sql - Postgres : huge table with (delayed) read and write access

Question

我有一个巨大的表(目前大约有 300 万行，预计会增加 1000 倍)每秒有很多插入。该表永远不会更新。

现在我必须对该表运行查询，这非常慢(正如预期的那样)。这些查询不必 100% 准确，如果结果是一天前的(但不是更早的)也没关系。

目前在两个单个整数列上有两个索引，我必须再添加两个索引(整数和时间戳列)以加快查询速度。

到目前为止我的想法:

1. 将两个缺失的索引添加到表中
2. 巨大的表上根本没有索引并将内容(作为日常任务)复制到第二个表(只是重要的行)，然后在第二个表上创建索引并在该表上运行查询？
3. 对巨大的表进行分区
4. 主/从设置(写入主设备并从从设备读取)。

就性能而言，哪个选项最好？你有什么其他的建议？

编辑:

这是表格(我已经标记了外键并稍微美化了查询):

CREATE TABLE client_log
(
   id                 serial          NOT NULL,
   logid              integer         NOT NULL,
   client_id          integer         NOT NULL,  (FOREIGN KEY)
   client_version     varchar(16),
   sessionid          varchar(100)    NOT NULL,
   created            timestamptz     NOT NULL,
   filename           varchar(256),
   funcname           varchar(256),
   linenum            integer,
   comment            text,
   domain             varchar(128),
   code               integer,
   latitude           float8,
   longitude          float8,
   created_on_server  timestamptz     NOT NULL,
   message_id         integer,                   (FOREIGN KEY)
   app_id             integer         NOT NULL,  (FOREIGN KEY)
   result             integer
);

CREATE INDEX client_log_code_idx ON client_log USING btree (code);
CREATE INDEX client_log_created_idx ON client_log USING btree (created);
CREATE INDEX clients_clientlog_app_id ON client_log USING btree (app_id);
CREATE INDEX clients_clientlog_client_id ON client_log USING btree (client_id);
CREATE UNIQUE INDEX clients_clientlog_logid_client_id_key ON client_log USING btree (logid, client_id);
CREATE INDEX clients_clientlog_message_id ON client_log USING btree (message_id);

还有一个示例查询:

SELECT 
    client_log.comment, 
    COUNT(client_log.comment) AS count 
FROM 
    client_log
WHERE 
    client_log.app_id = 33 AND
    client_log.code = 3 AND 
    client_log.client_id IN (SELECT client.id FROM client WHERE 
        client.app_id = 33 AND 
        client."replaced_id" IS NULL)
GROUP BY client_log.comment ORDER BY count DESC;

client_log_code_idx 是上述查询所需的索引。还有其他查询需要 client_log_created_idx 索引。

和查询计划:

Sort  (cost=2844.72..2844.75 rows=11 width=242) (actual time=4684.113..4684.180 rows=70 loops=1)
  Sort Key: (count(client_log.comment))
  Sort Method: quicksort  Memory: 32kB
  ->  HashAggregate  (cost=2844.42..2844.53 rows=11 width=242) (actual time=4683.830..4683.907 rows=70 loops=1)
        ->  Hash Semi Join  (cost=1358.52..2844.32 rows=20 width=242) (actual time=303.515..4681.211 rows=1202 loops=1)
              Hash Cond: (client_log.client_id = client.id)
              ->  Bitmap Heap Scan on client_log  (cost=1108.02..2592.57 rows=387 width=246) (actual time=113.599..4607.568 rows=6962 loops=1)
                    Recheck Cond: ((app_id = 33) AND (code = 3))
                    ->  BitmapAnd  (cost=1108.02..1108.02 rows=387 width=0) (actual time=104.955..104.955 rows=0 loops=1)
                          ->  Bitmap Index Scan on clients_clientlog_app_id  (cost=0.00..469.96 rows=25271 width=0) (actual time=58.315..58.315 rows=40662 loops=1)
                                Index Cond: (app_id = 33)
                          ->  Bitmap Index Scan on client_log_code_idx  (cost=0.00..637.61 rows=34291 width=0) (actual time=45.093..45.093 rows=36310 loops=1)
                                Index Cond: (code = 3)
              ->  Hash  (cost=248.06..248.06 rows=196 width=4) (actual time=61.069..61.069 rows=105 loops=1)
                    Buckets: 1024  Batches: 1  Memory Usage: 4kB
                    ->  Bitmap Heap Scan on client  (cost=10.95..248.06 rows=196 width=4) (actual time=27.843..60.867 rows=105 loops=1)
                          Recheck Cond: (app_id = 33)
                          Filter: (replaced_id IS NULL)
                          Rows Removed by Filter: 271
                          ->  Bitmap Index Scan on clients_client_app_id  (cost=0.00..10.90 rows=349 width=0) (actual time=15.144..15.144 rows=380 loops=1)
                                Index Cond: (app_id = 33)
Total runtime: 4684.843 ms

Answer 1

一般来说，在不断将与时间相关的数据插入数据库的系统中，我建议使用 partitioning根据时间。

这不仅是因为它可以缩短查询时间，还因为否则会使数据管理变得困难。无论您的硬件有多大，它的容量都会受到限制，因此您最终将不得不开始删除早于某个日期的行。您删除行的速率必须等于它们进入的速率。

如果您只有一个大表，并且使用 DELETE 删除旧行，您将留下大量需要清除的死元组。 autovacuum 将持续运行，耗尽宝贵的磁盘 IO。

另一方面，如果您根据时间进行分区，那么删除过期数据就像删除相关子表一样容易。

在索引方面 - 索引不是继承的，因此您可以在加载分区之前节省创建索引的时间。在您的用例中，您的分区大小可能为 1 天。这意味着索引不需要在插入数据时不断更新。根据需要使用额外的索引来执行查询会更加实用。

您的示例查询不会过滤“创建”时间字段，但您说其他查询会过滤。如果您按时间分区，并且小心构建查询的方式，约束排除将会启动，它只会包括与查询相关的特定分区。