数据库 性能优化案例分析之二:时间区域查询的性能优化

quakewang · 2017年11月14日 · 最后由 iamzhuchunbo 回复于 2019年09月18日 · 18125 次阅读
本帖已被管理员设置为精华贴

背景

我们在项目中经常会遇到把事件显示在日历上的需求,在项目管理,事件追踪,预约等相关功能中很常见,界面通常类似这样:

常见的做法是给对应表添加开始时间和结束时间的栏位:start_time and end_time,然后构建一个查询得到这个时间段内的数据,示意如下:

            |---给定时间段---|
|---A---| |---B---|  |-C-|   |---D---|

查询要排除掉 A 和 D 这种数据,也就是结束时间小于给定的开始时间,或者开始时间大于给定的结束时间:not (end_time <= :start or start_time >= :end)

从 NOT (A OR B) 可以得到 (NOT A) AND (NOT B),最终的查询语句是这样:

select * from events where end_time > :start and start_time < :end

考虑到这是一个范围查找,通常都会给这 2 个栏位加上索引,数据量小的时候,这个查询效率很高,但在数据增加到百万级别之后,在慢查询日志里面经常会发现这个查询耗时超过几百毫秒,随着数据量的增加,甚至超过 3000 毫秒。

分析过程

继续用慢查询的分析过程套路

第一步:EXPLAIN

有时候相同的查询语句,只是查询参数少许不同,会导致预估的 IO Cost 不同,执行计划也会改变,我们可以看到,这个查询有时候会用 start_time 的索引,有时候会用 end_time 的索引:

explain select * from events where end_time > '2017-05-01 00:00:00' and start_time < '2017-06-01 00:00:00'\G

  select_type: SIMPLE
        table: events
   partitions: NULL
         type: range
possible_keys: index_events_on_start_time,index_events_on_end_time
          key: index_events_on_start_time
      key_len: 5
          ref: NULL
         rows: 799704
     filtered: 50.00
        Extra: Using index condition; Using where; Using MRR


explain select * from events where end_time > '2017-08-01 14:00:00' and start_time < '2017-09-01 00:00:00'\G

  select_type: SIMPLE
        table: events
   partitions: NULL
         type: range
possible_keys: index_events_on_start_time,index_events_on_end_time
          key: index_events_on_end_time
      key_len: 5
          ref: NULL
         rows: 946430
     filtered: 50.00
        Extra: Using index condition; Using where; Using MRR

第二步:理解执行计划

从执行计划其实已经可以看到这个慢查询的原因:需要检查的行数太多了,预估在 79 万和 94 万。但保险起见,还是从INFORMATION_SCHEMA.OPTIMIZER_TRACE表中获取信息来确认我们的猜测:

{
  "index": "index_events_on_start_time",
  "ranges": [
    "start_time < 0x999d02f000"
  ],
  "rows": 3147211,
  "cost": 2.73e6,
  "chosen": false
},
{
  "index": "index_events_on_end_time",
  "ranges": [
    "0x999d02e000 < end_time"
  ],
  "rows": 946430,
  "cost": 826083,
  "chosen": true
}

这个查询相当于构建了 无穷小 <= start_time <= ?? <= end_time <= 无穷大 这样 2 个开放区间查询。在这里由于前者的开放区间内有超过 300 万的数据需要检查,所以执行计划选择了后者相对比较小的 94 万作为索引。

第三步:分析数据

这个表有超过 600 万的数据:

show table status like 'events'\G

           Name: events
         Engine: InnoDB
           Rows: 6294423

所有的数据开始时间和结束时间均匀分布,索引也没有问题,而且查询除了按月,也有按其他维度(天,日,小时,指定范围)来进行查询,通过添加辅助字段也无法减少开放区间的查询数据量,好像进入了一个死胡同...

解决方案

遇到现有知识无法解决的问题,那就 Google 吧,经过尝试不同的关键字(关于如何选择关键字解决日常搬砖遇到的问题,可以留个坑,以后再写)发现了一篇很详细的文章,和我们遇到的情况是一模一样: https://explainextended.com/2009/07/01/overlapping-ranges-mysql/

文章提到了将时间区间变成二维线段,然后利用 R-Tree (spatial) 索引,通过范围重叠来解决这个性能问题。看起来很不错,那就开动吧。

添加一个辅助字段并添加索引:

alter table events add column time_range linestring;
create spatial index index_events_on_time_range on events(time_range);

然后把时间区间转换成线段更新到这个字段:

update events set time_range = LineString(Point(-1, UNIX_TIMESTAMP(start_time)), Point(1,UNIX_TIMESTAMP(end_time)));

