如前几节所述，Citus 是一个扩展，它扩展了最新的 PostgreSQL 以进行分布式执行。这意味着您可以在 Citus 协调器上使用标准 PostgreSQL SELECT 查询进行查询。 Citus 将并行化涉及复杂选择、分组和排序以及 JOIN 的 SELECT 查询，以加快查询性能。在高层次上，Citus 将 SELECT 查询划分为更小的查询片段，将这些查询片段分配给 worker，监督他们的执行，合并他们的结果（如果需要，对它们进行排序），并将最终结果返回给用户。
- SELECT
在以下部分中，我们将讨论您可以使用 Citus 运行的不同类型的查询。
聚合函数
Citus 支持和并行化 PostgreSQL 支持的大多数聚合函数，包括自定义用户定义的聚合。聚合使用以下三种方法之一执行，优先顺序如下：
- 当聚合按表的分布列分组时，
Citus可以将整个查询的执行下推到每个worker。在这种情况下支持所有聚合，并在worker上并行执行。（任何正在使用的自定义聚合都必须安装在worker身上。） - 当聚合没有按表的分布列分组时，
Citus仍然可以根据具体情况进行优化。Citus对sum()、avg()和count(distinct)等某些聚合有内部规则，允许它重写查询以对worker进行部分聚合。例如，为了计算平均值，Citus从每个worker那里获得一个总和和一个计数，然后coordinator节点计算最终的平均值。特殊情况聚合的完整列表：
avg, min, max, sum, count, array_agg, jsonb_agg, jsonb_object_agg, json_agg, json_object_agg, bit_and, bit_or, bool_and, bool_or, every, hll_add_agg, hll_union_agg, topn_add_agg, topn_union_agg, any_value, var_pop(float4), var_pop(float8), var_samp(float4), var_samp(float8), variance(float4), variance(float8) stddev_pop(float4), stddev_pop(float8), stddev_samp(float4), stddev_samp(float8) stddev(float4), stddev(float8) tdigest(double precision, int), tdigest_percentile(double precision, int, double precision), tdigest_percentile(double precision, int, double precision[]), tdigest_percentile(tdigest, double precision), tdigest_percentile(tdigest, double precision[]), tdigest_percentile_of(double precision, int, double precision), tdigest_percentile_of(double precision, int, double precision[]), tdigest_percentile_of(tdigest, double precision), tdigest_percentile_of(tdigest, double precision[])
- 最后的手段：从
worker中提取所有行并在coordinator节点上执行聚合。如果聚合未在分布列上分组，并且不是预定义的特殊情况之一，则Citus会退回到这种方法。它会导致网络开销，并且如果要聚合的数据集太大，可能会耗尽coordinator的资源。（可以禁用此回退，见下文。）
请注意，查询中的微小更改可能会改变执行模式，从而导致潜在的令人惊讶的低效率。例如，按非分布列分组的 sum(x) 可以使用分布式执行，而 sum(distinct x) 必须将整个输入记录集拉到 coordinator。
SELECT sum(value1), sum(distinct value2) FROM distributed_table;
为避免意外将数据拉到 coordinator，可以设置一个 GUC：
SET citus.coordinator_aggregation_strategy TO 'disabled';
请注意，禁用 coordinator 聚合策略将完全阻止 “类型三”(最后的手段) 聚合查询工作。
Count (Distinct) 聚合
Citus 以多种方式支持 count(distinct) 聚合。如果 count(distinct) 聚合在分布列上，Citus 可以直接将查询下推给 worker。如果不是，Citus 对每个 worker 运行 select distinct 语句， 并将列表返回给 coordinator，从中获取最终计数。
请注意，当 worker 拥有更多 distinct 项时，传输此数据会变得更慢。对于包含多个 count(distinct) 聚合的查询尤其如此，例如：
-- multiple distinct counts in one query tend to be slow SELECT count(distinct a), count(distinct b), count(distinct c) FROM table_abc;
对于这类查询，worker 上产生的 select distinct 语句本质上会产生要传输到 coordinator 的行的 cross-product(叉积)。
为了提高性能，您可以选择进行近似计数。请按照以下步骤操作：
- 在所有
PostgreSQL实例（coordinator和所有worker）上下载并安装hll扩展。有关获取扩展的详细信息，请访问 PostgreSQL hll github 存储库。
- 只需从
coordinator运行以下命令，即可在所有PostgreSQL实例上创建hll扩展
