[英]How to Update a single column in postgres in a batch for 55 Million records
我想更新一列 postgres 表。 记录大约有 5500 万条,因此我们需要分批更新 10000 条记录。 注意:我们要更新所有行。 但是我们不想锁定我们的表。
我正在尝试以下查询-
Update account set name = Some name where id between 1 and 10000
我们如何为每 10000 条记录更新创建一个循环?
任何建议和帮助将不胜感激。
PostgreSQL 10.5
而不是一次提交所有更改(或其他答案中建议的 5500 万次),我宁愿尝试将更新行分成小批量,例如您建议的 10k 条记录。 在 PL/pgSQL 中,可以使用关键字BY
以给定的步骤迭代集合。 因此,您可以像这样在anonymous code block
中进行批量更新:
DO $$
DECLARE
page int := 10000;
min_id bigint; max_id bigint;
BEGIN
SELECT max(id),min(id) INTO max_id,min_id FROM account;
FOR j IN min_id..max_id BY page LOOP
UPDATE account SET name = 'your magic goes here'
WHERE id >= j AND id < j+page;
COMMIT;
END LOOP;
END; $$;
WHERE
子句以避免不必要的重叠。具有 1051 行且具有顺序 ID 的数据样本:
CREATE TABLE account (id int, name text);
INSERT INTO account VALUES(generate_series(0,1050),'untouched record..');
正在执行匿名代码块...
DO $$
DECLARE
page int := 100;
min_id bigint; max_id bigint;
BEGIN
SELECT max(id),min(id) INTO max_id,min_id FROM account;
FOR j IN min_id..max_id BY page LOOP
UPDATE account SET name = now() ||' -> UPDATED ' || j || ' to ' || j+page
WHERE id >= j AND id < j+page;
RAISE INFO 'committing data from % to % at %', j,j+page,now();
COMMIT;
END LOOP;
END; $$;
INFO: committing data from 0 to 100 at 2021-04-14 17:35:42.059025+02
INFO: committing data from 100 to 200 at 2021-04-14 17:35:42.070274+02
INFO: committing data from 200 to 300 at 2021-04-14 17:35:42.07806+02
INFO: committing data from 300 to 400 at 2021-04-14 17:35:42.087201+02
INFO: committing data from 400 to 500 at 2021-04-14 17:35:42.096548+02
INFO: committing data from 500 to 600 at 2021-04-14 17:35:42.105876+02
INFO: committing data from 600 to 700 at 2021-04-14 17:35:42.114514+02
INFO: committing data from 700 to 800 at 2021-04-14 17:35:42.121946+02
INFO: committing data from 800 to 900 at 2021-04-14 17:35:42.12897+02
INFO: committing data from 900 to 1000 at 2021-04-14 17:35:42.134388+02
INFO: committing data from 1000 to 1100 at 2021-04-14 17:35:42.13951+02
..您可以批量更新您的行。 为了证明我的观点,以下查询按更新时间对记录进行分组:
SELECT DISTINCT ON (name) name, count(id)
FROM account
GROUP BY name ORDER BY name;
name | count
------------------------------------------------------+-------
2021-04-14 17:35:42.059025+02 -> UPDATED 0 to 100 | 100
2021-04-14 17:35:42.070274+02 -> UPDATED 100 to 200 | 100
2021-04-14 17:35:42.07806+02 -> UPDATED 200 to 300 | 100
2021-04-14 17:35:42.087201+02 -> UPDATED 300 to 400 | 100
2021-04-14 17:35:42.096548+02 -> UPDATED 400 to 500 | 100
2021-04-14 17:35:42.105876+02 -> UPDATED 500 to 600 | 100
