HTAP數據庫 PostgreSQL 場景與性能測試之 13 - (OLTP) 字符串搜索 - 相似查詢

標簽

PostgreSQL , HTAP , OLTP , OLAP , 場景與性能測試

背景

PostgreSQL是一個曆史悠久的數據庫，曆史可以追溯到1973年，最早由2014計算機圖靈獎得主，關係數據庫的鼻祖Michael_Stonebraker 操刀設計，PostgreSQL具備與Oracle類似的功能、性能、架構以及穩定性。

PostgreSQL社區的貢獻者眾多，來自全球各個行業，曆經數年，PostgreSQL 每年發布一個大版本，以持久的生命力和穩定性著稱。

2017年10月，PostgreSQL 推出10 版本，攜帶諸多驚天特性，目標是勝任OLAP和OLTP的HTAP混合場景的需求：

《最受開發者歡迎的HTAP數據庫PostgreSQL 10特性》

1、多核並行增強

2、fdw 聚合下推

3、邏輯訂閱

4、分區

5、金融級多副本

6、json、jsonb全文檢索

7、還有插件化形式存在的特性，如向量計算、JIT、SQL圖計算、SQL流計算、分布式並行計算、時序處理、基因測序、化學分析、圖像分析等。

在各種應用場景中都可以看到PostgreSQL的應用：

PostgreSQL近年來的發展非常迅勐，從知名數據庫評測網站dbranking的數據庫評分趨勢，可以看到PostgreSQL向上發展的趨勢：

從每年PostgreSQL中國召開的社區會議，也能看到同樣的趨勢，參與的公司越來越多，分享的公司越來越多，分享的主題越來越豐富，橫跨了傳統企業、互聯網、醫療、金融、國企、物流、電商、社交、車聯網、共享XX、雲、遊戲、公共交通、航空、鐵路、軍工、培訓、谘詢服務等行業。

接下來的一係列文章，將給大家介紹PostgreSQL的各種應用場景以及對應的性能指標。

環境

環境部署方法參考：

《PostgreSQL 10 + PostGIS + Sharding(pg_pathman) + MySQL(fdw外部表) on ECS 部署指南(適合新用戶)》

阿裏雲 ECS：56核，224G，1.5TB*2 SSD雲盤。

操作係統：CentOS 7.4 x64

數據庫版本：PostgreSQL 10

PS：ECS的CPU和IO性能相比物理機會打一定的折扣，可以按下降1倍性能來估算。跑物理主機可以按這裏測試的性能乘以2來估算。

場景 - 字符串搜索 - 相似查詢 (OLTP)

1、背景

字符串搜索是非常常見的業務需求，它包括：

1、前綴+模煳查詢。（可以使用b-tree索引）

2、後綴+模煳查詢。（可以使用b-tree索引）

3、前後模煳查詢。（可以使用pg_trgm和gin索引）

https://www.postgresql.org/docs/10/static/pgtrgm.html

4、全文檢索。（可以使用全文檢索類型以及gin或rum索引）

5、正則查詢。（可以使用pg_trgm和gin索引）

6、相似查詢。（可以使用pg_trgm和gin索引）

通常來說，數據庫並不具備3以後的加速能力，但是PostgreSQL的功能非常強大，它可以非常完美的支持這類查詢的加速。（是指查詢和寫入不衝突的，並且索引BUILD是實時的。）

用戶完全不需要將數據同步到搜索引擎，再來查詢，而且搜索引擎也隻能做到全文檢索，並不你做到正則、相似、前後模煳這幾個需求。

使用PostgreSQL可以大幅度的簡化用戶的架構，開發成本，同時保證數據查詢的絕對實時性。

2、設計

1億條文本，每一條長度為128個中文字符的隨機串。按隨機提供的字符串進行相似查詢。

相似查詢解決的是模煳查詢、全文檢索都不能解決的問題，例如業務要求 PostgreSQL，可以與p0stgresl 匹配。因為它們有足夠的相似度。

https://www.postgresql.org/docs/10/static/pgtrgm.html

《PostgreSQL 文本數據分析實踐之 - 相似度分析》

《17種文本相似算法與GIN索引 - pg_similarity》

《從相似度算法談起 - Effective similarity search in PostgreSQL》

《聊一聊雙十一背後的技術 - 毫秒分詞算啥, 試試正則和相似度》

類似的應用還有圖像相似搜索：

《(AR虛擬現實)紅包技術思考 - GIS與圖像識別的完美結合》

《PostgreSQL 在視頻、圖片去重，圖像搜索業務中的應用》

《弱水三千,隻取一瓢,當圖像搜索遇見PostgreSQL(Haar wavelet)》

3、準備測試表

create extension pg_trgm;  
  
create table t_likeall (  
  id int,  
  info text  
);  
  
create index idx_t_likeall_1 on t_likeall using gin (info gin_trgm_ops);  
  
