标签
PostgreSQL , HTAP , OLTP , OLAP , 场景与性能测试
背景
PostgreSQL是一个历史悠久的数据库，历史可以追溯到1973年，最早由2014计算机图灵奖得主，关系数据库的鼻祖Michael_Stonebraker 操刀设计，PostgreSQL具备与Oracle类似的功能、性能、架构以及稳定性。
PostgreSQL社区的贡献者众多，来自全球各个行业，历经数年，PostgreSQL 每年发布一个大版本，以持久的生命力和稳定性著称。
2017年10月，PostgreSQL 推出10 版本，携带诸多惊天特性，目标是胜任OLAP和OLTP的HTAP混合场景的需求：
《最受开发者欢迎的HTAP数据库PostgreSQL 10特性》
1、多核并行增强
2、fdw 聚合下推
3、逻辑订阅
4、分区
5、金融级多副本
6、json、jsonb全文检索
7、还有插件化形式存在的特性，如 向量计算、JIT、SQL图计算、SQL流计算、分布式并行计算、时序处理、基因测序、化学分析、图像分析 等。
在各种应用场景中都可以看到PostgreSQL的应用：
PostgreSQL近年来的发展非常迅猛，从知名数据库评测网站dbranking的数据库评分趋势，可以看到PostgreSQL向上发展的趋势：
从每年PostgreSQL中国召开的社区会议，也能看到同样的趋势，参与的公司越来越多，分享的公司越来越多，分享的主题越来越丰富，横跨了 传统企业、互联网、医疗、金融、国企、物流、电商、社交、车联网、共享XX、云、游戏、公共交通、航空、铁路、军工、培训、咨询服务等 行业。
接下来的一系列文章，将给大家介绍PostgreSQL的各种应用场景以及对应的性能指标。
环境
环境部署方法参考：
《PostgreSQL 10 + PostGIS + Sharding(pg_pathman) + MySQL(fdw外部表) on ECS 部署指南(适合新用户)》
阿里云 ECS：56核，224G，1.5TB*2 SSD云盘。
操作系统：CentOS 7.4 x64
数据库版本：PostgreSQL 10
PS：ECS的CPU和IO性能相比物理机会打一定的折扣，可以按下降1倍性能来估算。跑物理主机可以按这里测试的性能乘以2来估算。
场景 - 物联网 - FEED日志, 流式处理 与 阅后即焚 (CTE) (OLTP)
1、背景
在几乎所有的行业中，例如物联网、互联网、金融等的业务系统中，都会包括FEED数据，即轨迹，包括用户行为轨迹，业务系统产生的日志等。
这些数据通常被用于流式处理，历史可以被保留用于分析，也可以不保留（视业务需要）。
如果FEED数据不需要被保留，仅需要流式处理的话，那么就涉及两个问题：
1、高速写入(insert)
《HTAP数据库 PostgreSQL 场景与性能测试之 24 - (OLTP) 物联网 - 时序数据并发写入(含时序索引BRIN)》
阿里云ECS，56核的机器，写入速度约 313.7 万行/s。
2、高速消费(delete and compute)
本文测的是高速消费。
我在几年前给某个核电和火电监测项目设计过一个这样的架构，可以满足数据的高速写入，以及数据的高速消费，不留痕迹。
最近双十一的某个实时处理业务，也可以使用这种架构。
《PostgreSQL 异步消息实践 - Feed系统实时监测与响应(如 电商主动服务) - 分钟级到毫秒级的跨域》
2、设计
100万个传感器，2048个分区，总共20亿条已写入的传感器上报数据。
并行、批量的消费。
3、准备测试表
create table t_sensor (sid int, info text, crt_time timestamp);
create index idx_t_sensor on t_sensor (crt_time) tablespace tbs1;
使用2048个分表。
do language plpgsql $$
declare
begin
for i in 0..2047 loop
execute 'create table t_sensor'||i||'(like t_sensor including all) inherits(t_sensor)';
end loop;
end;
$$;
4、准备测试函数(可选)
1、批量生成传感器测试数据的函数
CREATE OR REPLACE FUNCTION public.ins_batch(integer,integer)
RETURNS void
LANGUAGE plpgsql
STRICT
AS $function$
declare
suffix int := mod($1, 2048);
begin
execute 'insert into t_sensor'||suffix||' select '||$1||', 0.1, now() from generate_series(1,'||$2||')';
end;
$function$;
2、批量消费传感器数据的函数，按时间，从最早开始消费。
处理逻辑也可以放到里面，例如预警逻辑(采用PostgreSQL异步消息、CTE语法)。
《PostgreSQL 异步消息实践 - Feed系统实时监测与响应(如 电商主动服务) - 分钟级到毫秒级的跨域》
CREATE OR REPLACE FUNCTION public.consume_batch(integer,integer)
RETURNS void
LANGUAGE plpgsql
STRICT
AS $function$
declare
suffix int := mod($1, 2048);
begin
-- 带流式处理业务逻辑的例句(采用CTE语法)：
-- with t1 as (delete from t_sensor$suffix where ctid = any(array(select ctid from t_sensor$suffix order by crt_time limit 1000)) returning *)
-- select pg_notify('channel_name', 'reason:xxx::::'||row_to_json(t1)) from t1 where ......;
--
-- 如果有多个判断基准，可以先存入TMP TABLE，再到TMP TABLE处理。
-- 使用普通的TMP table或者使用内存TMP TABLE。
-- [《PostgreSQL 内存表》](../201608/20160818_01.md)
-- 本例仅测试不带处理逻辑，只消费的情况，关注消费速度。
execute format('delete from t_sensor%s where ctid = any(array(select ctid from t_sensor%s order by crt_time limit %s))', suffix, suffix, $2);
end;
$function$;
5、准备测试数据
100万个传感器，准备20亿条传感器上报的数据。
vi test.sql
\set sid random(1,1000000)
select ins_batch(:sid, 1000);
pgbench -M prepared -n -r -P 5 -f ./test.sql -c 50 -j 50 -t 40000
6、准备测试脚本
vi test.sql
\set sid random(1,1000000)
select consume_batch(:sid, 1000);
压测
CONNECTS=56
TIMES=300
export PGHOST=$PGDATA
export PGPORT=1999
export PGUSER=postgres
export PGPASSWORD=postgres
export PGDATABASE=postgres
pgbench -M prepared -n -r -f ./test.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES
7、测试
平均每秒消费 条，阅后即焚。
transaction type: ./test.sql
scaling factor: 1
query mode: prepared
number of clients: 56
number of threads: 56
duration: 300 s
number of transactions actually processed: 1186351
latency average = 14.160 ms
latency stddev = 7.224 ms
tps = 3951.962388 (including connections establishing)
tps = 3952.325191 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
0.002 \set sid random(1,1000000)
14.159 select consume_batch(:sid, 1000);
TPS： 3952
相当于消费 395.2 万行/s。
平均响应时间： 14.1 毫秒
参考
《PostgreSQL、Greenplum 应用案例宝典《如来神掌》 - 目录》
