簡介
PostgreSQL 的開發源自上世紀80年代，它最初是 Michael Stonebraker 等人在美國國防部支援下建立的POSTGRE專案。上世紀末，Andrew Yu 等人在它上面搭建了第一個SQL Parser，這個版本稱為Postgre95，也是加州大學伯克利分校版本的PostgreSQL的基石[1]。
我們今天看到的 PostgreSQL 的優化器程式碼主要是 Tom Lane 在過去的20年間貢獻的，令人驚訝的是這20年的改動都是持續一以貫之的，Tom Lane 本人也無愧於“開源軟體十大傑出貢獻者”的稱號。
但是從今天的視角，PostgreSQL 優化器不是一個好的實現，它用C語言實現，所以擴充套件性不好；它不是 Volcano 優化模型的[2]，所以靈活性不好；它的很多優化複雜度很高（例如Join重排是System R[3]風格的動態規劃演算法），所以效能不好。
無論如何，PostgreSQL 是優化器的優秀實現和創新源頭（想象 Greenplum 和 ORCA 等一系列專案），它的一些優化手段和程式碼結構在今天仍然是值得借鑑的，包括：
引數化路徑，作用於indexed lookup join
分割槽裁剪和並行優化
強一致的cardinality estimation保證
本文嘗試快速地瀏覽一遍 PostgreSQL 優化器的程式碼，和現代優化器比較優缺點。大部分的 PostgreSQL 優化器程式碼來自於 https://github.com/postgres/p... 。 我們提到現代優化器主要指的是 Apache Calcite 和 ORCA。
術語解釋
Datum
Qual
Path
關鍵資料結構
查詢
__Query__: Parse Tree，優化器的輸入
__RangeTblEntry__: Parse Tree的一個節點，它描述了一個資料集的檢視，這個資料集可能來源於某個子查詢、Join、Values或任何一個簡單關係代數表示式。Join實現需要把它的輸入都表達為 RangeTblEntry （以下簡稱RTE）。
執行計劃
__PlannedStmt__: 執行計劃的頂層節點
__PlannerInfo__: 優化器的上下文資訊。它是一個樹形結構，用parent_root變數指向父節點。一個Query包含一個或多個PlannerInfo，每次Join切分一次樹節點。它包含RelOptInfo的指標。
__RelOptInfo__: 優化器的核心資料結構，包含一個子查詢的Path集合等資訊。這個概念對應於ORCA的Group或Calcite中的Set。
__Path__: 區別於Parser稱Relational Expression為Node，Optimizer稱優化時的關係代數為Path。Path是物理計劃，它包含優化器對於單個關係代數的理解，包括並行度、PathKey和cost。
__PathKey__: 排序屬性。這個概念相當於Volcano中的Physical Property或Calcite中的Trait。因為 PostgreSQL 是單機資料庫，僅用排序屬性就可以表達所有演算法的需求和實現特性。對於分散式資料庫，通常還需要分佈屬性。
主流程
子查詢上拉
因為優化的單元（RelOptInfo）是子查詢，合併子查詢可以簡化優化流程。關聯的過程包括：
__pull_up_sublinks__: 將可轉換的 ANY/EXISTS 子句轉換為 (anti-)semi-join 。一些優化器稱這個過程為de-correlation。
__pull_up_subqueries__: 將可上拉的子查詢上拉到當前查詢，刪除原來的子查詢。如果子查詢是一個 Join ，這個操作相當於打平 binary join 到 multi join。
EquivalenceClass解析
Equivalence Class（EC）是 qual 的術語，它指代的是 expression 的等價性。例如，expression
a = b AND b = c
則稱 {a, b, c} 是一個EC。特別地，在 PostgreSQL 中，expression
a = b AND b = 5
只生成簡化的EC：{a = 5} {b = 5}
EC是很關鍵的資料結構，它的應用場景包括：
在 Join 時，EC用來決定 Join Key，它決定了 Outer Join 簡化和PathKey設定
在 Join 時決定 qual 穿越
決定引數化路徑的引數列表
匹配主-外來鍵約束，以便優化（Join的）cardinality estimation
EC是一個樹形結構，每個節點是一個EC，並連結到它合併的父節點上。考慮a = b AND b = c的例子，最後的EC tree表達為
{a, b, c}
|- {a, b}
|- {b, c}
其中，每個EC內部的expression稱為EquivalenceMember（EM）。
生成 EC 的入口是 generate_base_implied_equalities ，它從 query_planner 調入。也就是說，EC是在規劃Join的前一刻生成的，這個階段解析EC的代價最小，但是也決定了EC只能應用於Join優化。
Join重排
（有關Join重排的背景知識可以參考我之前的文章 SQL優化器原理 - Join重排）
make_rel_from_joinlist是Join重排的入口，當前版本的 PostgreSQL 有三種演算法：
你可以插入一個自定義的Join重排演算法
GEQO： Genetic Optimization （基因演算法，或遺傳演算法[4]），是一種非窮舉的最優化演算法實現
Standard：一個略微剪枝的動態規劃演算法。
預設在12路及以上的複雜Join中會開啟GEQO。可以在postgresql.conf中修改引數
geqo = on
geqo_threshold = 12
控制GEQO設定。
現在讓我們檢查 Standard 演算法。它的主入口在 join_search_one_level ，每次在已生成的區域性計劃的基礎上：
按EC檢查未加入的Join input，加入到生成的區域性計劃，這個操作僅產生 Left-deep-tree
從未加入區域性計劃的Join input裡找到有EC的兩個input，生成額外的區域性計劃，用於生成Bushy-tree
如果當前層找不到任何EC關聯，生成笛卡爾積。
上述描述已經足夠複雜，讓我們總結一下 Standard 演算法：
