PostgreSQL
 sql >> Base de Dados >  >> RDS >> PostgreSQL

PostgreSQL 12:implementando índices de árvore de pesquisa generalizada particionados do espaço K-Nearest Neighbor

O valor da indexação


O PostgreSQL fornece um operador de distância linear simples <-> (distância linear). Usaremos isso para encontrar pontos mais próximos de um determinado local.

O PostgreSQL fornece um operador de distância linear simples para os dados, e não realizando otimizações e sem índices, vemos o seguinte plano de execução:
time psql -qtAc "

EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;

"  <-- closing quote

                                      QUERY PLAN
-----------------------------------------------------------------------------------------------------------
Limit  (cost=418749.15..418749.73 rows=5 width=38) 
        (actual time=2553.970..2555.673 rows=5 loops=1)
  Buffers: shared hit=100 read=272836
  ->  Gather Merge  (cost=418749.15..1580358.21 rows=9955954 width=38) 
                    (actual time=2553.969..2555.669 rows=5 loops=1)
        Workers Planned: 2
        Workers Launched: 2
        Buffers: shared hit=100 read=272836
        ->  Sort  (cost=417749.12..430194.06 rows=4977977 width=38)
                 (actual time=2548.220..2548.221 rows=4 loops=3)
              Sort Key: ((location <-> '(29.9691,-95.6972)'::point))
              Sort Method: top-N heapsort  Memory: 25kB
              Worker 0:  Sort Method: top-N heapsort  Memory: 26kB
              Worker 1:  Sort Method: top-N heapsort  Memory: 25kB
              Buffers: shared hit=100 read=272836
              ->  Parallel Seq Scan on geonames  (cost=0.00..335066.71 rows=4977977 width=38) 
                                        (actual time=0.040..1637.884 rows=3982382 loops=3)
                    Buffers: shared hit=6 read=272836
Planning Time: 0.493 ms
Execution Time: 2555.737 ms

real    0m2.595s
user    0m0.011s
sys    0m0.015s

e aqui estão os resultados:(os mesmos resultados para todas as solicitações, então vamos omiti-los mais tarde.)
nome local
Cypress (29.96911,-95.69717)
Igreja Batista de Cypress Pointe (29.9732,-95.6873)
Cypress Post Office (29.9743,-95.67953)
Poços Quentes (29.95689,-95.68189)
Aeroporto de Dry Creek (29.98571,-95.68597)

Portanto, 418.749,73 é o custo do OPTIMIZER a ser superado e levou dois segundos e meio (2.555,673) para executar essa consulta. Este é realmente um resultado muito bom, usando o PostgreSQL sem nenhuma otimização em relação a uma tabela de 11 milhões de linhas. É também por isso que selecionamos um conjunto de dados maior, pois haveria uma diferença mínima usando índices em menos de 10 milhões de linhas. As varreduras sequenciais paralelas são fantásticas, mas isso é outro artigo.

Adicionando índice GiST


Começamos o processo de otimização adicionando um índice GiST. Como nossa consulta de exemplo tem um 
LIMIT

cláusula de 5 itens, temos uma seletividade muito alta. Isso encorajará o planejador a usar um índice, então forneceremos um que funcione bastante bem com dados de geometria. 
time psql -qtAc "CREATE INDEX idx_gist_geonames_location ON geonames USING gist(location);"

O ato de criar o índice tem um pouco de despesa. 
CREATE INDEX
real    3m1.988s
user    0m0.011s
sys     0m0.014s

E, em seguida, execute a mesma consulta novamente. 
time psql -qtAc "

EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;

"

