PostgreSQL全表全字段模糊查询的毫秒级高效实现 - 搜索引擎也颤抖! 原作者:digoal/德哥 创作时间:2017-01-06 17:36:17+08 |
doudou586 发布于2017-01-06 17:36:17 评论: 4 浏览: 28330 顶: 4367 踩: 4489 |
在一些应用程序中,可能需要对表的所有字段进行检索,有些字段可能需要精准查询,有些字段可能需要模糊查询或全文检索。
比如一些前端页面下拉框的勾选和选择。这种需求对于应用开发人员来说,会很蛋疼,因为写SQL很麻烦,之前写过一篇文章来解决这个问题:《PostgreSQL 行级 全文检索》,使用的是全文检索,而当用户的需求为模糊查询时? 如何来解决呢?
不难想到我之前写过的一系列文章
《PostgreSQL 百亿数据 秒级响应 正则及模糊查询》
《PostgreSQL 1000亿数据量 正则匹配 速度与激情》
《中文模糊查询性能优化 by PostgreSQL trgm》
《从难缠的模糊查询聊开 - PostgreSQL独门绝招之一 GIN , GiST , SP-GiST , RUM 索引原理与技术背景》
《PostgreSQL 全文检索加速 快到没有朋友 - RUM索引接口(潘多拉魔盒)》
全表,所有字段的模糊查询,应该如何做呢 ?关键技术还是pg_trgm。
《PostgreSQL 9.3 pg_trgm imporve support multi-bytes char and gist,gin index for reg-exp search》
比如有一张这样的表,有若干个字段,然后前端设计了一个页面,允许用户进行模糊搜索,但是搜索的范围是所有字段。 这样做用户体验是好了,但是对于程序来说有点蛋疼,因为我们并不知道用户想要搜索的是哪个或哪些字段。
那么怎么能做到高效的匹配呢?
创建测试表,生成测试数据
postgres=# create table t(phonenum text, info text, c1 int, c2 text, c3 text, c4 timestamp); CREATE TABLE postgres=# insert into t values ('13888888888','i am digoal, a postgresqler',123,'china', '中华人民共和国,阿里巴巴,阿',now()); INSERT 0 1 postgres=# select * from t; phonenum | info | c1 | c2 | c3 | c4 -------------+-----------------------+-----+-------+----------------+----------------------- 13888888888 | i am digoal, a postgresqler | 123 | china | 中华人民共和国,阿里巴巴,阿 | 2016-04-19 11:15:55.208658 (1 row)
首先,被搜索的字段中如果有中文或者其他mutli-bytes字符,那么不能使用collate, ctype=c的数据库。
还好阿里云RDS PostgreSQL默认就不是C的,很棒。
如果不是,你可以这么指定collate 和 ctype
postgres=# create database test with template template0 lc_collate 'zh_CN.utf8' lc_ctype 'zh_CN.utf8';
那么接下来,我们要做的是,建立支持模糊查询的函数索引,
create extension pg_trgm; create or replace function record_to_text(anyelement) returns text as $$ select $1::text; $$ language sql strict immutable; test=# create index idx_t_1 on t using gin (record_to_text(t) gin_trgm_ops) ; CREATE INDEX --当需要使用分页,或者结果集很大时,建议使用gist test=# create index idx_t_2 on t using gist (record_to_text(t) gist_trgm_ops) ; CREATE INDEX
查询测试
test=# explain select * from t where record_to_text(t) ~ 'digoal'; QUERY PLAN ------------------------------------------------------------------- Index Scan using idx_t_2 on t (cost=0.38..8.39 rows=1 width=140) Index Cond: (record_to_text(t.*) ~ 'digoal'::text) (2 rows)
查询性能测试, 先插一堆数据进去
postgres=# insert into t select * from t; INSERT 0 4194304 test=# select count(*) from t; count --------- 4194304 (1 row)
然后插几条不一样的
insert into t values ('13888889999','i am dege, a postgresqler',123,'china', '德歌 德哥 刘德华 彭德怀',now()); insert into t values ('13888889999','i am dege, a postgresqler',123,'china', '德歌 德哥 刘德华 彭德怀',now()); vacuum analyze t;
查询速度杠杠的
test=# explain (analyze,verbose,timing,costs,buffers) select * from t where record_to_text(t) ~ 'dege'; QUERY PLAN ----------------------------------------------------------------------------------------- Index Scan using idx_t_2 on public.t (cost=0.41..2.43 rows=1 width=101) (actual time=0.236..0.254 rows=2 loops=1) Output: phonenum, info, c1, c2, c3, c4 Index Cond: (record_to_text(t.*) ~ 'dege'::text) Buffers: shared hit=5 Planning time: 0.349 ms Execution time: 0.301 ms (6 rows)
测试查询包含刘德华的行(因为行很少,所以建议使用GIN索引)
test=# /*+ BitmapScan(t idx_t_1) */ explain (analyze,verbose,timing,costs,buffers) select * from t where record_to_text(t) ~ '刘德华' limit 10; LOG: available indexes for BitmapScan(t): idx_t_1 LOG: pg_hint_plan: used hint: BitmapScan(t idx_t_1) not used hint: duplication hint: error hint: LOG: pg_hint_plan: used hint: not used hint: BitmapScan(t idx_t_1) duplication hint: error hint: QUERY PLAN ---------------------------------------------------------------------------------------- Limit (cost=441.00..442.26 rows=1 width=101) (actual time=0.239..0.255 rows=2 loops=1) Output: phonenum, info, c1, c2, c3, c4 Buffers: shared hit=4 -> Bitmap Heap Scan on public.t (cost=441.00..442.26 rows=1 width=101) (actual time=0.238..0.252 rows=2 loops=1) Output: phonenum, info, c1, c2, c3, c4 Recheck Cond: (record_to_text(t.*) ~ '刘德华'::text) Heap Blocks: exact=1 Buffers: shared hit=4 -> Bitmap Index Scan on idx_t_1 (cost=0.00..441.00 rows=1 width=0) (actual time=0.086..0.086 rows=2 loops=1) Index Cond: (record_to_text(t.*) ~ '刘德华'::text) Buffers: shared hit=3 Planning time: 0.494 ms Execution time: 0.313 ms (13 rows) test=# /*+ BitmapScan(t idx_t_1) */ select * from t where record_to_text(t) ~ '刘德华' limit 10; LOG: available indexes for BitmapScan(t): idx_t_1 LOG: pg_hint_plan: used hint: BitmapScan(t idx_t_1) not used hint: duplication hint: error hint: LOG: pg_hint_plan: used hint: not used hint: BitmapScan(t idx_t_1) duplication hint: error hint: phonenum | info | c1 | c2 | c3 | c4 ------------+---------------------------+-----+-------+---------------+------------------ 13888889999 | i am dege, a postgresqler | 123 | china | 德歌 德哥 刘德华 彭德怀 | 2017-01-06 17:04:42.19215 13888889999 | i am dege, a postgresqler | 123 | china | 德歌 德哥 刘德华 彭德怀 | 2017-01-06 17:04:42.514895 (2 rows) Time: 1.225 ms
通常这种索引命中,根据返回的结果集数量,响应时间可能是 0.几 毫秒到 几十 毫秒不等。
不过有些时候,可能因为用户输入的信息量太少,比如输入了2个字符,那么被匹配到的token信息会很多,导致变慢。
使用GiST可以缓解。
那么应用层可以做一个保护,比如超过1秒,则报语句超时。
postgres=# set statement_timeout = '1s'; SET or test=# /*+ Set(statement_timeout 1s) */ select * from t where record_to_text(t) ~ 'd' limit 10; LOG: pg_hint_plan: used hint: Set(statement_timeout 1s) not used hint: duplication hint: error hint: LOG: pg_hint_plan: used hint: Set(statement_timeout 1s) not used hint: duplication hint: error hint: phonenum | info | c1 | c2 | c3 | c4 -------------+-----------------------------+-----+-------+------------------------+---------- 13888888888 | i am digoal, a postgresqler | 123 | china | 中华人民共和国,阿里巴巴,阿 | 2017-01-06 16:51:16.840941 13888888888 | i am digoal, a postgresqler | 123 | china | 中华人民共和国,阿里巴巴,阿 | 2017-01-06 16:51:16.840941 13888888888 | i am digoal, a postgresqler | 123 | china | 中华人民共和国,阿里巴巴,阿 | 2017-01-06 16:51:16.840941 13888888888 | i am digoal, a postgresqler | 123 | china | 中华人民共和国,阿里巴巴,阿 | 2017-01-06 16:51:16.840941 13888888888 | i am digoal, a postgresqler | 123 | china | 中华人民共和国,阿里巴巴,阿 | 2017-01-06 16:51:16.840941 13888888888 | i am digoal, a postgresqler | 123 | china | 中华人民共和国,阿里巴巴,阿 | 2017-01-06 16:51:16.840941 13888888888 | i am digoal, a postgresqler | 123 | china | 中华人民共和国,阿里巴巴,阿 | 2017-01-06 16:51:16.840941 13888888888 | i am digoal, a postgresqler | 123 | china | 中华人民共和国,阿里巴巴,阿 | 2017-01-06 16:51:16.840941 13888888888 | i am digoal, a postgresqler | 123 | china | 中华人民共和国,阿里巴巴,阿 | 2017-01-06 16:51:16.840941 13888888888 | i am digoal, a postgresqler | 123 | china | 中华人民共和国,阿里巴巴,阿 | 2017-01-06 16:51:16.840941 (10 rows)
使用规则很简单, 当使用游标返回时,使用gist
当输入的字符少于3个时,使用GIST
当评估行很少时,使用GIN
其他情况都是要GIN
有了以上规则,你就可以通过HINT,强制使用哪个索引了。
hint使用方法参考:《从难缠的模糊查询聊开 - PostgreSQL独门绝招之一 GIN , GiST , SP-GiST , RUM 索引原理与技术背景》
业务层面也可以做出一些优化,比如可以先用全文检索,如果没有匹配到,再用模糊查询。
又比如gist, gin, rum索引应该如何选择,可以参考这篇文档: 《从难缠的模糊查询聊开 - PostgreSQL独门绝招之一 GIN , GiST , SP-GiST , RUM 索引原理与技术背景》
按照前面的测试,通常来说一个查询的响应应该在1毫秒以内,
对于一个32核的机器,这种模糊查询能达到的QPS估计在8万左右。
如果你发现单节点,在已优化的情况下,已经不能满足查询的并发,那么可以构建只读实例。
构建只读实例的方法也很简单,请参考