开发者社区> 德哥> 正文
阿里云
为了无法计算的价值
打开APP
阿里云APP内打开

HTAP数据库 PostgreSQL 场景与性能测试之 6 - (OLTP) 空间应用 - KNN查询(搜索附近对象,由近到远排序输出)

简介:
+关注继续查看

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。

pic

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。

pic

在各种应用场景中都可以看到PostgreSQL的应用:

pic

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:

pic

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 - 空间应用 - KNN查询(搜索附近对象,由近到远排序输出) (OLTP)

1、背景

在社交业务、O2O业务、空间应用中,搜索附近的对象是非常常见的需求,例如:

1、微信的摇一摇,

2、探探的搜索附近的异性,

3、导航软件中搜索附近的加油站、餐馆、酒店等。

4、打车软件,搜索附近的出租车。

5、公安系统,搜索某个多边形内的对象。

6、团圆系统,搜索某个点附近的所有对象。

我们生活的周围有非常多的应用都有附近搜索的需求。

2、设计

一张空间表,10亿个经纬点,输入一个随机点,搜索附近5公里的人,按近到远排序输出前1、100条。

10亿个点已经可以包含非常丰富的信息,建筑物、用户、汽车、小区、商场、加油站。。。等。

3、准备测试表

create extension postgis;    
    
create table t_pos(    
  id int primary key,    
  pos geometry    
);    

4、准备测试函数(可选)

create or replace function ff(geometry, float8, int) returns setof record as $$                                                            
declare    
  v_rec record;    
  v_limit int := $3;    
begin    
  set local enable_seqscan=off;   -- 强制索引, 扫描行数够就退出.    
  for v_rec in     
    select *,     
    st_distancespheroid(pos, $1, 'SPHEROID["WGS84",6378137,298.257223563]') as dist     
    from t_pos     
    order by pos <-> $1    
  loop    
    if v_limit <=0 then    
      -- raise notice '已经取足数据';    
      return;    
    end if;    
    if v_rec.dist > $2 then    
      -- raise notice '满足条件的点已输出完毕';    
      return;    
    else    
      -- raise notice 'do someting, v_rec:%', v_rec;    
      return next v_rec;    
    end if;    
    v_limit := v_limit -1;    
  end loop;    
end;    
$$ language plpgsql strict volatile;    

5、准备测试数据

insert into t_pos     
select * from (    
  select id,    
  ST_SetSRID(    
              ST_Point( round((random()*(135.085831-73.406586)+73.406586)::numeric,6),        
                        round((random()*(53.880950-3.408477)+3.408477)::numeric,6)        
              ),    
             4326    
            )  as pos    
from generate_series(1,1000000000) t(id)     
) t    
order by st_geohash(pos,15);    
    
create index idx_t_pos_1 on t_pos using gist(pos);    

6、准备测试脚本

1、指定任意一个点,由近到远返回5公里内的100个点。

vi test1.sql    
    
\set x random(73,135)    
\set y random(3,53)    
select * from ff(st_setsrid(st_makepoint(:x,:y),4326), 5000, 100) as t(id int, pos geometry, dist float8);    

2、指定任意一个点,由近到远返回附近的100个点。

vi test2.sql  
  
\set x random(73,135)    
\set y random(3,53)   
select *, st_distancespheroid(pos, st_setsrid(st_makepoint(:x,:y),4326), 'SPHEROID["WGS84",6378137,298.257223563]') as dist from t_pos order by pos <-> st_setsrid(st_makepoint(:x,:y),4326) limit 100;  

3、指定任意一个点,由近到远返回5公里内的1个点。

vi test3.sql    
    
\set x random(73,135)    
\set y random(3,53)    
select * from ff(st_setsrid(st_makepoint(:x,:y),4326), 5000, 1) as t(id int, pos geometry, dist float8);    

4、指定任意一个点,由近到远返回附近的1个点。

vi test4.sql  
  
\set x random(73,135)    
\set y random(3,53)   
select *, st_distancespheroid(pos, st_setsrid(st_makepoint(:x,:y),4326), 'SPHEROID["WGS84",6378137,298.257223563]') as dist from t_pos order by pos <-> st_setsrid(st_makepoint(:x,:y),4326) limit 1;  