                                      QUERY PLAN
----------------------------------------------------------------------------------
Limit  (cost=0.42..1.16 rows=5 width=38) (actual time=0.797..0.881 rows=5 loops=1)
  Buffers: shared hit=5 read=15
  ->  Index Scan using idx_gist_geonames_location on geonames  
            (cost=0.42..1773715.32 rows=11947145 width=38) 
            (actual time=0.796..0.879 rows=5 loops=1)
        Order By: (location <-> '(29.9691,-95.6972)'::point)
        Buffers: shared hit=5 read=15
Planning Time: 0.768 ms
Execution Time: 0.939 ms

real    0m0.033s
user    0m0.011s
sys     0m0.013s

Neste caso, vemos uma melhoria bastante dramática. O custo estimado da consulta é de apenas 1,16! Compare isso com o custo original da consulta não otimizada em 418749,73. O tempo real gasto foi de 0,939 milissegundos (nove décimos de milissegundo), que se compara aos 2,5 segundos da consulta original. Esse resultado levou menos tempo para planejar, obteve uma estimativa dramaticamente melhor e levou cerca de 3 ordens de magnitude a menos de tempo de execução.

Vamos ver se podemos fazer melhor.

Adicionando um índice SP-GiST

time psql -qtAc "CREATE INDEX idx_spgist_geonames_location ON geonames USING spgist(location);"

CREATE INDEX 

real    1m25.205s
user    0m0.010s
sys        0m0.015s

E então executamos a mesma consulta novamente. 
time psql -qtAc "

EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;

"

                                      QUERY PLAN
-----------------------------------------------------------------------------------
 Limit  (cost=0.42..1.09 rows=5 width=38) (actual time=0.066..0.323 rows=5 loops=1)
   Buffers: shared hit=47
   ->  Index Scan using idx_spgist_geonames_location on geonames  
            (cost=0.42..1598071.32 rows=11947145 width=38) 
            (actual time=0.065..0.320 rows=5 loops=1)
         Order By: (location <-> '(29.9691,-95.6972)'::point)
         Buffers: shared hit=47
 Planning Time: 0.122 ms
 Execution Time: 0.358 ms
(7 rows)

real    0m0.040s
user    0m0.011s
sys        0m0.015s

Uau! Agora usando um índice SP-GiST, a consulta custou apenas 1,09 e foi executada em 0,358 milissegundos (um terço de milissegundo).

Vamos examinar algumas coisas sobre os próprios índices e ver como eles se comparam no disco.

Comparações de índice

indexname tempo de criação estimativa tempo de consulta tamanho do índice planejar tempo
não indexado 0S 418749.73 2555.673 0 .493
idx_gist_geonames_location 3M 1S 1,16 .939 ms 868 MB .786
idx_spgist_geonames_location 1M 25S 1,09 .358 ms 523 MB .122

Conclusões


Assim, vemos que o SP-GiST tem o dobro da velocidade do GiST em execução, 8x mais rápido para planejar e cerca de 60% do tamanho em disco. E (relevante para este artigo) também suporta busca de índice KNN a partir do PostgreSQL 12. Para este tipo de operação, temos um claro vencedor.

Apêndices

Configurando os dados


Para este artigo, usaremos os dados fornecidos pelo GeoNames Gazetteer.
Esta obra está licenciada sob uma Licença Creative Commons Atribuição 4.0
Os dados são fornecidos "como estão" sem garantia ou qualquer representação de precisão, pontualidade ou integridade.

Criar a estrutura


Iniciamos o processo criando um diretório de trabalho e um pouco de ETL. 
# change to our home directory
cd
mkdir spgist
cd spgist
# get the base data.  
# This file is 350MB.  It will unpack to 1.5GB
# It will expand to 2GB in PostgreSQL,
#    and then you will still need some room for indexes
#  All together, you will need about 
#  3GB of space for this exercise
#  for about 12M rows of data.

psql -qtAc "

CREATE TABLE IF NOT EXISTS geonames (
geonameid           integer primary key
,name               text 
,asciiname          text 
,alternatenames     text 
,latitude           numeric(13,5) 
,longitude          numeric(13,5)
,feature_class      text 
,feature_code       text 
,country            text 
,cc2                text 
,admin1             text 
,admin2             bigint 
,admin3             bigint 
,admin4             bigint 
,population         bigint 
,elevation          bigint 
,dem                bigint 
,timezone           text 
,modification date  );