CREATE EXTENSION hll;
- 通过设置
Citus.count_distinct_error_rate配置值启用计数不同的近似值。此配置设置的较低值预计会提供更准确的结果，但需要更多时间进行计算。我们建议将其设置为0.005。
SET citus.count_distinct_error_rate to 0.005;
- 在这一步之后，
count(distinct)聚合会自动切换到使用HLL，而无需对您的查询进行任何更改。您应该能够在表的任何列上运行近似count distinct查询。
HyperLogLog 列
某些用户已经将他们的数据存储为 HLL 列。在这种情况下，他们可以通过调用 hll_union_agg(hll_column) 动态汇总这些数据。
估计 Top N 个项
通过应用 count、sort 和 limit 来计算集合中的前 n 个元素很简单。然而，随着数据大小的增加，这种方法变得缓慢且资源密集。使用近似值更有效。
Postgres 的开源 TopN 扩展可以快速获得 “top-n” 查询的近似结果。该扩展将 top 值具体化为 JSON 数据类型。TopN 可以增量更新这些 top 值，或者在不同的时间间隔内按需合并它们。
- TopN 扩展
基本操作
在查看 TopN 的实际示例之前，让我们看看它的一些原始操作是如何工作的。首先 topn_add 更新一个 JSON 对象，其中包含一个 key 被看到的次数：
select topn_add('{}', 'a'); -- => {"a": 1} -- record the sighting of another "a" select topn_add(topn_add('{}', 'a'), 'a'); -- => {"a": 2}
该扩展还提供聚合以扫描多个值：
-- for normal_rand create extension tablefunc; -- count values from a normal distribution SELECT topn_add_agg(floor(abs(i))::text) FROM normal_rand(1000, 5, 0.7) i; -- => {"2": 1, "3": 74, "4": 420, "5": 425, "6": 77, "7": 3}
如果 distinct 值的数量超过阈值，则聚合会丢弃那些最不常见的信息。这可以控制空间使用。阈值可以由 topn.number_of_counters GUC 控制。它的默认值为 1000。
现实例子
现在来看一个更现实的例子，说明 TopN 在实践中是如何工作的。让我们提取 2000 年的亚马逊产品评论，并使用 TopN 快速查询。首先下载数据集：
curl -L https://examples.citusdata.com/customer_reviews_2000.csv.gz | \ gunzip > reviews.csv
接下来，将其摄取到分布式表中：
CREATE TABLE customer_reviews ( customer_id TEXT, review_date DATE, review_rating INTEGER, review_votes INTEGER, review_helpful_votes INTEGER, product_id CHAR(10), product_title TEXT, product_sales_rank BIGINT, product_group TEXT, product_category TEXT, product_subcategory TEXT, similar_product_ids CHAR(10)[] ); SELECT create_distributed_table('customer_reviews', 'product_id'); \COPY customer_reviews FROM 'reviews.csv' WITH CSV
接下来我们将添加扩展，创建一个目标表来存储 TopN 生成的 json 数据，并应用我们之前看到的 topn_add_agg 函数。
-- run below command from coordinator, it will be propagated to the worker nodes as well CREATE EXTENSION topn; -- a table to materialize the daily aggregate CREATE TABLE reviews_by_day ( review_date date unique, agg_data jsonb ); SELECT create_reference_table('reviews_by_day'); -- materialize how many reviews each product got per day per customer INSERT INTO reviews_by_day SELECT review_date, topn_add_agg(product_id) FROM customer_reviews GROUP BY review_date;
现在，我们无需在 customer_reviews 上编写复杂的窗口函数，只需将 TopN 应用于 reviews_by_day。例如，以下查询查找前五天中每一天最常被评论的产品：
SELECT review_date, (topn(agg_data, 1)).* FROM reviews_by_day ORDER BY review_date LIMIT 5;
┌─────────────┬────────────┬───────────┐ │ review_date │ item │ frequency │ ├─────────────┼────────────┼───────────┤ │ 2000-01-01 │ 0939173344 │ 12 │ │ 2000-01-02 │ B000050XY8 │ 11 │ │ 2000-01-03 │ 0375404368 │ 12 │ │ 2000-01-04 │ 0375408738 │ 14 │ │ 2000-01-05 │ B00000J7J4 │ 17 │ └─────────────┴────────────┴───────────┘