7、测试

CONNECTS=112      
TIMES=120      
export PGHOST=$PGDATA      
export PGPORT=1999      
export PGUSER=postgres      
export PGPASSWORD=postgres      
export PGDATABASE=postgres      
      
pgbench -M prepared -n -r -f ./test1.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES      
pgbench -M prepared -n -r -f ./test2.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES     
pgbench -M prepared -n -r -f ./test3.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES     
pgbench -M prepared -n -r -f ./test4.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES     

8、测试结果

1、指定任意一个点,由近到远返回5公里内的100个点。

transaction type: ./test.sql  
scaling factor: 1  
query mode: prepared  
number of clients: 112  
number of threads: 112  
duration: 120 s  
number of transactions actually processed: 1716069  
latency average = 7.830 ms  
latency stddev = 5.340 ms  
tps = 14255.242120 (including connections establishing)  
tps = 14258.960645 (excluding connections establishing)  
script statistics:  
 - statement latencies in milliseconds:  
         0.003  \set x random(73,135)    
         0.001  \set y random(3,53)    
         7.828  select * from ff(st_setsrid(st_makepoint(:x,:y),4326), 5000, 100) as t(id int, pos geometry, dist float8);  

2、指定任意一个点,由近到远返回5公里内的1个点。

transaction type: ./test.sql  
scaling factor: 1  
query mode: prepared  
number of clients: 112  
number of threads: 112  
duration: 120 s  
number of transactions actually processed: 12802519  
latency average = 1.049 ms  
latency stddev = 0.948 ms  
tps = 106443.247555 (including connections establishing)  
tps = 106471.622064 (excluding connections establishing)  
script statistics:  
 - statement latencies in milliseconds:  
         0.002  \set x random(73,135)    
         0.001  \set y random(3,53)    
         1.048  select * from ff(st_setsrid(st_makepoint(:x,:y),4326), 5000, 1) as t(id int, pos geometry, dist float8);  

3、指定任意一个点,由近到远返回附近的100个点。

transaction type: ./test.sql  
scaling factor: 1  
query mode: prepared  
number of clients: 112  
number of threads: 112  
duration: 120 s  
number of transactions actually processed: 4259777  
latency average = 3.154 ms  
latency stddev = 1.730 ms  
tps = 35485.626794 (including connections establishing)  
tps = 35493.479127 (excluding connections establishing)  
script statistics:  
 - statement latencies in milliseconds:  
         0.002  \set x random(73,135)    
         0.001  \set y random(3,53)   
         3.152  select *, st_distancespheroid(pos, st_setsrid(st_makepoint(:x,:y),4326), 'SPHEROID["WGS84",6378137,298.257223563]') as dist from t_pos order by pos <-> st_setsrid(st_makepoint(:x,:y),4326) limit 100;  

4、指定任意一个点,由近到远返回附近的1个点。

transaction type: ./test.sql  
scaling factor: 1  
query mode: prepared  
number of clients: 112  
number of threads: 112  
duration: 120 s  
number of transactions actually processed: 16396606  
latency average = 0.819 ms  
latency stddev = 0.766 ms  
tps = 136561.188639 (including connections establishing)  
tps = 136600.851378 (excluding connections establishing)  
script statistics:  
 - statement latencies in milliseconds:  
         0.002  \set x random(73,135)    
         0.001  \set y random(3,53)   
         0.818  select *, st_distancespheroid(pos, st_setsrid(st_makepoint(:x,:y),4326), 'SPHEROID["WGS84",6378137,298.257223563]') as dist from t_pos order by pos <-> st_setsrid(st_makepoint(:x,:y),4326) limit 1;  