2021-04-14 17:35:42.114514+02 -> UPDATED 600 to 700 | 100
2021-04-14 17:35:42.121946+02 -> UPDATED 700 to 800 | 100
2021-04-14 17:35:42.12897+02 -> UPDATED 800 to 900 | 100
2021-04-14 17:35:42.134388+02 -> UPDATED 900 to 1000 | 100
2021-04-14 17:35:42.13951+02 -> UPDATED 1000 to 1100 | 51
演示: db<>fiddle
您可以使用一个过程(从版本 11 开始提供)并逐个执行,如下所示:
CREATE or replace PROCEDURE do_update()
LANGUAGE plpgsql
AS $$
BEGIN
FOR i IN 1..55000000 -- 55 million, or whatever number you need
LOOP
Update account set name = Some name where id = i;
COMMIT;
RAISE INFO 'id: %', i;
END LOOP;
END;
$$;
CALL do_update();
设置测试环境:
DROP TABLE IF EXISTS account;
CREATE TABLE account(id integer, name text);
INSERT INTO account
VALUES (1, 'jonas'),(10002, 'petras');
更新脚本:
DO $$
DECLARE
_id integer;
_min_id integer;
_max_id integer;
_batch_size integer = 10000;
BEGIN
SELECT
MIN(id),
MAX(id)
INTO
_min_id,
_max_id
FROM
account;
_id := _min_id;
LOOP
UPDATE account SET
name = 'Some name'
WHERE id >=_id
AND id < _id + _batch_size;
COMMIT;
_id := _id + _batch_size;
IF _id > _max_id THEN
EXIT;
END IF;
END LOOP;
END;
$$;
但是我们不想锁定我们的表。
在许多情况下都有意义但您没有透露您的实际设置。 你甚至需要一把锁吗? 是否有并发写入活动? 如果没有,是否有足够的存储空间来写入该表的另一个副本? 然后最好在后台构建一个新的原始更新表,然后切换并删除旧表。 看:
假设表的并发写入活动。 而且您不想长时间阻止太多。 并且您希望重用死元组以防止表膨胀和索引膨胀。 所以批量更新是有道理的。 您必须在批次之间COMMIT
(和VACUUM
),以便可以重用死元组占用的空间。 并将写入分散到整个表中,以允许连续事务在同一块中产生和消耗死元组。
在Postgres 11 或更新版本的DO
语句中的过程或匿名代码块中允许使用事务控制语句(如COMMIT
)。 其他人回答使用它提供的解决方案。
autovacuum
应该以激进的设置运行,以便及时释放死元组以供重用。 或者在某些时间间隔手动运行VACUUM
- 但是(当前)根本不能在事务上下文中运行(仅作为单个命令),因此在 PL/pgSQL 循环中是不可能的。
目前还不允许代码块中的事务控制。 不过,我们可以使用dblink
模拟自治事务。 看:
可能看起来像:
DO
$do$
DECLARE
_cur int := 0; -- just start with 0 unless min is far off
_step int := 10000; -- batch size
_max CONSTANT int := (SELECT max(id) FROM account); -- max id
_val CONSTANT text := 'SOME name';
BEGIN
-- as superuser, or you must also provide the password for the current role;
PERFORM dblink_connect('dbname=' || current_database()); -- current db
LOOP
RAISE NOTICE '%', _cur;
PERFORM dblink_exec( -- committed implicitly!
$$
UPDATE account
SET name = 'SOME name'
WHERE id BETWEEN _cur AND _cur + _step -- gaps don't matter unless huge
AND name IS DISTINCT FROM 'SOME name' -- avoid empty updates
$$);
_cur := _cur + _step;
EXIT WHEN _cur > _max; -- stop when done
END LOOP;
PERFORM dblink_disconnect();
END
$do$;
我还添加了另一个谓词:
AND name IS DISTINCT FROM 'SOME name' -- avoid empty updates
跳过已具有新名称的行的空更新成本。 只有当这种情况发生时才有用。 看:
您可能希望进一步拆分它,并在两者之间运行VACUUM
。 并且您可能希望使用id
以外的其他列进行选择(未聚集的列),以便在整个表中获得良好的分布。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.