sql - CTE 上的慢速 LEFT JOIN 具有时间间隔

Question

我正在尝试在 PostgreSQL 中调试一个查询，该查询是我为在任意时间间隔 中的时间桶中存储市场数据而构建的。这是我的表定义:

CREATE TABLE historical_ohlcv (
  exchange_symbol TEXT                     NOT NULL,
  symbol_id       TEXT                     NOT NULL,
  kafka_key       TEXT                     NOT NULL,
  open            NUMERIC,
  high            NUMERIC,
  low             NUMERIC,
  close           NUMERIC,
  volume          NUMERIC,
  time_open       TIMESTAMP WITH TIME ZONE NOT NULL,
  time_close      TIMESTAMP WITH TIME ZONE,
  CONSTRAINT historical_ohlcv_pkey
  PRIMARY KEY (exchange_symbol, symbol_id, time_open)
);

CREATE INDEX symbol_id_idx
  ON historical_ohlcv (symbol_id);

CREATE INDEX open_close_symbol_id
  ON historical_ohlcv (time_open, time_close, exchange_symbol, symbol_id);

CREATE INDEX time_open_idx
  ON historical_ohlcv (time_open);

CREATE INDEX time_close_idx
  ON historical_ohlcv (time_close);

该表目前有约 2500 万行。我的查询以 1 小时为例，但可能是 5 分钟、10 分钟、2 天等。

EXPLAIN ANALYZE WITH vals AS (
    SELECT
      NOW() - '5 months' :: INTERVAL AS frame_start,
      NOW() AS frame_end,
      INTERVAL '1 hour'        AS t_interval
)
  , grid AS (
      SELECT
        start_time,
        lead(start_time, 1)
        OVER (
          ORDER BY start_time ) AS end_time
      FROM (
             SELECT
               generate_series(frame_start, frame_end,
                               t_interval) AS start_time,
               frame_end
             FROM vals
           ) AS x
  )
SELECT max(high)
FROM grid g
  LEFT JOIN historical_ohlcv ohlcv ON ohlcv.time_open >= g.start_time
WHERE exchange_symbol = 'BINANCE'
AND symbol_id = 'ETHBTC'
GROUP BY start_time;

WHERE 子句可以是表中的任何有效值。

这项技术的灵感来自于:

• Best way to count records by arbitrary time intervals in Rails+Postgres .

我们的想法是创建一个公用表，然后将您的数据与该表进行左连接，以指示存储在哪个存储桶中。这个查询真的很慢!目前需要 15 秒。基于查询规划器，我们有一个非常昂贵的嵌套循环:

QUERY PLAN
HashAggregate  (cost=2758432.05..2758434.05 rows=200 width=40) (actual time=16023.713..16023.817 rows=542 loops=1)
  Group Key: g.start_time
  CTE vals
    ->  Result  (cost=0.00..0.02 rows=1 width=32) (actual time=0.005..0.005 rows=1 loops=1)
  CTE grid
    ->  WindowAgg  (cost=64.86..82.36 rows=1000 width=16) (actual time=2.986..9.594 rows=3625 loops=1)
          ->  Sort  (cost=64.86..67.36 rows=1000 width=8) (actual time=2.981..4.014 rows=3625 loops=1)
                Sort Key: x.start_time
                Sort Method: quicksort  Memory: 266kB
                ->  Subquery Scan on x  (cost=0.00..15.03 rows=1000 width=8) (actual time=0.014..1.991 rows=3625 loops=1)
                      ->  ProjectSet  (cost=0.00..5.03 rows=1000 width=16) (actual time=0.013..1.048 rows=3625 loops=1)
                            ->  CTE Scan on vals  (cost=0.00..0.02 rows=1 width=32) (actual time=0.008..0.009 rows=1 loops=1)
  ->  Nested Loop  (cost=0.56..2694021.34 rows=12865667 width=14) (actual time=7051.730..16015.873 rows=31978 loops=1)
        ->  CTE Scan on grid g  (cost=0.00..20.00 rows=1000 width=16) (actual time=2.988..11.635 rows=3625 loops=1)
        ->  Index Scan using historical_ohlcv_pkey on historical_ohlcv ohlcv  (cost=0.56..2565.34 rows=12866 width=22) (actual time=3.712..4.413 rows=9 loops=3625)
              Index Cond: ((exchange_symbol = 'BINANCE'::text) AND (symbol_id = 'ETHBTC'::text) AND (time_open >= g.start_time))
              Filter: (time_close < g.end_time)
              Rows Removed by Filter: 15502
Planning time: 0.568 ms
Execution time: 16023.979 ms

