PostgreSQL 字符集下区域设置对性能的影响改进办法

阿弟（陈爱生）测试发现，UTF-8下 locale 选用 C 和 zh_CN 性能差距非常大：
http://bbs.pgsqldb.com/client/post_show.php?zt_auto_bh=57394

以前修改过这个字符类型比较的部分，当时遇到的问题是，依赖于操作系统实现不同，字母排序可能会出现：
A a B b C c ... 而不是 A B C ... a b c ...
解决方法实现进行 ascii 字符比较，无法得出结果再进行编码转化比较。

此方法也同样可以解决性能问题，虽然有些特殊情形可能反而带来额外开销，相对而言，个人认为总体结果还是提升的。

字符串比较函数varstr_cmp 定义在 src/backend/utils/adt/varlena.c 中，我们挑几部分来看：
if (lc_collate_is_c(collid))
{
result = memcmp(arg1,arg2,Min(len1,len2));
if ((result == 0) && (len1 != len2))
result = (len1 < len2) ? -1 : 1;
}
collate == C 时，直接作内存比较。

下边的代码可以看到，在Windows下需要首先转换成 UTF-16，随后不管哪个系统都会调用系统函数 strcoll_l 或者 strcoll。

对于简体汉字，根据编码规则，所有汉字（包括全角字符）的 UTF-8 编码下每个字节都是大于127，也就是首位为1。对于一个以 ascii字符开始的字符串，我们很容易就能判断出他们之间的大小关系，根本不必去进行转换，除非缀前缀完全一样。在转换编码之前，如果编码是 PG_UTF8，我们逐个字符对比，如果ascii 码根据其大小就知道返回结果，不需要再继续；如果不是，那就不得不调用 strcoll 比较；所有 ascii码，认为他们都小于汉字。具体逻辑不写在这里了，大致思路如此。

这样的改动，我想一个应用系统，相当一部分的字符比较，可以不通过编码转换来完成，性能自然也就提高不少。

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!