Dotaz: PostgreSQL a optimalizace

[Andrej]

Ahoj, toto mi připadá poněkud zvláštní:

db_pokus=> create table dummy( number int primary key );
CREATE TABLE
db_pokus=> set enable_seqscan = false;
SET
db_pokus=> explain select number from dummy where number = 5;
                               QUERY PLAN
------------------------------------------------------------------------
 Index Scan using dummy_pkey on dummy  (cost=0.00..8.27 rows=1 width=4)
   Index Cond: (number = 5)
(2 rows)

db_pokus=> explain select 5 in ( select number from dummy );                                    QUERY PLAN
--------------------------------------------------------------------------------
 Result  (cost=100000040.00..100000040.01 rows=1 width=0)
   SubPlan
     ->  Seq Scan on dummy  (cost=100000000.00..100000034.00 rows=2400 width=4)
(3 rows)

Fakt nechápu, proč se u druhého dotazu taky nepoužije index. Abych řekl pravdu, myslel jsem, že ten optimalizátor bude o něco chytřejší. Netušíte někdo, jak by tohle řešil například Oracle? Když se zeptám, zda existuje primární klíč dané hodnoty, je přece jasné, že se k tomu dá použít index. Nebo mi něco podstatného uniká?

Odpovědi

[okbob]

aby výstup z explainu byl co k čemu, je potřeba aktualizovat statistiky. Příkaz EXPLAIN.

 

[Andrej]

Na tomto případě statistiky nic nezmění. Pokud zakážu seqscan a optimalizátor ho i přesto použije, znamená to, že nenašel žádnou jinou možnost provedení dotazu. Tady ovšem jiná možnost zjevně existuje...

[okbob]

Optimalizátor má hlavně problém s tím, že konstanta je na levé straně oparátoru IN. To je hodně netypické - osobně jsem nikdy podobný dotaz neviděl v praxi ani nic tomu podobného. V tomto kontextu se operátor IN nepoužívá. Mnohem typičtější zápis je:

SELECT EXISTS(SELECT number FROM dummy WHERE number = 5)

[Andrej]

Ano, tohle používá index a je to bez problémů. Jen mi to připadá divné. Včem je (z pohledu optimalizátoru) tak nepřekonatelný rozdíl mezi IN a EXISTS?

Jasně, to s EXISTS je prostě vyhodnocení poddotazu, který naprosto zjevně používá index. Následuje test, zda se něco našlo. Zato verze s IN tak nějak naznačuje „napřed vem úplně všechno a pak něco porovnej“. Ale v takto triviálním případě by přece měl optimalizáotr vědět, co z vnořeného dotazu vlastně potřebuje.

Důležitým faktem je, že když SELECT uvnitř EXISTS upravím tak, aby zahrnoval úplně všechny položky tabulky, dotaz je pořád stejně rychlý a zjevně se nikde neprochází celá tabulka. Ten případ s IN je nějaký zakletý.

[cronin]

enable_seqscan je len odporucanie pre optimalizator, presne ako je napisane v dokumentacii.

[Andrej]

Ne, to není doporučení a dokumentace nic takového neříká. To je podmíněný zákaz. Použití seqscan je tím zakázáno v takových případech, kdy existuje jakýkoliv jiný možný plán.

Plánovač tedy vyhodnotil situaci (nesprávně) tak, že není jiná možnost než průchod celou tabulkou. Přitom je naprosto zjevné, že jiná možnost tu existuje.

[Filip Jirsák]

Jde o to, jak častý je tenhle způsob zápisu, aby se vůbec vyplatilo optimalizátor dotazů naučit tenhle trik rozeznávat. Ostatně sám jste napsal mnohem průhlednější variantu toho dotazu, takže je rozumné databázi předložit právě ten dotaz, který dokáže zpracovat lépe.

[Andrej]

U automaticky generovaného SQL kódu se takové věci často nedají ovlivnit.

[okbob]

Proto je také automatické generování kódu pitomost na n-tou.

[Andrej]

Možná, ale já o tom bohužel nerozhoduji.

[Filip Jirsák]

Prvním krokem optimalizace automaticky generovaného SQL kódu je vypnutí jeho automatického generování…

[Andrej]

Ano, zejméně v případech, kdy člověk programuje například SQL terminál, že ano.

No dobře, já sice nedělám SQL terminál, ale tou poznámkou jsem chtěl naznačit, že v některých situacích prostě není zbytí. Jinými slovy, dostanu nějaký SQL kód zvenčí a něco s ním mám dělat.

