【IT168 专稿】本文根据【2016 第七届中国数据库技术大会】（微信搜索DTCC2014,关注中国数据库技术大会公众号）现场演讲嘉宾窦贤明老师分享内容整理而成。录音整理及文字编辑IT168@胡晴。

　　讲师简介

▲窦贤明(执白)

　　窦贤明老师是阿里云资深研发工程师，有六年程序开发经验，关注分布式数据库、关系型数据库、云计算、分布式存储等技术，PostgreSQL信徒。现就职于阿里云数据库技术组内核服务组，负责ApsaraDB(RDS) For PostgreSQL/Greenplum的内核、自动化运维等研发工作，旨在实现用户在云数据库上的良好体验。

　　正文

　　大家好，我是窦贤明，在阿里云做工程师。今天给大家简单介绍在PostgreSQL上做索引优化的简单思路，不做过多的深入，就是大概的介绍，让大家了解一下。

　　在接触客户过程中，我们遇到非常多的性能问题，是他们在公开执行方面的问题。解决过程中发现一些通用的东西。

　　性能问题遇到最多的情况在哪里?比如一个查询时间长，可能几秒或者更长时间结束。客户用的处理技术参差不齐，互联网客户比较多，数据也有些参差不齐，所以会遇到各种各样的性能问题。然后他们会经常问，我的CPU怎么占满了?我的IO为什么这么高?内存值也这么高?

　　性能问题：

　　其实有一个解决思路，给大家简单介绍我们主要面临的问题。

　　查询时间长

　　资源占用：这里提的是两个比较典型的CPU高和IO高。

　　1、CPU高：数据在内存里

　　2、IO高：数据在磁盘里

　　这是两个非常典型的性能出现瓶颈的地方。

　　其实都是索引的问题。当出现所有问题的时候，往往面临全盘扫描。而当数据出现在内存中时就耗CPU，在磁盘里的时候就耗IO。怎么解决这个问题?就是建立一个合适的索引。

　　选择一个索引通常有两步，第一步选择对哪些列进行索引;第二步是创造什么类型的索引。

　　列的选择：

　　第一步就是怎样选择这一列，当我们选择列的时候，往往看SQL语句。

　　1、where子句：所以首先会看到后面的where子句，where子句用于过滤所查询的结果，代表我们要查询多少行、查询多少数据，这个就是我们的核心。

　　2、order by子句

　　3、group by子句

　　4、函数参数

　　还有order by、group by、函数参数，这就是函数索引。

　　索引的选择：

　　第二步是索引的选择，但一般不可能对所有列建立索引。大家都知道索引是有代价的，比如插入速度的减缓、空间占有都会有代价。选择一个比较关键的字段就可以了。

　　1、基数：判断的标准就是索引字段值的基数

　　2、相关性：索引和磁盘相关性的问题

　　3、代价(选择性、直方图、MCV\MCF)：最终评判标准就是看哪个代价更低

　　通过这个基本原理，我们可以找到针对哪些列做索引，再选择做什么样的索引。

　　PostgreSQL提供了很多信息来辅助我们UA、应用者，和开发者。我们关注几个系统表里跟索引相关的：

　　1、stat_user_tables：记录索引表的所有相关信息，包括进行多少次全表扫描、更新情况。

　　2、stat_all_indexes：记录索引的扫描情况，也可以用于判断建立这个索引对于索引数据的有效性。

　　3、pg_stats / pg_statistics：这个是后面主要用到的地方，会记录非常多的统计信息。

　　这是它的表结构，涉及到null_frac、avg_width、n_distinct几个比较重要的字段。后面我们会用，大家要记住。

　　第一个叫n_distinct，很多情况下是一个比值，基本上来算基数。当基数个数并不多的时候，它会是一个正整数，表示有多少个基数。比如最典型的性别，有两个，没有三个，所以它的基数就是2;当基数数值都不一样的时候就是-1;当它是一个比值的时候，基数是一定范围，大概是30%—50%。

　　第二个是比较重要的是most_common_vals，就是哪些字段出现的频率最高。most_common_vals也是一个数字类型叫数组，下面的most_common_freqs是它占用的比例，这个比例表示一个字段在所有基数中占有的比例是多少。

　　还有一个histogram_bounds，就是直方图。

　　方法：

　　第一步应该把SQL拆解，拆开之后看写法。

　　倒数第二条的filter条件，是指过滤条件。

　　上面的Seq Scan on vtbl是指这个地方没有索引，所以只能全盘扫描。

　　后面还有一个cost，是很关键的一个数字。它会帮助我们决定这个索引有没有作用、有没有帮助、帮助有多大。所有产业计划的核心就是cost，这个代价是不是够低?代价比较少，扫描就比较少，占用时间就比较少。

　　要注意一点，pg的数据都是采样，它的数据只能说达到一定比例，不是百分之百精确。所以cost值也是估算的，不是绝对精确的值。

　　案例一：

　　这是一个非常典型的例子，也是非常复杂的一张表，因为涉及到ID、key。

　　key相当于一个值，不过没有什么意义。

　　shape是我自己构造的一个多维向量，是一个非常复杂的数据类型，可以任意组合任何数据，如IP数据、点数据和几何数据。它一个三维的数据，可以用来表现它的三维位置。

　　Location是一个geography的数据，location_geometry是一个几何数据，comment是test，是随机的状态。

　　这边看完以后我们看一下上面的语句，这条语句其实非常典型，就是一个简单的查询。然后有两个条件，一个是key，一个是shape。

　　刚才例子中的where语句分成两个字段，key和shape。我们第一反应看这个数据是不是应该在key和shape上做过滤，在这个上面去索引。

　　但是那怎么建呢?是这两个都建吗?很多时候是没有必要的，往往针对某一个做到比较高的过滤性的时候，这个索引就已经足够了，建两个的时候空间是有一点浪费。

　　correlation就是一个典型的磁盘和他的数据的相关性。

　　如果是完全顺序的话比较好，就是一个索引。如果不是顺序，放在磁盘中间比较有效。例如不是1或者-1的时候，它的随机IO比较高，但如果它是零点几的时候，就不是完全顺序的。但这个时候最好的地方是相关性，因为都涉及到IO，这样会IO效果会更好一点。