用 MBRIntersects 函数来查询重叠:

select * from events where MBRIntersects(time_range, LineString(Point(0, UNIX_TIMESTAMP('2017-08-01 00:00:00')), Point(0, UNIX_TIMESTAMP('2017-09-01 00:00:00'))));

80 毫秒!相同的查询之前需要 2410 毫秒:

select * from events where end_time >= '2017-07-01 00:00:00' and start_time <= '2017-08-01 00:00:00';

给数据库再加个 trigger,当更新和插入数据时,自动更新 time_range 这个字段:

CREATE TRIGGER events_insert_time_range BEFORE INSERT ON events
FOR EACH ROW
BEGIN
  SET NEW.time_range = LineString(Point(-1, UNIX_TIMESTAMP(NEW.start_time)), Point(1, UNIX_TIMESTAMP(NEW.end_time)));
END

CREATE TRIGGER events_update_time_range BEFORE UPDATE ON events
FOR EACH ROW
BEGIN
  IF ((NEW.start_time != OLD.start_time) OR (NEW.end_time != OLD.end_time)) THEN
    SET NEW.date_range = LineString(Point(-1, UNIX_TIMESTAMP(NEW.start_time)), Point(1, UNIX_TIMESTAMP(NEW.end_time)));
  END IF;
END

问题解决收工!

扩展

这个问题有很多可以扩展的问题:

我们之前只会将 R-Tree 用在地理位置的查询,从这个问题可以扩展到时间,IP 地址等其他类似的查询,除了这些范围查询还有其他适合应用的场景吗?

文章中构建的线段是 (-1,start_time) 到 (1,end_time) 的一条斜线,用位于 X 等于 0 的线段去查询重叠。为什么不能用更直观的方式(类似文章开头的线段示意图),构建一个 (start_time, 0) 到 (end_time,0) 一条线段,然后用 Y 等于 0 的线段去查询重叠呢?

如果不用数据库 trigger,在 rails 里面有什么方法能够自动更新这个辅助字段呢?甚至更进一步,是否可以删除掉 start_time 和 end_time 这 2 个字段,只用 time_range 这一个字段来满足所有的查询需求呢?

下篇占坑 性能优化案例分析之三:N:M 的用户动态优化

赞!以前从没用过 R-Tree 的索引,居然还可以这样用,看来以后优化区间查询的,都可以用 R-Tree 来试一下

👍,期待后续更多精彩

Rei 将本帖设为了精华贴。 11月14日 12:32

PG 有 tsrange 类型,今天看文档才知道 PG 可以在数据库判断有没有 overlap https://www.postgresql.org/docs/9.3/static/rangetypes.html#RANGETYPES-CONSTRAINT

nouse 回复

对,ActiveRecord 的 PG 支持有 range 这个类型,Mysql 就比较落后了,得自己去实现,就是提到的扩展问题 3: http://edgeguides.rubyonrails.org/active_record_postgresql.html#range-types

如果用 integer 存储时间,是不是就会好很多呢?

写得真棒,谢谢分享。

nouse 回复

之前做日历的类似需求用的就是 pg 的 overlap 函数,不知道这个有性能问题吗。

赞,很有启发,谢谢分享

王老师的东西都是精品

数据库:postgresql xxx 表数据量:200 多万

xxx.find_by_sql(["select * from xxxs where created_at > ? and created_at < ?", today, today+1.day])

ActiveRecord::Base.connection.execute("select count(*) from xxxs where ST_Contains('LINESTRING (0 #{today.to_i}, 0 #{(today+1.day).to_i})'::geometry, column_range::geometry)") #postgis 判断点是否在线上

快了 3 倍多,另外,find_by_sql 比

ActiveRecord::Base.connection.execute("SELECT count(*) from xxxs where tsrange('#{today.strftime("%Y-%m-%d %H:%M:%S")}', '#{(today+1.day).strftime("%Y-%m-%d %H:%M:%S")}') @> created_at::timestamp") #postgresql range types

平均快了 50 多毫秒, 是不是哪里出错呢,麻烦解答,谢谢!

tobone 回复

你这个只有对单个 created_at 进行查询,RTree 索引在这里和 BTree 相比没有优势

可以根据时间进行分区~~~

曲线救国的经典

大佬 我给表添加 date_range 字段并添加 spatial 索引 他说不能为空 这个怎么解决呢

这个是针对 postgre 的吗?不是针对 MySQL 的?我按照文档操作 MySQL 还是全表扫描。

需要 登录 后方可回复, 如果你还没有账号请 注册新账号