COMMENT ON COLUMN geonames.geonameid          
 IS ' integer id of record in geonames database';
COMMENT ON COLUMN geonames.name               
 IS ' name of geographical point (utf8) varchar(200)';
COMMENT ON COLUMN geonames.asciiname          
 IS ' name of geographical point in plain ascii characters, varchar(200)';
COMMENT ON COLUMN geonames.alternatenames     
 IS ' alternatenames, comma separated, ascii names automatically transliterated, 
    convenience attribute from alternatename table, varchar(10000)';
COMMENT ON COLUMN geonames.latitude           
 IS ' latitude in decimal degrees (wgs84)';
COMMENT ON COLUMN geonames.longitude          
 IS ' longitude in decimal degrees (wgs84)';
COMMENT ON COLUMN geonames.feature_class      
 IS ' http://www.geonames.org/export/codes.html, char(1)';
COMMENT ON COLUMN geonames.feature_code       
 IS ' http://www.geonames.org/export/codes.html, varchar(10)';
COMMENT ON COLUMN geonames.country            
 IS ' ISO-3166 2-letter country code, 2 characters';
COMMENT ON COLUMN geonames.cc2                
 IS ' alternate country codes, comma separated, ISO-3166 2-letter country code, 
    200 characters';
COMMENT ON COLUMN geonames.admin1             
 IS ' fipscode (subject to change to iso code), see exceptions below, 
    see file admin1Codes.txt for display names of this code; varchar(20)';
COMMENT ON COLUMN geonames.admin2             
 IS ' code for the second administrative division, a county in the US, 
    see file admin2Codes.txt; varchar(80) ';
COMMENT ON COLUMN geonames.admin3             
 IS ' code for third level administrative division, varchar(20)';
COMMENT ON COLUMN geonames.admin4             
 IS ' code for fourth level administrative division, varchar(20)';
COMMENT ON COLUMN geonames.population         
 IS ' bigint (8 byte int) ';
COMMENT ON COLUMN geonames.elevation          
 IS ' in meters, integer';
COMMENT ON COLUMN geonames.dem                
 IS ' digital elevation model, srtm3 or gtopo30, average elevation of 3''x3'' 
    (ca 90mx90m) or 30''x30'' (ca 900mx900m) area in meters, integer. 
    srtm processed by cgiar/ciat.';
COMMENT ON COLUMN geonames.timezone           
 IS ' the iana timezone id (see file timeZone.txt) varchar(40)';
COMMENT ON COLUMN geonames.modification       
 IS ' date of last modification in yyyy-MM-dd format';

"  #<-- Don't forget the closing quote

ETL

wget http://download.geonames.org/export/dump/allCountries.zip
unzip allCountries.zip

# do this, and go get a coffee.  This took nearly an hour
#   there will be a few lines that fail, they don't really matter much
IFS=$'\n'

for line in $(<allCountries.txt)
do

    echo -n "$line" | 
        psql -qtAc

    "COPY geonames FROM STDIN WITH CSV DELIMITER E'\t';"

2> errors.txt
done

Limpar e configurar


Todo o resto que fazemos de dentro do psql:
psql

-- This command requires the installation
--  of postgis2 from your OS package manager.
-- For OS/X that was `port install postgresql12-postgis2`
-- it will be something similar on most platforms.
-- (e.g. apt-get install postgresql12-postgis2, 
--  yum -y install postgresql12-postgis2, etc.)
CREATE EXTENSION postgis;
CREATE EXTENSION postgis_topology;

ALTER TABLE geonames ADD COLUMN location point;

-- Go get another cup of coffee, this is going to rewrite the entire table with the new geo column.
UPDATE geonames SET location = ('(' || latitude || ', ' || longitude || ')')::point;

DELETE FROM geonames WHERE latitude IS NULL or longitude IS NULL;
-- DELETE 32   -- In my case, this ETL anomoly was too small
--  to bother fixing the records

-- Bloat removal from the update and delete operations
CLUSTER geonames USING geonames_pkey;