postgresql – 优化postgres相似性查询(pg_trgm杜松子酒索引)

发布时间：2020-12-13 16:09:22 所属栏目：百科来源：网络整理

导读：我已经定义了以下索引： CREATE INDEX users_search_idxON auth_userUSING gin( username gin_trgm_ops,first_name gin_trgm_ops,last_name gin_trgm_ops ); 我正在执行以下查询： PREPARE user_search (TEXT,INT) AS SELECT username,email,first_name,last

我已经定义了以下索引：

CREATE INDEX
    users_search_idx
ON
    auth_user
USING
    gin(
        username gin_trgm_ops,first_name gin_trgm_ops,last_name gin_trgm_ops
    );

我正在执行以下查询：

PREPARE user_search (TEXT,INT) AS
    SELECT
        username,email,first_name,last_name,( -- would probably do per-field weightings here
            s_username + s_first_name + s_last_name
        ) rank
    FROM
        auth_user,similarity(username,$1) s_username,similarity(first_name,$1) s_first_name,similarity(last_name,$1) s_last_name
    WHERE
        username % $1 OR
        first_name % $1 OR
        last_name % $1
    ORDER BY
        rank DESC
    LIMIT $2;

auth_user表有620万行.

查询的速度似乎在很大程度上取决于相似性查询可能返回的结果数.

通过set_limit增加相似性阈值会有所帮助,但会通过消除部分匹配来降低结果的有用性.

有些搜索在200ms内返回,其他搜索需要大约10秒.

我们使用Elasticsearch返回<任何查询200ms,同时做更复杂(更好)的排名. 我想知道是否有任何方法可以改善这一点以获得更一致的性能？我的理解是GIN索引(倒排索引)与Elasticsearch使用的基本方法相同,所以我认为可以进行一些优化. EXPLAIN ANALYZE EXECUTE user_search(‘mel’,20)显示：

Limit  (cost=54099.81..54099.86 rows=20 width=52) (actual time=10302.092..10302.104 rows=20 loops=1)
  ->  Sort  (cost=54099.81..54146.66 rows=18739 width=52) (actual time=10302.091..10302.095 rows=20 loops=1)
        Sort Key: (((s_username.s_username + s_first_name.s_first_name) + s_last_name.s_last_name)) DESC
        Sort Method: top-N heapsort  Memory: 26kB
        ->  Nested Loop  (cost=382.74..53601.17 rows=18739 width=52) (actual time=118.164..10293.765 rows=8380 loops=1)
              ->  Nested Loop  (cost=382.74..53132.69 rows=18739 width=56) (actual time=118.150..10262.804 rows=8380 loops=1)
                    ->  Nested Loop  (cost=382.74..52757.91 rows=18739 width=52) (actual time=118.142..10233.990 rows=8380 loops=1)
                          ->  Bitmap Heap Scan on auth_user  (cost=382.74..52383.13 rows=18739 width=48) (actual time=118.128..10186.816 rows=8380loops=1)"
                                Recheck Cond: (((username)::text % 'mel'::text) OR ((first_name)::text % 'mel'::text) OR ((last_name)::text %'mel'::text))"
                                Rows Removed by Index Recheck: 2434523
                                Heap Blocks: exact=49337 lossy=53104
                                ->  BitmapOr  (cost=382.74..382.74 rows=18757 width=0) (actual time=107.436..107.436 rows=0 loops=1)
                                      ->  Bitmap Index Scan on users_search_idx  (cost=0.00..122.89 rows=6252 width=0) (actual time=40.200..40.200rows=88908 loops=1)"
                                            Index Cond: ((username)::text % 'mel'::text)
                                      ->  Bitmap Index Scan on users_search_idx  (cost=0.00..122.89 rows=6252 width=0) (actual time=43.847..43.847rows=102028 loops=1)"
                                            Index Cond: ((first_name)::text % 'mel'::text)
                                      ->  Bitmap Index Scan on users_search_idx  (cost=0.00..122.89 rows=6252 width=0) (actual time=23.387..23.387rows=58740 loops=1)"
                                            Index Cond: ((last_name)::text % 'mel'::text)
                          ->  Function Scan on similarity s_username  (cost=0.00..0.01 rows=1 width=4) (actual time=0.004..0.004 rows=1 loops=8380)
                    ->  Function Scan on similarity s_first_name  (cost=0.00..0.01 rows=1 width=4) (actual time=0.002..0.002 rows=1 loops=8380)
              ->  Function Scan on similarity s_last_name  (cost=0.00..0.01 rows=1 width=4) (actual time=0.002..0.002 rows=1 loops=8380)
Execution time: 10302.559 ms