Standard 演算法仍然是一個窮舉的動態規劃演算法
它對 a-b/b-a 映象去重，同時當EC存在時不考慮笛卡爾積，這些工程上的降級有效降低了搜尋複雜度
路徑生成和動態規劃
如上所述，優化過程集中在對子查詢（RelOptInfo）的重建過程，這可以理解為邏輯優化過程，這通常是跨關係代數操作符的、比較複雜的優化。事實上 PostgreSQL 也同步在做物理優化。
物理優化就是將 Path 加入 RelOptInfo。考慮Join，物理優化的入口在 populate_joinrel_with_paths。對每個JoinRel（Join RelOptInfo），考慮：
sort_inner_and_outer：兩邊排序的MergeJoin路徑
match_unsorted_outer：Null-generating side不排序路徑，包括 MergeJoin 和 NestedLoopJoin 。
hash_inner_and_outer：兩邊雜湊的HashJoin路徑。
有趣的點是HashJoin路徑（hash_inner_and_outer），顧名思義，它要求Join兩邊都計算雜湊值。在生成Path過程中，需要計算兩邊的引數資訊。例如A join B on A.x = B.y，對於A來說，x是引數，對於B是y。如果選定A作為Probe side，一旦B上有y的索引，每次x的probe將以引數的形式傳遞給y的索引。通過呼叫 get_joinrel_parampathinfo 來產生引數資訊。
路徑生成的入口是add_path，每次生成路徑，需要更新RelOptInfo的最佳路徑和最小代價以便後續動態規劃選擇全域性最優。
流程圖
planner
|- subquery_planner 迭代的子查詢優化
|- pull_up_sublinks de-correlation
|- pull_up_subqueries 子查詢上拉
|- preprocess_expression Query/PlannerInfo 結構解析，常量摺疊
|- remove_useless_groupby_columns
|- reduce_outer_joins Outer Join退化
|- grouping_planner
|- plan_set_operations SetOp優化
|- query_planner 子查詢優化主入口
|- generate_base_implied_equalities 生成/合併EC
|- make_one_rel Join優化入口
|- set_base_rel_pathlists 生成Join RelOptInfo列表
|- make_rel_from_joinlist Join重排和規劃
|- standard_join_search 標準Join重排演算法
|- join_search_one_level
|- make_join_rel 生成JoinRel和對應的Path
|- create_XXX_paths Grouping、window等其他expression優化討論
擴充套件性和靈活性
首先，PostgreSQL 的優化器程式碼可以說非常複雜，這已經極大限制了它的擴充套件性和靈活性。如果看一眼這部分程式碼的更新日誌，會發現裡面的作者已經只有少數幾個人。
一部分擴充套件性限制是由程式語言帶來的，因為C語言本身不容易擴充套件，這意味著大部分時候想要新增一個新的Node或Path變得很不容易，你需要定義一系列的資料結構、Cardinality Estimation邏輯、並行邏輯和Path解釋邏輯。並沒有類似interface這樣的抽象指導你該怎麼做。雖然，PostgreSQL 的程式碼已經寫得非常工整，而且也有很多的文章告訴你該怎麼做（比如 Introduction to Hacking PostgreSQL 和 The Internals of PostgreSQL）。
另一部分擴充套件性限制是優化器本身的結構帶來的。現代的優化器基本都是Volcano Model[2]的（例如SQL Server和Oracle，就像他們聲稱的那樣），而 PostgreSQL 沒有實現為 Volcano Model 這種 Generic purpose，pluggable 的形式。影響包括：
無法做邏輯和物理優化的互操作。例如前文說到的，一個Join產生的EC必須和它緊跟的 RTE 結合才能產生 IndexedLookupJoin，而不像其他優化器可以把這個 EC （它在某種意義上已經是物理計劃）下推到合適的邏輯計劃上，指導它做物理計劃轉換。
不容易定製優化規則。
開發者關注的切片太大，開發一個優化規則除了關注優化本身，不得不學習其他優化規則的資料結構、動態規劃更新、RelOptInfo新建和清理，甚至記憶體分配本身。
PostgreSQL 仍然提供了部分手寫的 Plugin Point，包括：
可定製的Join重排演算法
可定製的PathKey生成演算法
定製的Join Path生成演算法
等等。
效能
雖然沒有實驗，但是 PostgreSQL 在優化上的效能可以想像是比較好的，這很大程度是用靈活性交換來的。
首先，不像 Volcano Optimizer ，PostgreSQL 優化器不需要不斷生成中間節點，它的 RelOptInfo 的數量是相對穩定的（約等於Join的數量）。它的最優計劃搜尋以 RelOptInfo 為單位，如果 Join 重排不產生大量 RelOptInfo ，搜尋寬度很低。
其次，RelOptInfo 簡化了大量跨 Relational Expression 優化的細節，比起 Calcite 這種按 Relational Expression 來組織等價路徑集合的方案， 它的搜尋寬度進一步降低了。從等價集合的數量看， PostgreSQL 的搜尋寬度大概比 Calcite 要低一個數量級，當然，如上所述，這是用更多優化可能性作為交換的。
最後，PostgreSQL 在優化階段糅合了很多業務邏輯，在提高程式碼閱讀的難度同時，也相應加快的優化效率。在優化過程中，PostgreSQL會不間斷地做常量摺疊、PathKey去重、Union打平、子查詢打平……這些操作不會應用在memo裡。
對比 Calcite/Orca ，PostgreSQL 的優化更快，更適合事務性場景。不過我無法判斷 Calcite/Orca 在做了適當的剪枝和優化規則糅合後，是否也能支援事務場景。
本文作者：少傑
本文為雲棲社群原創內容，未經允許不得轉載。