postgres非常慢（12小时以上）的大桌子加入

Question

我正在努力优化一个简单的LEFT JOIN对抗两个非常大的表，到目前为止已经花费了大约12个小时来完成和持续。

这是执行计划：

Gather  (cost=1001.26..11864143.06 rows=8972234 width=133)
  Workers Planned: 7
  ->  Nested Loop Left Join  (cost=1.26..10773657.51 rows=1281748 width=133)
        ->  Parallel Index Scan using var_case_aliquot_aliquot_ind on var_case_aliquot vca  (cost=0.56..464070.21 rows=1281748 width=103)
        ->  Index Scan using genotype_pos_ind on snv_genotypes gt  (cost=0.70..8.01 rows=1 width=65)
              Index Cond: ((vca.chrom = chrom) AND (vca.start = start) AND (vca.end = end) AND ((vca.alt)::text = (alt)::text))
              Filter: (vca.aliquot_barcode = aliquot_barcode)

这是查询：

SELECT vca.aliquot_barcode,
    vca.case_barcode,
    vca.gene_symbol,
    vca.variant_classification,
    vca.variant_type,
    vca.chrom,
    int4range(vca.start::integer, vca."end"::integer, '[]'::text) AS pos,
    vca.alt,
    gt.called AS mutect2_call,
    gt.ref_count,
    gt.alt_count,
    gt.read_depth,
    gt.called OR
        CASE
            WHEN (gt.alt_count + gt.ref_count) > 0 THEN (gt.alt_count::numeric / (gt.alt_count + gt.ref_count)::numeric) > 0.20
            ELSE false
        END AS vaf_corrected_call
   FROM analysis.var_case_aliquot vca
     LEFT JOIN analysis.snv_genotypes gt ON vca.aliquot_barcode = gt.aliquot_barcode AND vca.chrom = gt.chrom AND vca.start = gt.start AND vca."end" = gt."end" AND vca.alt::text = gt.alt::text

两个表都非常大： vca和gt有900万（2 GB）和13亿行（346 GB）。

我创建了vca （ MATERIALIZED VIEW ），仅用于执行此连接。 本质上，它是一个连接表，只有1：1匹配左连接所需的字段，然后是一些额外的元数据。 正如您在查询计划中看到的那样，所有正在加入的字段都已正确编入索引。

查询本身很简单，有什么我想念的东西可以加快它吗？ 我不认为有一些方法可以使用WHERE吗？

我可以在postgres设置中调整一些可能有帮助的东西吗？ 目前我有以下内容：

shared_buffers = 4096MB
effective_cache_size = 20GB
work_mem = 64MB
maintenance_work_mem = 4096MB
max_wal_size = 4GB
min_wal_size = 128MB
checkpoint_completion_target = 0.9
max_worker_processes = 16
max_parallel_workers_per_gather = 8
max_parallel_workers = 16

更新12/12：

表DDL：

CREATE TABLE analysis.snv_genotypes (
    aliquot_barcode character(30) NOT NULL,
    chrom character(2) NOT NULL,
    start bigint NOT NULL,
    "end" bigint NOT NULL,
    alt character varying(510) NOT NULL,
    genotype character(3),
    read_depth integer,
    ref_count integer,
    alt_count integer,
    called boolean
);

ALTER TABLE ONLY analysis.snv_genotypes
    ADD CONSTRAINT genotype_pk PRIMARY KEY (aliquot_barcode, chrom, start, "end", alt);
CREATE INDEX called_ind ON analysis.snv_genotypes USING btree (called);
CREATE INDEX genotype_pos_ind ON analysis.snv_genotypes USING btree (chrom, start, "end", alt);

CREATE MATERIALIZED VIEW analysis.var_case_aliquot AS
 SELECT var_case_aliquot.aliquot_barcode,
    var_case_aliquot.case_barcode,
    var_case_aliquot.chrom,
    var_case_aliquot.start,
    var_case_aliquot."end",
    var_case_aliquot.alt,
    var_case_aliquot.gene_symbol,
    var_case_aliquot.variant_classification,
    var_case_aliquot.variant_type,
    var_case_aliquot.hgvs_p,
    var_case_aliquot.polyphen,
    var_case_aliquot.sift
   FROM var_case_aliquot
  WITH NO DATA;

CREATE INDEX var_case_aliquot_aliquot_ind ON analysis.var_case_aliquot USING btree (aliquot_barcode);
CREATE INDEX var_case_aliquot_pos_ind ON analysis.var_case_aliquot USING btree (chrom, start, "end", alt);

更广泛的DDL： https ： //rextester.com/JRJH43442

更新12/13：

为了澄清，我在CentOS 7.3上使用Postgres 10.5 w / 16内核和32 GB内存。 查询现在已经运行了24小时而没有任何结果。

检查状态似乎是wait_event_type是IO 。 这是否意味着查询正在刮擦/写入临时空间？ 这可以解释缓慢吗？

+------------------+---------------+---------------+---------------+---------------+-----------------+--------------+--------+-------------+--------------+
| application_name | backend_start | xact_start    | query_start   | state_change  | wait_event_type | wait_event   | state  | backend_xid | backend_xmin |
+------------------+---------------+---------------+---------------+---------------+-----------------+--------------+--------+-------------+--------------+
| psql             | 12/12/18 8:42 | 12/12/18 8:42 | 12/12/18 8:42 | 12/12/18 8:42 | IO              | DataFileRead | active | 22135       | 22135        |
+------------------+---------------+---------------+---------------+---------------+-----------------+--------------+--------+-------------+--------------+