Server是在Amazon RDS上运行的Postgres 9.6.1

更新

发布问题后不久,我发现了这个信息：https://www.postgresql.org/message-id/464F3C5D.2000700@enterprisedb.com

所以我试过了

-> SHOW work_mem;
4MB
-> SET work_mem='12MB';
-> EXECUTE user_search('mel',20);
(results returned in ~1.5s)

这取得了很大的进步(之前> 10s)！

对于类似的查询,1.5s仍然比ES慢,所以我仍然希望听到任何优化查询的建议.

在回答评论时,在看到这个问题(Postgresql GIN index slower than GIST for pg_trgm)后,我尝试用GIST索引代替GIN索引进行完全相同的设置.

尝试上面的相同搜索,它返回~3.5秒,使用默认的work_mem =’4MB’.增加work_mem没有任何区别.

由此我得出结论,GIST索引的内存效率更高(没有像GIN那样遇到病态情况)但是当GIN正常工作时比GIN慢.这与推荐GIN索引的文档中描述的内容一致.

我仍然不明白为什么花这么多时间：

->  Bitmap Heap Scan on auth_user  (cost=382.74..52383.13 rows=18739 width=48) (actual time=118.128..10186.816 rows=8380loops=1)"
     Recheck Cond: (((username)::text % 'mel'::text) OR ((first_name)::text % 'mel'::text) OR ((last_name)::text %'mel'::text))"
     Rows Removed by Index Recheck: 2434523
     Heap Blocks: exact=49337 lossy=53104

我不明白为什么需要这个步骤或者它正在做什么.

对于每个用户名％$1子句,下面有三个位图索引扫描…这些结果然后与BitmapOr步骤结合使用.这些部分都非常快.

但即使在我们没有用完工作mem的情况下,我们仍然在Bitmap堆扫描中花费将近一秒钟.

解决方法

我期望通过这种方法获得更快的结果：

使用包含连接值的1列创建GiST索引：

CREATE INDEX users_search_idx ON auth_user
USING gist((username || ' ' || first_name || ' ' || last_name) gist_trgm_ops);

这假设所有3列都被定义为NOT NULL(您没有指定).否则你需要做更多.
为什么不简化concat_ws()？

> Combine two columns and add into one new column
> Faster query with pattern-matching on multiple text fields
> Combine two columns and add into one new column

使用正确的nearest-neighbor查询,匹配以上索引：

SELECT username,$1) AS s_username,$1) AS s_first_name,$1) AS s_last_name,row_number() OVER () AS rank  -- greatest similarity first
FROM   auth_user
WHERE     (username || ' ' || first_name || ' ' || last_name) %   $1  -- !!
ORDER  BY (username || ' ' || first_name || ' ' || last_name) <-> $1  -- !!
LIMIT  $2;

WHERE和ORDER BY中的表达式必须与索引表达式匹配！

特别是ORDER BY等级(就像你拥有的那样)对于从更大的合格行池中选择一个小LIMIT总是表现不佳,因为它不能直接使用索引：必须为每个符合条件的行计算排名后面的复杂表达式,然后所有必须在可以返回小的最佳匹配选择之前进行排序.这比真正的最近邻居查询要贵得多,这种查询可以直接从索引中选择最好的结果,甚至不用看其余的.

具有空窗口定义的row_number()仅反映相同SELECT的ORDER BY生成的排序.