table_3 t3  (cost=0.00..145.00 rows=10000 width=8) (actual time=0.017..5.065 rows=10000 loops=1)
                                 ->  Hash  (cost=279.80..279.80 rows=9 width=4) (actual time=12.221..12.221 rows=10 loops=1)
                                       Buckets: 1024  Batches: 1  Memory Usage: 9kB
                                       ->  Hash Join  (cost=8.55..279.80 rows=9 width=4) (actual time=0.293..12.177 rows=10 loops=1)
                                             Hash Cond: (t2.table_1_id = t1.id)
                                             ->  Seq Scan on table_2 t2  (cost=0.00..145.00 rows=10000 width=8) (actual time=0.017..5.407 rows=10000 loops=1)
                                             ->  Hash  (cost=8.44..8.44 rows=9 width=4) (actual time=0.054..0.054 rows=10 loops=1)
                                                   Buckets: 1024  Batches: 1  Memory Usage: 9kB
                                                   ->  Index Only Scan using table_1_pkey on table_1 t1  (cost=0.29..8.44 rows=9 width=4) (actual time=0.024..0.035 rows=10 loops=1)
                                                         Index Cond: (id <= 10)
                                                         Heap Fetches: 10
 Planning time: 1.659 ms
 Execution time: 43.585 ms
(26 rows)

我们可以看到，除了使用表table_1的主键索引外，都是顺序扫描。它还可以怎么做呢？因为我们没有建任何索引来优化它。
如果我们重新做这个实验，告诉* create_tables()*去创建索引……

SELECT create_tables(10, 10000, True);

重新运行后，我们得到不同的查询计划。

EXPLAIN ANALYZE
SELECT
    count(*)
FROM
    table_1 AS t1 INNER JOIN
    table_2 AS t2 ON
        t1.id = t2.table_1_id INNER JOIN
    table_3 AS t3 ON
        t2.id = t3.table_2_id INNER JOIN
    table_4 AS t4 ON
        t3.id = t4.table_3_id INNER JOIN
    table_5 AS t5 ON
        t4.id = t5.table_4_id
WHERE
    t1.id <= 10;

                                                                            QUERY PLAN
------------------------------------------------------------------------------------------------------------------------------------------------------------------
 Aggregate  (cost=88.52..88.53 rows=1 width=8) (actual time=0.411..0.411 rows=1 loops=1)
   ->  Nested Loop  (cost=1.43..88.50 rows=9 width=0) (actual time=0.067..0.399 rows=10 loops=1)
         ->  Nested Loop  (cost=1.14..85.42 rows=9 width=4) (actual time=0.054..0.304 rows=10 loops=1)
               ->  Nested Loop  (cost=0.86..82.34 rows=9 width=4) (actual time=0.043..0.214 rows=10 loops=1)
                     ->  Nested Loop  (cost=0.57..79.25 rows=9 width=4) (actual time=0.032..0.113 rows=10 loops=1)
                           ->  Index Only Scan using table_1_pkey on table_1 t1  (cost=0.29..8.44 rows=9 width=4) (actual time=0.015..0.023 rows=10 loops=1)
                                 Index Cond: (id <= 10)
                                 Heap Fetches: 10
                           ->  Index Scan using table_2_table_1_id_idx on table_2 t2  (cost=0.29..7.86 rows=1 width=8) (actual time=0.007..0.007 rows=1 loops=10)
                                 Index Cond: (table_1_id = t1.id)
                     ->  Index Scan using table_3_table_2_id_idx on table_3 t3  (cost=0.29..0.33 rows=1 width=8) (actual time=0.008..0.008 rows=1 loops=10)
                           Index Cond: (table_2_id = t2.id)
               ->  Index Scan using table_4_table_3_id_idx on table_4 t4  (cost=0.29..0.33 rows=1 width=8) (actual time=0.007..0.008 rows=1 loops=10)
                     Index Cond: (table_3_id = t3.id)
         ->  Index Only Scan using table_5_table_4_id_idx on table_5 t5  (cost=0.29..0.33 rows=1 width=4) (actual time=0.007..0.008 rows=1 loops=10)
               Index Cond: (table_4_id = t4.id)
               Heap Fetches: 10
 Planning time: 2.287 ms
 Execution time: 0.546 ms
(19 rows)