TopN 创建的 json 字段可以与 topn_union 和 topn_union_agg 合并。我们可以使用后者来合并整个第一个月的数据，并列出该期间最受好评的五个产品。
SELECT (topn(topn_union_agg(agg_data), 5)).* FROM reviews_by_day WHERE review_date >= '2000-01-01' AND review_date < '2000-02-01' ORDER BY 2 DESC;
┌────────────┬───────────┐ │ item │ frequency │ ├────────────┼───────────┤ │ 0375404368 │ 217 │ │ 0345417623 │ 217 │ │ 0375404376 │ 217 │ │ 0375408738 │ 217 │ │ 043936213X │ 204 │ └────────────┴───────────┘
有关更多详细信息和示例，请参阅 TopN readme。
百分位计算
在大量行上找到精确的百分位数可能会非常昂贵， 因为所有行都必须转移到 coordinator 以进行最终排序和处理。另一方面，找到近似值可以使用所谓的 sketch 算法在 worker 节点上并行完成。 coordinator 节点然后将压缩摘要组合到最终结果中，而不是读取完整的行。
一种流行的百分位数 sketch 算法使用称为 t-digest 的压缩数据结构，可在 tdigest 扩展中用于 PostgreSQL。Citus 集成了对此扩展的支持。
以下是在 Citus 中使用 t-digest 的方法：
- 在所有
PostgreSQL节点（coordinator和所有worker）上下载并安装tdigest扩展。tdigest 扩展 github 存储库有安装说明。
- 在数据库中创建
tdigest扩展。在coordinator上运行以下命令：
CREATE EXTENSION tdigest;
coordinator也会将命令传播给worker。
当在查询中使用扩展中定义的任何聚合时，Citus 将重写查询以将部分 tdigest 计算下推到适用的 worker。
T-digest 精度可以通过传递给聚合的 compression 参数来控制。权衡是准确性与 worker 和 coordinator 之间共享的数据量。有关如何在 tdigest 扩展中使用聚合的完整说明，请查看官方 tdigest github 存储库中的文档。
限制下推
Citus 还尽可能将限制条款下推到 worker 的分片，以最大限度地减少跨网络传输的数据量。
但是，在某些情况下，带有 LIMIT 子句的 SELECT 查询可能需要从每个分片中获取所有行以生成准确的结果。例如，如果查询需要按聚合列排序，则需要所有分片中该列的结果来确定最终聚合值。由于大量的网络数据传输，这会降低 LIMIT 子句的性能。在这种情况下，如果近似值会产生有意义的结果，Citus 提供了一种用于网络高效近似 LIMIT 子句的选项。
LIMIT 近似值默认禁用，可以通过设置配置参数 citus.limit_clause_row_fetch_count 来启用。在这个配置值的基础上，Citus 会限制每个任务返回的行数，用于在 coordinator 上进行聚合。由于这个 limit，最终结果可能是近似的。增加此 limit 将提高最终结果的准确性，同时仍提供从 worker 中提取的行数的上限。
SET citus.limit_clause_row_fetch_count to 10000;
分布式表的视图
Citus 支持分布式表的所有视图。有关视图的语法和功能的概述，请参阅 CREATE VIEW 的 PostgreSQL 文档。
请注意，某些视图导致查询计划的效率低于其他视图。有关检测和改进不良视图性能的更多信息，请参阅子查询/CTE 网络开销。（视图在内部被视为子查询。）
Citus 也支持物化视图，并将它们作为本地表存储在 coordinator 节点上。
连接(Join)
Citus 支持任意数量的表之间的 equi-JOIN，无论它们的大小和分布方法如何。查询计划器根据表的分布方式选择最佳连接方法和 join 顺序。它评估几个可能的 join 顺序并创建一个 join 计划，该计划需要通过网络传输最少的数据。
共置连接
当两个表共置时，它们可以在它们的公共分布列上有效地 join。co-located join(共置连接) 是 join 两个大型分布式表的最有效方式。
注意
确保表分布到相同数量的分片中，并且每个表的分布列具有完全匹配的类型。尝试加入类型略有不同的列（例如 `int` 和 `bigint`）可能会导致问题。
引用表连接
引用表可以用作“维度”表， 以有效地与大型“事实”表连接。因为引用表在所有 worker 上完全复制， 所以 reference join 可以分解为每个 worker 上的本地连接并并行执行。 reference join 就像一个更灵活的 co-located join 版本， 因为引用表没有分布在任何特定的列上，并且可以自由地 join 到它们的任何列上。
引用表也可以与 coordinator 节点本地的表连接。
重新分区连接
在某些情况下，您可能需要在除分布列之外的列上连接两个表。对于这种情况，Citus 还允许通过动态重新分区查询的表来连接非分布 key 列。
在这种情况下，要分区的表由查询优化器根据分布列、连接键和表的大小来确定。使用重新分区的表，可以确保只有相关的分片对相互连接，从而大大减少了通过网络传输的数据量。
通常，co-located join 比 repartition join 更有效，因为 repartition join 需要对数据进行混洗。因此，您应该尽可能通过 common join 键来分布表。
