Jag var nyfiken. Och som vi alla vet har nyfikenhet ett rykte om att döda katter.
Så, vilket är det snabbaste sättet att flå en katt?
Kattskinnsmiljön för detta test:
- PostgreSQL 9.0 på Debian Squeeze med anständigt RAM-minne och inställningar.
- 6 000 studenter, 24 000 klubbmedlemskap (data kopierad från en liknande databas med verkliga data.)
- Lätt avvikelse från namnschemat i frågan:
student.idärstudent.stud_idochclub.idärclub.club_idhär. - Jag döpte frågorna efter deras författare i den här tråden.
- Jag körde alla frågor ett par gånger för att fylla i cachen, sedan valde jag det bästa av 5 med
EXPLAIN ANALYZE. - Relevanta index (borde vara det optimala - så länge vi saknar förkunskaper om vilka klubbar som kommer att frågas efter):
ALTER TABLE student ADD CONSTRAINT student_pkey PRIMARY KEY(stud_id );
ALTER TABLE student_club ADD CONSTRAINT sc_pkey PRIMARY KEY(stud_id, club_id);
ALTER TABLE club ADD CONSTRAINT club_pkey PRIMARY KEY(club_id );
CREATE INDEX sc_club_id_idx ON student_club (club_id);
club_pkey krävs inte av de flesta frågor här.
Primära nycklar implementerar unika index automatiskt i PostgreSQL.
Det sista indexet är för att kompensera för denna kända brist hos index med flera kolumner
på PostgreSQL:
Ett B-trädindex med flera kolumner kan användas med frågevillkor som involverar vilken delmängd som helst av indexets kolumner, men indexet är mest effektivt när det finns begränsningar på de ledande (längst till vänster) kolumnerna.
Resultat
Totala körtider från EXPLAIN ANALYZE .
1) Martin 2:44,594 ms
SELECT s.stud_id, s.name
FROM student s
JOIN student_club sc USING (stud_id)
WHERE sc.club_id IN (30, 50)
GROUP BY 1,2
HAVING COUNT(*) > 1;
2) Erwin 1:33,217 ms
SELECT s.stud_id, s.name
FROM student s
JOIN (
SELECT stud_id
FROM student_club
WHERE club_id IN (30, 50)
GROUP BY 1
HAVING COUNT(*) > 1
) sc USING (stud_id);
3) Martin 1:31,735 ms
SELECT s.stud_id, s.name
FROM student s
WHERE student_id IN (
SELECT student_id
FROM student_club
WHERE club_id = 30
INTERSECT
SELECT stud_id
FROM student_club
WHERE club_id = 50
);
4) Derek:2,287 ms
SELECT s.stud_id, s.name
FROM student s
WHERE s.stud_id IN (SELECT stud_id FROM student_club WHERE club_id = 30)
AND s.stud_id IN (SELECT stud_id FROM student_club WHERE club_id = 50);
5) Erwin 2:2,181 ms
SELECT s.stud_id, s.name
FROM student s
WHERE EXISTS (SELECT * FROM student_club
WHERE stud_id = s.stud_id AND club_id = 30)
AND EXISTS (SELECT * FROM student_club
WHERE stud_id = s.stud_id AND club_id = 50);
6) Sean:2,043 ms
SELECT s.stud_id, s.name
FROM student s
JOIN student_club x ON s.stud_id = x.stud_id
JOIN student_club y ON s.stud_id = y.stud_id
WHERE x.club_id = 30
AND y.club_id = 50;
De tre sista presterar ungefär likadant. 4) och 5) resulterar i samma frågeplan.
Sena tillägg
Fancy SQL, men prestandan kan inte hänga med:
7) ypercube 1:148,649 ms
SELECT s.stud_id, s.name
FROM student AS s
WHERE NOT EXISTS (
SELECT *
FROM club AS c
WHERE c.club_id IN (30, 50)
AND NOT EXISTS (
SELECT *
FROM student_club AS sc
WHERE sc.stud_id = s.stud_id
AND sc.club_id = c.club_id
)
);
8) ypercube 2:147,497 ms
SELECT s.stud_id, s.name
FROM student AS s
WHERE NOT EXISTS (
SELECT *
FROM (
SELECT 30 AS club_id
UNION ALL
SELECT 50
) AS c
WHERE NOT EXISTS (
SELECT *
FROM student_club AS sc
WHERE sc.stud_id = s.stud_id
AND sc.club_id = c.club_id
)
);
Som väntat presterar dessa två nästan likadant. Frågeplan resulterar i tabellsökningar, planeraren hittar inget sätt att använda indexen här.
9) wildplaces 1:49,849 ms
WITH RECURSIVE two AS (
SELECT 1::int AS level
, stud_id
FROM student_club sc1
WHERE sc1.club_id = 30
UNION
SELECT two.level + 1 AS level
, sc2.stud_id
FROM student_club sc2
JOIN two USING (stud_id)
WHERE sc2.club_id = 50
AND two.level = 1
)
SELECT s.stud_id, s.student
FROM student s
JOIN two USING (studid)
WHERE two.level > 1;
Fancy SQL, anständig prestanda för en CTE. Mycket exotisk frågeplan.
10) wildplaces 2:36,986 ms
WITH sc AS (
SELECT stud_id
FROM student_club
WHERE club_id IN (30,50)
GROUP BY stud_id
HAVING COUNT(*) > 1
)
SELECT s.*
FROM student s
JOIN sc USING (stud_id);
CTE-variant av fråga 2). Överraskande nog kan det resultera i en något annorlunda frågeplan med exakt samma data. Jag hittade en sekventiell skanning på student , där subquery-varianten använde indexet.
11) ypercube 3:101,482 ms
Ännu ett sent tillägg ypercube. Det är positivt, hur många sätt det finns.
SELECT s.stud_id, s.student
FROM student s
JOIN student_club sc USING (stud_id)
WHERE sc.club_id = 10 -- member in 1st club ...
AND NOT EXISTS (
SELECT *
FROM (SELECT 14 AS club_id) AS c -- can't be excluded for missing the 2nd
WHERE NOT EXISTS (
SELECT *
FROM student_club AS d
WHERE d.stud_id = sc.stud_id
AND d.club_id = c.club_id
)
);
12) erwin 3:2,377 ms
ypercube's 11) är faktiskt bara det omvända tillvägagångssättet för denna enklare variant, som också fortfarande saknades. Presterar nästan lika snabbt som toppkatterna.
SELECT s.*
FROM student s
JOIN student_club x USING (stud_id)
WHERE sc.club_id = 10 -- member in 1st club ...
AND EXISTS ( -- ... and membership in 2nd exists
SELECT *
FROM student_club AS y
WHERE y.stud_id = s.stud_id
AND y.club_id = 14
);
13) erwin 4:2,375 ms
Svårt att tro, men här är en annan, genuint ny variant. Jag ser potential för mer än två medlemskap, men den rankas också bland de bästa katterna med bara två.
SELECT s.*
FROM student AS s
WHERE EXISTS (
SELECT *
FROM student_club AS x
JOIN student_club AS y USING (stud_id)
WHERE x.stud_id = s.stud_id
AND x.club_id = 14
AND y.club_id = 10
);
Dynamiskt antal klubbmedlemskap
Med andra ord:varierande antal filter. Den här frågan frågade efter exakt två klubbmedlemskap. Men många användningsfall måste förbereda sig för ett varierande antal. Se: