Entonces tengo esta tabla con 6.2 millones de registros y tengo que realizar consultas de búsqueda con similitud para una para la columna. Las consultas pueden ser:
SELECT "lca_test".* FROM "lca_test"
WHERE (similarity(job_title, 'sales executive') > 0.6)
AND worksite_city = 'los angeles'
ORDER BY salary ASC LIMIT 50 OFFSET 0
Se pueden agregar más condiciones en where (año = X, worksite_state = N, status = 'certified', visa_class = Z).
La ejecución de algunas de esas consultas puede llevar mucho tiempo, más de 30 segundos. A veces más de un minuto.
EXPLAIN ANALYZE
de la consulta mencionada anteriormente me da esto:
Limit (cost=0.43..42523.04 rows=50 width=254) (actual time=9070.268..33487.734 rows=2 loops=1) -> Index Scan using index_lca_test_on_salary on lca_test (cost=0.43..23922368.16 rows=28129 width=254) (actual time=9070.265..33487.727 rows=2 loops=1) >>>> Filter: (((worksite_city)::text = 'los angeles'::text) AND (similarity((job_title)::text, 'sales executive'::text) > 0.6::double precision)) >>>> Rows Removed by Filter: 6330130 Total runtime: 33487.802 ms Total runtime: 33487.802 ms
No puedo entender cómo debo indexar mi columna para que sea increíblemente rápida.
EDITAR: Aquí está la versión de postgres:
PostgreSQL 9.3.5 en x86_64-unknown-linux-gnu, compilado por gcc (Debian 4.7.2-5) 4.7.2, 64 bits
Aquí está la definición de la tabla:
Table "public.lca_test"
Column | Type | Modifiers | Storage | Stats target | Description
------------------------+-------------------+-------------------------------------------------------+----------+--------------+-------------
id | integer | not null default nextval('lca_test_id_seq'::regclass) | plain | |
raw_id | integer | | plain | |
year | integer | | plain | |
company_id | integer | | plain | |
visa_class | character varying | | extended | |
employement_start_date | character varying | | extended | |
employement_end_date | character varying | | extended | |
employer_name | character varying | | extended | |
employer_address1 | character varying | | extended | |
employer_address2 | character varying | | extended | |
employer_city | character varying | | extended | |
employer_state | character varying | | extended | |
employer_postal_code | character varying | | extended | |
employer_phone | character varying | | extended | |
employer_phone_ext | character varying | | extended | |
job_title | character varying | | extended | |
soc_code | character varying | | extended | |
naic_code | character varying | | extended | |
prevailing_wage | character varying | | extended | |
pw_unit_of_pay | character varying | | extended | |
wage_unit_of_pay | character varying | | extended | |
worksite_city | character varying | | extended | |
worksite_state | character varying | | extended | |
worksite_postal_code | character varying | | extended | |
total_workers | integer | | plain | |
case_status | character varying | | extended | |
case_no | character varying | | extended | |
salary | real | | plain | |
salary_max | real | | plain | |
prevailing_wage_second | real | | plain | |
lawyer_id | integer | | plain | |
citizenship | character varying | | extended | |
class_of_admission | character varying | | extended | |
Indexes:
"lca_test_pkey" PRIMARY KEY, btree (id)
"index_lca_test_on_id_and_salary" btree (id, salary)
"index_lca_test_on_id_and_salary_and_year" btree (id, salary, year)
"index_lca_test_on_id_and_salary_and_year_and_wage_unit_of_pay" btree (id, salary, year, wage_unit_of_pay)
"index_lca_test_on_id_and_visa_class" btree (id, visa_class)
"index_lca_test_on_id_and_worksite_state" btree (id, worksite_state)
"index_lca_test_on_lawyer_id" btree (lawyer_id)
"index_lca_test_on_lawyer_id_and_company_id" btree (lawyer_id, company_id)