结果是使用来索引，速度快了很多。而且这与我们预期的一致。我们现在准备将这些混到一起，看看随着表和列数量的增加时会有什么变化？
需要说明一下，这些测试是运行在AWS RDS db.m4.large实例上。这是最便宜的实例，而且也不会在性能上自动扩容，所以可以作为基准。我们共运行10次，取平均值。
最初的查询，join涉及的表数量从2到200，包含3种行设置，而且没有索引。

db.m4.large

性能还是不错的。更为重要的是，我们可以计算每个增加的join的成本！对于100行的表，下面的数据显示了每次增加表所带来的执行时间的增加：

表的数量	平均增加量	时间（ms）
2-50	(0.012738 - 0.000327) / (50 - 2) =	0.259
50-100	(0.0353395 - 0.012738) / (100 - 50) =	0.452
100-150	(0.0762056 - 0.0353395) / (150 - 100) =	0.817
150-200	(0.1211591 - 0.0762056) / (200 - 150) =	0.899

甚至在参与join的表数量已经接近200时，每增加一个表只增加少于1ms的执行时间。
在讨论增加一个表用来存储产品的状态时，表增加至1000行时就过载了。所以，不考虑索引的情况下，增加一个引用的表并不会对性能产生实质性影响。
由于之前所做的基准测试的数据量不大，如果碰到大表呢？我们重新做了相同的测试，但这次每张表都包含一百万行。这次只增加到50张表。为什么？运行它需要一段时间，我只有有限都预算和耐心

百万级大表时的性能

这次运行结果曲线就没有重叠了。请看最大的1百万行的表，每增加1张join的表，它需要多运行93ms。

表的数量	平均增加量	时间（ms）
2-10	(0.8428495 - 0.0924571) / (10 - 2) =	93.799
10-20	(1.781959 - 0.8428495) / (20 - 10) =	93.911
20-30	(2.708342 - 1.781959) / (30 - 20) =	92.638
30-40	(3.649164 - 2.708342) / (40 - 30) =	94.082
40-50	(4.565644 - 3.649164) / (50 - 40) =	91.648

此次都是顺序扫描，因此我们增加索引，看看会有什么变化？

增加索引后的性能

增加索引后，性能影响很显著。当能使用到索引时，不管表中有多少行，测试结果都差不多。针对10万行的表的查询一般最慢，但并总是最慢。

表的数量	平均增加量	时间（ms）
2-50	(0.0119917 - 0.000265) / (50 - 2) =	0.244
50-100	(0.035345 - 0.0119917) / (100 - 50) =	0.467
100-150	(0.0759236 - 0.035345) / (150 - 100) = 92.638	0.811
150-200	(0.1378461 - 0.0759236) / (200 - 150) =	1.238

即使查询已经涉及到150张表，此时增加1一张表只会增加1.2ms。
最后一个测试场景，由于历时太长，等不及生成200个1百万行的表及建立索引，但又想观察性能的变化，于是选择测试50张表时的结果……

加大数据量的测试

表的数量	平均增加量	时间（ms）
2-10	(0.0016811 - 0.000276) / (10 - 2) =	0.176
10-20	(0.003771 - 0.0016811) / (20 - 10) =	0.209
20-30	(0.0062328 - 0.003771) / (30 - 20) =	0.246
30-40	(0.0088621 - 0.0062328) / (40 - 30) =	0.263
40-50	(0.0120818 - 0.0088621) / (50 - 40) =	0.322

基于之前增加索引带来的性能改进结果，这次并没有带来太多的性能惊喜。50张1百万行的表做join，只需要12ms。Cool！
也许这些额外的join操作的成本比我们预想的要低一些，但有件事需要我们去考虑，虽然每个增加的join运算所占用的时间很小，但越多的表意味着越多的查询计划需要考虑，这很可能会导致很难找到最佳的查询计划。例如，当join的数量超过 geqo_threshold 时（默认为12），postgres 会停止参考所有可能的查询计划，改为使用通用算法。这会改变查询计划，引起对性能的负面影响。
由于每个系统的业务千差万别，一定要基于你的数据来测试你的查询。虽然我们看到增加join的成本很低，但仍然非常有必要去规范你的数据。

[原文] Cost of a Join
非直译，仅为增加乐趣，向作者的严谨性致敬。

码农公寓

相关文章