　　n_distinct是一个基数，等于-1是说这个key每一条基数都是唯一的，大家如果有经验就会知道这个非常适合检索。correlation并不是很高，索引对我们来说是有一定帮助的。mcv、mcf没有值，因为所有频率都是一样的。

　　而shape不一样，大约是几十万条构成的，是一个三维的值。

　　n_distinct其实并不是2000个，大约是有几十万个n_distinct的基数，因为它也是估计值，是根据采样出来的结果。但是n_distinct大约是几十万条，所以这个大家要注意一点。一般来讲为正数的时候是有限度的，可以这样理解。

　　correlation非常低，它的行和行的随机排列比较多，这个时候的索引属于有帮助的。

　　mcv的取值跟它的采样数据有关，重新进行采样或计算时，每次采样都不一样，mcv肯定每次都会变。correlation可能会有点变化，n_distinct变化不会太大，但是mcv会变化。

　　其中一个值70,103,206，它是第一条数据，大家可以看到频率并不算高，相对来讲频率比较低，是它上面的值对应的一个频率。这个很简单，是来计算代价的。大家了解之后就知道这个的代价是什么，后面就会讲代价计算的问题。

　　选择性：

　　大家看选择性的问题，n_distinct基数的个数是-1，就意味着6990419这条语句一定只有一条，一条数据其实就是他的selectivity。

　　selectivity是一段过滤的长度，实际上就是过滤性。如果有这个条件和没有条件之间的差别非常大，说明这个条件的过滤性非常高。如果最后根据索引找到那个地方的值，那么价值就非常大，这种情况是价值最大的情况。

　　那么再看shape，一千万条基数很容易就找到这个值，这个值的选择性就是70103206。

　　计算有索引情况的代价：

　　有索引情况首先会进行全盘扫描，它的代价就是所有的全盘扫描的的IO，加上每次操作符判断的成本，然后再把那条记录去扫描。

　　回头看一下前面的执行计划，cost其实就两个，一个是Filter，一个是Seq Scan。回到这个问题，这个地方有什么意义呢?当有索引的时候，只要找到对应的索引，找到对应的文件就可以。所以它只有一条记录的IO，加上一个索引的查找，这个成本就非常低了，尤其在基数非常多的情况下。

　　有一个很有意思的情况，当你基数不是特别多的时候，加索引也没有意义了，因为可能整个全盘扫描的成本，还低于进行随机扫描再加上取IO的成本，基本上这个成本是无所谓的。所以在基数比较少的时候，它的成本比较低。

　　这个索引之前有一个条件是key和shape共同的条件，成本是33万，这个成本的单位是它自己的单位，是执行前的成本。

　　要注意几个问题，第一个是Filter条件;第二个是Seq Scan的类型;第三个是cost的值;还有一个是rows，这个是最后的值。这个值比较大的时候，这个索引建不建无所谓。

　　但是索引之后的情况，一定要注意成本，前面是0.33到8.46，就是33万到8的差别。但shape就没有这么高，我没有把例子放在这里，大家可以自己试一下，这个值不多的时候怎样计算。rows是一样的值，为1。

　　执行计划其实不一定是执行的情况，不一定准，因为cost毕竟是一个估计值。

　　建索引前，time是 1673毫秒，就是1.6秒。这个听起来也不长，但是到手机上肯定成问题。

　　再看建索引之后，28毫秒，大约是50分。一般这个地方比例比较大，最好前面都有ID，效果比较明显。而且记录的数据越多，下面8.46的值基本上不会变化。当mcv、mvf变化，并不是完全唯一时，这个值就不一样。

　　这是第一个结构，我们最终选择的也是这个。

　　刚才运气比较好，key的值正好是唯一的。如果key值不一样怎么办?比如key值是0.1、0.008，这个算作大家的一个思考题吧!当这个key的值也不唯一的时候，可以把key和shape结合起来。

　　案例二：

　　我们看看第二个，这个看起来很复杂，其实也挺简单，select*from后面是一个子查询，子查询里面又有一个from vtbl，而这vtbl和前面的一样，只不过我把两个不同的字段换了一个标准。

　　我们注意有几个标识，第一个是ST_distance是一个计算距离的函数，所以这里涉及到函数的关系。

　　location_geometry这个值用于计算distance，distance的过滤性和选择性就依赖于as distance的计算结果，但是其实这个特别难估计，这个先放着。

　　我们看order by、where条件、函数等条件，他们都指向location_geometry，那么肯定要看location_geometry。

　　基数、相关性：

　　n_distinct是-1，是近似值，那么我们说n_distinct这个值不可靠。我们需要把n_distinct转换成可读的值。

　　这里遇到一个比较特殊的gist索引，针对几何类型的索引类型。

　　我们直接看一下结果。

　　思考题：

　　然后我们留了几个思考题，大家可以想一下。

　　这个是大家经常用到的工具。

　　这里就是我们今天讲的内容。