"index_lca_test_on_raw_id_and_visa_and_pw_second" btree (raw_id, visa_class, prevailing_wage_second)
"index_lca_test_on_raw_id_and_visa_class" btree (raw_id, visa_class)
"index_lca_test_on_salary" btree (salary)
"index_lca_test_on_visa_class" btree (visa_class)
"index_lca_test_on_wage_unit_of_pay" btree (wage_unit_of_pay)
"index_lca_test_on_worksite_state" btree (worksite_state)
"index_lca_test_on_year_and_company_id" btree (year, company_id)
"index_lca_test_on_year_and_company_id_and_case_status" btree (year, company_id, case_status)
"index_lcas_job_title_trigram" gin (job_title gin_trgm_ops)
"lca_test_company_id" btree (company_id)
"lca_test_employer_name" btree (employer_name)
"lca_test_id" btree (id)
"lca_test_on_year_and_companyid_and_wage_unit_and_salary" btree (year, company_id, wage_unit_of_pay, salary)
Foreign-key constraints:
"fk_rails_8a90090fe0" FOREIGN KEY (lawyer_id) REFERENCES lawyers(id)
Has OIDs: no
worksite_city
.worksite_city
,worksite_state
,year
y / ostatus
Respuestas:
Olvidó mencionar que instaló el módulo adicional
pg_trgm
, que proporciona lasimilarity()
función.Operador de similitud
%
En primer lugar, haga lo que haga, use el operador de similitud en
%
lugar de la expresión(similarity(job_title, 'sales executive') > 0.6)
. Mucho mas barato. Y el soporte de índice está vinculado a operadores en Postgres, no a funciones.Para obtener la similitud mínima deseada de
0.6
, ejecute:La configuración permanece para el resto de su sesión a menos que se restablezca a otra cosa. Verifícalo con:
Esto es un poco torpe, pero excelente para el rendimiento.
Caso simple
Si solo quisiera las mejores coincidencias en la columna
job_title
para la cadena 'ejecutivo de ventas', este sería un caso simple de búsqueda de "vecino más cercano" y podría resolverse con un índice GiST utilizando la clase de operador trigramagist_trgm_ops
(pero no con un índice GIN) :Para incluir también una condición de igualdad
worksite_city
, necesitará el módulo adicionalbtree_gist
. Ejecutar (una vez por DB):Entonces:
Consulta:
<->
siendo el operador de "distancia":Postgres también puede combinar dos índices separados, un índice btree simple activado
worksite_city
y un índice GiST separado activadojob_title
, pero el índice de varias columnas debería ser más rápido, si combina las dos columnas de esta manera en consultas regularmente.Tu caso
Sin embargo, su consulta se ordena por
salary
, no por distancia / similitud, lo que cambia la naturaleza del juego por completo. Ahora podemos usar tanto el índice GIN como el GiST, y GIN será más rápido (aún más en Postgres 9.4, que ha mejorado en gran medida los índices GIN, ¡pista!)Historia similar para la verificación de igualdad adicional en
worksite_city
: instalar el módulo adicionalbtree_gin
. Ejecutar (una vez por DB):Entonces:
Consulta:
Nuevamente, esto también debería funcionar (menos eficientemente) con el índice más simple que ya tiene (
"index_lcas_job_title_trigram"
), posiblemente en combinación con otros índices. La mejor solución depende de la imagen completa.Aparte
Tienes muchos índices. ¿Está seguro de que todos están en uso y pagan su costo de mantenimiento?
Tienes algunos tipos de datos dudosos:
Parece que esos deberían ser
date
. Etc.Respuestas relacionadas:
fuente
"index_lcas_job_title_trigram" gin (job_title gin_trgm_ops)
he leído en alguna parte que la ginebra es más rápida que la esencia. ¿Es eso cierto?similarity
en absoluto, por lo que para ese propósito no es más rápido.btree_gin
. Pero luego, en la creación del índice, le dice que ejecute: ¿CREATE INDEX lcas_trgm_gin_idx ON lcas USING gist (worksite_city, job_title gist_trgm_ops);
Solo un error tipográfico?