SQLAlchemy in 查詢空列表問題分析

goodspeed發表於2019-02-16
SQL

問題場景

有model Account，SQLAlchemy 查詢語句如下：

query = Account.query.filter(Account.id.in_(account_ids)).order_by(Account.date_created.desc())

這裡 uids 如果為空，執行查詢會有如下警告：

/usr/local/lib/python2.7/site-packages/sqlalchemy/sql/default_comparator.py:35: SAWarning: The IN-predicate on "account.id" was invoked with an empty sequence. This results in a contradiction, which nonetheless can be expensive to evaluate.  Consider alternative strategies for improved performance.
  return o[0](self, self.expr, op, *(other + o[1:]), **kwargs)

這裡的意思是使用一個空的列表會花費較長的時間，需要優化以提高效能。

為什麼會有這個提示呢？一個空列表為什麼會影響效能呢？

首先列印 query 可得到如下 sql 語句：

SELECT *   // 欄位使用 “*” 代替
FROM account
WHERE account.id != account.id ORDER BY account.date_created DESC

會發現生成的語句中過濾條件是 WHERE account.id != account.id，使用 PostgreSQL Explain ANALYZE 命令，

  • EXPLAIN：顯示PostgreSQL計劃程式為提供的語句生成的執行計劃。
  • ANALYZE：收集有關資料庫中表的內容的統計資訊。

分析查詢成本結果如下：

postgres=> EXPLAIN ANALYZE SELECT *
FROM account
WHERE account.id != account.id ORDER BY account.date_created DESC;
                                    QUERY PLAN
----------------------------------------------------------------------------------
 Sort  (cost=797159.14..808338.40 rows=4471702 width=29) (actual time=574.002..574.002 rows=0 loops=1)
   Sort Key: date_created DESC
   Sort Method: quicksort  Memory: 25kB
   ->  Seq Scan on account  (cost=0.00..89223.16 rows=4471702 width=29) (actual time=573.991..573.991 rows=0 loops=1)
         Filter: (id <> id)
         Rows Removed by Filter: 4494173
 Planning time: 0.162 ms
 Execution time: 574.052 ms
(8 rows)

先看Postgresql提供的語句生成的執行計劃，通過結果可以看到，雖然返回值為空，但是查詢成本卻還是特別高，執行計劃部分幾乎所有的時間都耗費在排序上，但是和執行時間相比，查詢計劃的時間可以忽略不計。（結果是先遍歷全表，查出所有資料，然後再使用 Filter: (id <> id) 把所有資料過濾。）

按照這個思路，有兩種查詢方案：

1.如果 account_ids 為空，那麼直接返回空列表不進行任何操作，查詢語句變為：

if account_ids:
    query = Account.query.filter(Account.id.in_(account_ids)).order_by(Account.date_created.desc())

2.如果 account_ids 為空，那麼過濾方式，查詢語句變為：

query = Account.query
if account_ids:
    query = query.filter(Account.id.in_(account_ids))
else:
    query = query.filter(False)
    
query = query.order_by(Account.date_created.desc())

如果 account_ids 為空，此時生成的 SQL 語句結果為：

SELECT *
FROM account
WHERE 0 = 1 ORDER BY account.date_created DESC

分析結果為：

postgres=> EXPLAIN ANALYZE SELECT *
FROM account
WHERE 0 = 1 ORDER BY account.date_created DESC;
                                            QUERY PLAN
---------------------------------------------------------------------------------------------------
 Sort  (cost=77987.74..77987.75 rows=1 width=29) (actual time=0.011..0.011 rows=0 loops=1)
   Sort Key: date_created DESC
   Sort Method: quicksort  Memory: 25kB
   ->  Result  (cost=0.00..77987.73 rows=1 width=29) (actual time=0.001..0.001 rows=0 loops=1)
         One-Time Filter: false
         ->  Seq Scan on account  (cost=0.00..77987.73 rows=1 width=29) (never executed)
 Planning time: 0.197 ms
 Execution time: 0.061 ms
(8 rows)