[Filip Jirsák]

Pak asi zbývá jedině napsat si ten optimalizátor SQL dotazů sám. Opravdu si nemyslím, že by SQL databáze měla optimálně zpracovat libovolně zašmodrchaný dotaz.

[Andrej]

No, když tu optimalizaci nezvládli autoři databáze, kteří tu problematiku znají stokrát lépe než já, pak asi není šance, že bych dokázal vytvořit nějaký optimalizátor. (Upřímně řečeno, měl bych vážný problém i s parserem.)

[cronin]

Ale ano, je to odporucanie. Dokumentacia doslovne hovori:

Enables or disables the query planner's use of sequential scan plan types. It's not possible to suppress sequential scans entirely, but turning this variable off discourages the planner from using one if there are other methods available. The default is on.

Takze tato volba odradza planovac od volby planu s full scan-om, ale nezakazuje ho bezpodmienecne. Takze na spravani planovaca nie je nic, co by odporovalo dokumentacii. Navyse, na full scan-e nie je nic zle.

[Andrej]

Tak prosím, tohle je další průšvih:

db_pokus=> explain select * from dummy where number <= all ( select number from dummy );
                                       QUERY PLAN
----------------------------------------------------------------------------------------
 Seq Scan on dummy  (cost=200006967.93..1265785714.93 rows=180224 width=8)
   Filter: (subplan)
   SubPlan
     ->  Materialize  (cost=100006967.93..100011980.41 rows=360448 width=8)
           ->  Seq Scan on dummy  (cost=100000000.00..100005199.48 rows=360448 width=8)
(5 rows)

S indexem by něco takového byla prostě hračka, otázka zlomku vteřiny. Vložil jsem do tabluky dummy cca 360000 záznamů a pak jsem spustil ten dotaz. To bylo před deseti minutami a dotaz stále běží. Tedy se opravdu jedná o závažný problém plánovače.

Tohle je ale zklamání na celé čáře. K čemu je vlastně dobrý DBMS, který není schopen získat minimální prvek z indexu v logaritmickém čase??? Jasně, není tak zle, select min( number ) from dummy; je to, co ve skutečnosti chci. To funguje správně a efektivně.

Ale jak už jsem tu jednou psal: U automaticky generovaného SQL kódu prostě někdy vznikne ta výše uvedená ošklivá věc, která v podstatě pošle celou aplikaci do háje už na relativně malých datech.

Čím to může být?

• Nějaký problém s izolací transakcí? Že by se optimalizátor bál toho vnořeného poddotazu? Zkusil jsem stejný dotaz znovu na všech úrovních, ale nic se nezměnilo. Dotaz byl naplánován vždy nejhůře, jak to vůbec šlo. (Kromě toho si myslím, že plánování dotazu vůbec nesouvisí s úrovněmi izolace.)
• Mám snad vypnuté nějaké pokročilé funkce optimalizátoru? Myslím, že ani tady problém nebude...

Tohle je ale fakt divné. Nemáte náhodou někdo přístup k Oracle? Zajímalo by mě, jak by EXPLAIN dopadl tam.

[Andrej]

Aha, tak teď jsem se pěkně sekl, protože ta agregační funkce vůbec nedělá totéž. Ten správný a efektivně fungující dotaz vypadá takto:

select * from dummy where number = ( select min( number ) from dummy );

A dotaz, který vede k apokalypse, vypadá takto:

select * from dummy where number <= all ( select number from dummy );

To první si optimalizátor přebere správně a funguje to efektivně, přestože je tam poddotaz. To druhé dělá (aspoň dofám) totéž, ale ještě nikdy jsem neměl trpělivost čekat, až to doběhne do konce. Tak se zdá, že PostgreSQL má problém s operacemi typu in, not in, all a any.

[okbob]

Ten první dotaz postgres dokáže optimalizovat - optimalizuje se min nebo max. Ten druhý nikoliv - prostě dělá, to co mu přikazujete - porovnává záznam s každou řádkou. Bohužel pg nepoužívá informaci o tom, že sloupec je nebo není PK. Tudíž bez znalosti faktu, že number nesmí být NULL tyto dotazy nejsou totožné.

[Filip Jirsák]

Aby ty dva dotazy dělaly totéž, musí tam být stejný operátor (pravděpodobně tedy <=).

[Filip Jirsák]

Čím to může být?

Pravděpodobně nemáte zapnutou funkci „převod blbých SQL dotazů na takové, které se normálně používají“.

Nejspíš si pletete optimalizátor prováděcího plánu dotazu s optimalizátorem dotazu. To druhé asi budete muset napsat sám do toho kódu, který tyhle podivné dotazy generuje.