我有很多可用的资源：

$ free -h
              total        used        free      shared  buff/cache   available
Mem:            31G        722M        210M        5.0G         30G         25G
Swap:          3.7G        626M        3.1G

我想提供更多内存可能会有所帮助吗？ 有没有办法优化需要更多内存的查询？

Answer 1

从这篇文章的评论：

您的查询使用genotype_pos_ind并对aliquot_barcode过滤。 尝试删除（临时） genotype_pos_ind ，如果这不起作用，请搜索如何强制使用索引。

您的查询应该使用genotype_pk 。

根据你所说的，可能有很多记录具有相同的aliquot_barcode ， chrom ， start和end ，因此RDBMS将花费很长时间来过滤每个aliquot_barcode 。

如果它对你来说仍然太长，你可以尝试我的旧答案，我将继续提供进一步的参考：

---

---

不幸的是，我无法优化您的查询：有太多事情需要考虑。 用9百万条记录的13个字段构建一个结果可能太多了：可能会发生交换，你的操作系统不会允许这么多的内存分配，同时也会产生JOIN等等。 （在真正的答案之前写的......）

我曾经优化过一些由大约1000万条记录的十五个表组成的查询。 在合理的时间内（不到10小时），这种尺寸的SELECT永远不可行。

我没有任何RDBMS来测试我在说什么。 此外，我半年没有做过任何SQL：p找到为什么花了这么多时间（正如你的要求）将耗费太多时间，所以这是原始问题的另一种解决方案。

---

我采用的解决方案是制作临时表：

1. 创建临时表： tmp_analysis ，其中包含与SELECT +一些实用程序字段相同的字段：

一个ID字段（ tmp_ID ，一个大的int），一个用于检查记录是否已更新的布尔值（tmp_updated），以及用于检查更新时间的时间戳（ tmp_update_time ）。 当然，所有具有相同数据类型的字段都来自原始SELECT （来自vca和gt ）

2. 从vca插入所有记录：

目前，对于gt字段，请使用null （或任何其他默认值，如果不能）。 将tmp_updated设置为false。 对主键使用简单的count() 。

3. 使用gt中的字段更新所有这些记录。

使用WHERE而不是JOIN ：

UPDATE tmp_analysis as tmp -- I don't think you need to use a schema to call tmp_analysis
    SET tmp_update = true,
    tmp_update_time = clock_timestamp(),
    tmp.mutect2_call = gt.called
    gt.ref_count,
    gt.alt_count,
    gt.read_depth,
    gt.called = -- ... (your CASE/WHEN/ELSE/END should work here)
FROM 
    analysis.snv_genotypes gt
WHERE --JOIN should work too
    tmp.aliquot_barcode = gt.aliquot_barcode AND 
    tmp.chrom = gt.chrom AND 
    vca.start = gt.start AND 
    tmp."end" = gt."end" AND 
    tmp.alt::text = gt.alt::text

我说你应该出于性能原因使用EXISTS ，但是我错了，因为我认为你不能从EXISTS条件中检索字段。 可能有一种方法可以告诉Postgresql它是一对一的关系，但我不确定。 无论如何，索引

4. 显然， SELECT你的tmp_analysis表来获取你的记录！

---

一些注意事项：

1. 如果花了太多时间：

例如，使用tmp_ID字段将更新次数限制为10 000，并检查第3次查询（ UPDATE ）的执行计划：您应该对临时表表进行完整扫描，并在gt （在genotype_pk ）进行索引扫描。 如果没有，请检查索引并搜索如何强制PGSL使用索引。 您应该使用WHERE tmp_ID < 10000而不是LIMIT 10000 。 IIRC， LIMIT将执行整个查询，只给你一部分结果。

2. 如果仍然花费太多时间：

使用tmp_ID分段，并且（正如您所说）在UPDATE上使用循环语句一次查询100 000或更少的记录（再次使用where tmp_ID < x AND tmp_ID > y ）。 再次检查执行计划：完整扫描应该在索引扫描之前由tmp_id限制。 不要伪造在这个fild上添加一个索引（如果它还不是主键）。

3. 如果您以后需要再次呼叫：

使用BEGIN/END TRANSACTION来封装所有查询，并在CREATE TABLE tmp_analysis上使用TEMPORARY TABLE选项，这样您就不必在执行查询后清理tmp_analysis。

4. 如果你仍然有循环问题：

在循环内使用事务，如果再次冻结则停止它。 然后，您可以稍后使用较小的循环大小恢复它。

5. 如果你想减少一点执行时间：

您可以使用INSERT .. AS .. SELECT在一个查询中执行步骤1和2，但我不记得如何为gt字段设置数据类型，因为它们将设置为null。 通常情况下，这应该会更快一些。

6. 如果你很好奇：

没有循环的查询仍然需要超过10个小时，停止它并检查tmp_update_time以查看执行时间如何演变，也许它会给你一个关于原始查询无效的原因的线索。 PGSQL上有多个配置选项来限制RAM使用率，磁盘使用率，线程。 您的操作系统可能会设置自己的限制，并检查磁盘交换，CPU缓存使用情况等。（我想您已经完成了一些但我没有检查）