可以看到，查詢計劃和執行時間都有大幅提高。

一個測試

如果只是去掉方案1排序，檢視一下分析結果

使用 PostgreSQL Explain ANALYZE 命令分析查詢成本結果如下：

postgres=> EXPLAIN ANALYZE SELECT *
FROM account
WHERE account.id != account.id;
                                 QUERY PLAN
----------------------------------------------------------------------------
 Seq Scan on account  (cost=0.00..89223.16 rows=4471702 width=29) (actual time=550.999..550.999 rows=0 loops=1)
   Filter: (id <> id)
   Rows Removed by Filter: 4494173
 Planning time: 0.134 ms
 Execution time: 551.041 ms

可以看到，時間和有排序時差別不大。

如何計算查詢成本

執行一個分析，結果如下：

postgres=> explain select * from account where date_created =`2016-04-07 18:51:30.371495+08`;
                                      QUERY PLAN
--------------------------------------------------------------------------------------
 Seq Scan on account  (cost=0.00..127716.33 rows=1 width=211)
   Filter: (date_created = `2016-04-07 18:51:30.371495+08`::timestamp with time zone)
(2 rows)

EXPLAIN引用的資料是：

  1. 0.00 預計的啟動開銷(在輸出掃描開始之前消耗的時間，比如在一個排序節點裡做排續的時間)。
  2. 127716.33 預計的總開銷。
  3. 1 預計的該規劃節點輸出的行數。
  4. 211 預計的該規劃節點的行平均寬度(單位：位元組)。

這裡開銷(cost)的計算單位是磁碟頁面的存取數量，如1.0將表示一次順序的磁碟頁面讀取。其中上層節點的開銷將包括其所有子節點的開銷。這裡的輸出行數(rows)並不是規劃節點處理/掃描的行數，通常會更少一些。一般而言，頂層的行預計數量會更接近於查詢實際返回的行數。
這裡表示的就是在只有單 CPU 核心的情況下，評估成本是127716.33;

計算成本，Postgresql 首先看錶的位元組數大小

這裡 account 表的大小為：

postgres=> select pg_relation_size(`account`);

pg_relation_size
------------------
        737673216
(1 row)

檢視塊的大小

Postgresql 會為每個要一次讀取的快新增成本點，使用 show block_size檢視塊的大小：

postgres=> show block_size;

block_size
------------
 8192
(1 row)

計算塊的個數

可以看到每個塊的大小為8kb，那麼可以計算從表從讀取的順序塊成本值為：

blocks = pg_relation_size/block_size = 90048

90048 是account 表所佔用塊的數量。

檢視每個塊需要的成本

postgres=> show seq_page_cost;
 seq_page_cost
---------------
 1
(1 row)

這裡的意思是 Postgresql 為每個塊分配一個成本點，也就是說上面的查詢需要從90048個成本點。

處理每條資料 cpu 所需時間

  • cpu_tuple_cost：處理每條記錄的CPU開銷（tuple：關係中的一行記錄）
  • cpu_operator_cost：操作符或函式帶來的CPU開銷。
postgres=> show cpu_operator_cost;
 cpu_operator_cost
-------------------
 0.0025
(1 row)

postgres=> show cpu_tuple_cost;
 cpu_tuple_cost
----------------
 0.01
(1 row)

計算

cost 計算公式為：

cost = 磁碟塊個數 塊成本（1） + 行數 cpu_tuple_cost（系統引數值）+ 行數 * cpu_operator_cost

現在用所有值來計算explain 語句中得到的值：

number_of_records = 3013466  # account 表 count

block_size = 8192  # block size in bytes

pg_relation_size=737673216

blocks = pg_relation_size/block_size = 90048

seq_page_cost = 1
cpu_tuple_cost = 0.01
cpu_operator_cost = 0.0025

cost = blocks * seq_page_cost + number_of_records * cpu_tuple_cost + number_of_records * cpu_operator_cost

如何降低查詢成本？

直接回答，使用索引。

postgres=> explain select * from account where id=20039;
                                       QUERY PLAN
----------------------------------------------------------------------------------------
 Index Scan using account_pkey on account  (cost=0.43..8.45 rows=1 width=211)
   Index Cond: (id = 20039)
(2 rows)

通過這個查詢可以看到，在使用有索引的欄位查詢時，查詢成本顯著降低。

索引掃描的計算比順序掃描的計算要複雜一些。它由兩個階段組成。
PostgreSQL會考慮random_page_cost和cpu_index_tuple_cost 變數，並返回一個基於索引樹的高度的值。

參考連結

相關文章