-- 設置相似度閾值(0-1，浮點)  
-- select set_limit(0.7);  
  
-- 查詢超過相似閾值的記錄  
-- SELECT info, similarity(info, '字符串') AS sml  
-- FROM t_likeall  
-- WHERE info % '字符串'  -- 查找超過相似閾值的記錄  
-- ORDER BY sml DESC;

4、準備測試函數(可選)

-- 生成隨機漢字符串  
create or replace function gen_hanzi(int) returns text as $$  
declare  
  res text;  
begin  
  if $1 >=1 then  
    select string_agg(chr(19968+(random()*20901)::int), '') into res from generate_series(1,$1);  
    return res;  
  end if;  
  return null;  
end;  
$$ language plpgsql strict;

-- 使用隨機字符串like查詢（用於壓測）  
create or replace function get_t_likeall_test(int, real) returns setof record as  
$$  
declare  
  str text;  
begin  
  -- 選擇一個輸入字符串  
  select info into str from t_likeall_test where id=$1;  
  
  -- 設置相似度閾值  
  perform set_limit($2);  
  
  -- 查找超過相似閾值的記錄  
  return query execute 'select *, '''||str||''' as str, similarity(info, '''||str||''') as sml from t_likeall where info % '''||str||''' order by sml DESC limit 1';  
end;  
$$ language plpgsql strict;

5、準備測試數據

insert into t_likeall select id, gen_hanzi(128) from generate_series(1,100000000) t(id);

生成200萬隨機字符串，並加入一些噪音幹擾，達到相似查詢的目的。

create table t_likeall_test (id serial primary key, info text);  
  
-- 截取任意位置開始的120個中文字符, 追加6個幹擾字符，200萬條  
insert into t_likeall_test (info) select substring(info, (random()*10)::int, 120)||gen_hanzi(6) from t_likeall limit 2000000;

6、準備測試腳本

vi test.sql  
  
\set id random(1,2000000)  
select * from get_t_likeall_test(:id, 0.855) as t(id int , info text, str text, sml real);

7、測試

單次相似查詢效率，響應時間低於20毫秒。(使用綁定變量、並且CACHE命中後，響應時間更低。)

postgres=# select * from get_t_likeall_test(2, 0.855) as t(id int , info text, str text, sml real);  
-[ RECORD 1 ]----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------  
id   | 2  
info | 廮饓紡冮竊窔靉許訓寫黅噴貝嶸訐殿談暃涜魢劽刱酒戉磝遊瓈惝譸饋撋鰵錶鎭仠湛熘頪壨変呰堇慾鎍枿鶎徧勡摬罃亝椩荴釯紳岬芔剕澉滙鷞蘕氌酯稜泭急骸敲欍吜毢甕枚忊軔斃煱鎴篯儏鑑霘蚃蚜璥錳榋磻攔詥眳鴩囌棽瞠疹笣犳貪頰磏奧潿鉩欱峎塇躣僝蘵醲霯綨碐縦動減馱綢蔯蔥唱芳贄瀮媮捐  
str  | 竊窔靉許訓寫黅噴貝嶸訐殿談暃涜魢劽刱酒戉磝遊瓈惝譸饋撋鰵錶鎭仠湛熘頪壨変呰堇慾鎍枿鶎徧勡摬罃亝椩荴釯紳岬芔剕澉滙鷞蘕氌酯稜泭急骸敲欍吜毢甕枚忊軔斃煱鎴篯儏鑑霘蚃蚜璥錳榋磻攔詥眳鴩囌棽瞠疹笣犳貪頰磏奧潿鉩欱峎塇躣僝蘵醲霯綨碐縦動減馱綢蔯蔥唱芳迦攄羹帉胕諞  
sml  | 0.855072  
  
Time: 19.455 ms

壓測

CONNECTS=56  
TIMES=300  
export PGHOST=$PGDATA  
export PGPORT=1999  
export PGUSER=postgres  
export PGPASSWORD=postgres  
export PGDATABASE=postgres  
  
pgbench -M prepared -n -r -f ./test.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES

8、測試結果

transaction type: ./test.sql  
scaling factor: 1  
query mode: prepared  
number of clients: 56  
number of threads: 56  
duration: 300 s  
number of transactions actually processed: 459463  
latency average = 36.562 ms  
latency stddev = 8.063 ms  
tps = 1531.259508 (including connections establishing)  
tps = 1531.422742 (excluding connections establishing)  
script statistics:  
 - statement latencies in milliseconds:  
         0.002  \set id random(1,2000000)    
        36.565  select * from get_t_likeall_test(:id, 0.855) as t(id int , info text, str text, sml real);