我猜这条线做了很多事情:

LEFT JOIN historical_ohlcv ohlcv ON ohlcv.time_open >= g.start_time
                                AND ohlcv.time_close < g.end_time

但我不确定如何以其他方式完成此任务。

附言抱歉，如果这属于 dba.SE。我阅读了常见问题解答，这对于该站点来说似乎太基础了，所以我在此处发布。

按要求编辑:

SELECT avg(pg_column_size(t)) FROM historical_ohlcv t TABLESAMPLE SYSTEM (0.1); 返回 107.632

exchange_symbol 有 3 个唯一值，symbol_id 有~400

PostgreSQL版本:PostgreSQL 10.3 (Ubuntu 10.3-1.pgdg16.04+1) on x86_64-pc-linux-gnu, gcc编译 (Ubuntu 5.4.0-6ubuntu1~16.04.9) 5.4.0 20160609, 64 -位。

该表每天将增长约 100 万条记录，因此不完全是只读的。所有这些都在本地完成，我将尝试迁移到 RDS 或帮助管理硬件问题。

相关:如果我想添加其他聚合，特别是“桶中首位”、“桶中最后”、最小值、总和，我的索引策略会改变吗？

Answer 1

正确性第一:我怀疑您的查询中存在错误:

 LEFT JOIN historical_ohlcv ohlcv ON ohlcv.time_open >= g.start_time
                                 AND ohlcv.time_close < g.end_time

不像我的referenced answer ，您加入一个时间 interval:(time_open, time_close]。您这样做的方式排除了表中间隔跨越存储桶边界的行。只有间隔完全包含在单个桶数。我认为这不是故意的？

一个简单的解决方法是单独根据 time_open(或 time_close)来决定存储桶成员资格。如果您想继续使用两者，则必须确切地定义如何处理与多个桶重叠的间隔。

此外，您正在寻找每个存储桶的 max(high)，这与我引用的答案中的 count(*) 本质上不同。

您的桶是每小时的简单间隔？

然后我们可以从根本上简化。仅使用 time_open:

SELECT date_trunc('hour', time_open) AS hour, max(high) AS max_high
FROM   historical_ohlcv
WHERE  exchange_symbol = 'BINANCE'
AND    symbol_id = 'ETHBTC'
AND    time_open >= now() - interval '5 months'  -- frame_start
AND    time_open <  now()                        -- frame_end
GROUP  BY 1
ORDER  BY 1;

相关:

• Resample on time series data

在基础不明的情况下，很难谈论进一步的性能优化。我们需要更多信息。

WHERE 条件是可变的吗？
exchange_symbol 和 symbol_id 中有多少个不同的值？
平均。行大小？你得到什么:

SELECT avg(pg_column_size(t)) FROM historical_ohlcv t TABLESAMPLE SYSTEM (0.1);

表格是只读的吗？

假设你总是过滤 exchange_symbol 和 symbol_id 并且值是可变的，你的表是只读的或者 autovacuum 可以跟上写入负载所以我们可以希望对于仅索引扫描，您最好在 (exchange_symbol, symbol_id, time_open, high DESC) 上有一个多列索引 以支持此查询。按此顺序索引列。相关:

• Multicolumn index and performance

根据数据分布和其他细节，LEFT JOIN LATERAL 解决方案可能是另一种选择。相关:

• How to find an average of values for time intervals in postgres
• Optimize GROUP BY query to retrieve latest record per user

除此之外，您的EXPLAIN计划展示了一些非常糟糕的估计:

• https://explain.depesz.com/s/E5yI

您使用的是 当前 版本的 Postgres 吗？您可能必须处理您的服务器配置 - 或者至少为相关列设置更高的统计目标，并为大表设置更积极的 autovacuum 设置。相关:

• Keep PostgreSQL from sometimes choosing a bad query plan
• Aggressive Autovacuum on PostgreSQL