TPS

1、指定任意一个点,由近到远返回5公里内的100个点。

14258

2、指定任意一个点,由近到远返回附近的100个点。

35493

3、指定任意一个点,由近到远返回5公里内的1个点。

106471

4、指定任意一个点,由近到远返回附近的1个点。

136600

平均响应时间

1、指定任意一个点,由近到远返回5公里内的100个点。

7.830 毫秒

2、指定任意一个点,由近到远返回附近的100个点。

3.154 毫秒

3、指定任意一个点,由近到远返回5公里内的1个点。

1.049 毫秒

4、指定任意一个点,由近到远返回附近的1个点。

0.819 毫秒

参考

《PostgreSQL、Greenplum 应用案例宝典《如来神掌》 - 目录》

《数据库选型之 - 大象十八摸 - 致 架构师、开发者》

《PostgreSQL 使用 pgbench 测试 sysbench 相关case》

《数据库界的华山论剑 tpc.org》

https://www.postgresql.org/docs/10/static/pgbench.html

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
解决 RDS SQL Server 日志空间增长问题
解决 RDS SQL Server 日志空间增长问题
0 0
【重新发现PostgreSQL之美】- 25 最强大脑题目 泰森多边形(空间战略布局问题)
大家好,这里是重新发现PostgreSQL之美 - 25 最强大脑题目 泰森多边形(空间战略布局问题)
0 0
AnalyticDB for PostgreSQL 空间数据分析实战
数字经济时代,数据是其关键的生产资料,而空间信息作为一重要属性集和模型特征集在业界形成广泛共识。政府层面,美国911之后,通信运营商为政府相关部门(如公安、交通、应急指挥等)提供手机定位信息受法律保护;社会部分行业,尤其涉及GIS、交通、物流、吃住行游、自动驾驶等,无不与空间信息强相关。由此,空间数据的存储、空间查询与分析等特性成为数据库的标配。本文主要介绍如何利用AnalyticDB for PostgreSQL对空间数据进行管理和分析应用。
0 0
【巡检问题分析与最佳实践】RDS SQL Server 空间使用问题
实例的空间使用率是RDS SQL Server用户日常需要重点关注的监控项之一。如果实例的存储空间完全打满,将会导致严重的影响,包括:数据库无法写入、数据库备份无法正常完成、存储空间扩容任务的执行耗时可能更长等。
0 0
【巡检问题分析与最佳实践】RDS MySQL 实例空间问题
实例的空间使用率是RDS MySQL用户日常需要重点关注的监控项之一。如果实例的存储空间完全打满,将会导致严重的影响,包括:数据库无法写入、数据库备份无法正常完成、存储空间扩容任务的执行耗时可能更长等。 一般来说,当一个RDS MySQL实例的存储空间使用比例达到80-85%以上时,就应及时进行处理,要么降低数据库实际占用空间的大小,要么对存储空间进行扩容,以避免空间打满的风险。
0 0
RDS for SQL server 空间问题排查汇总
SQL server的空间问题一直有客户在询问,今天就给大家汇总讲解下SQL server 的全部空间开销
0 0
AnalyticDB for PostgreSQL 空间数据分析实战
数字经济时代,数据是其关键的生产资料,而空间信息作为一重要属性集和模型特征集在业界形成广泛共识。政府层面,美国911之后,通信运营商为政府相关部门(如公安、交通、应急指挥等)提供手机定位信息受法律保护;社会部分行业,尤其涉及GIS、交通、物流、吃住行游、自动驾驶等,无不与空间信息强相关。由此,空间数据的存储、空间查询与分析等特性成为数据库的标配。本文主要介绍如何利用AnalyticDB for PostgreSQL对空间数据进行管理和分析应用。
0 0
PostgreSQL 空间聚合性能 - 行政区、电子围栏 空间聚合 - 时间、空间热力图
标签 PostgreSQL , 空间聚合 , 空间热力图 , 行政区 , 电子围栏 背景 某个时间区间(或其他条件),出现在某些围栏、行政区(多边形信息)中的对象(空间点信息)有多少,按颜色深浅渲染这些多边形。
962 0
PostgreSQL 多维空间几何对象 相交、包含 高效率检索实践 - cube
标签 PostgreSQL , cube , 空间 , 几何 , 相交 , 包含 背景 多维空间对象的几何运算,高效率检索实践。 例如我们在数据库中存储了多维几何对象,可以使用lower, upper的数组来表达,例如3维度对象: CUBE [ xmin1 ymin1 zmin1 , xmax1 ymax1 zmax1 ] 在介绍CUBE类型前,我们可以使用6个字段(xmin,xmax,ymin,ymax,zmin,zmax)来表达一个立方体。
430 0
PostgreSQL PostGIS 空间数据约束使用
标签 PostgreSQL , PostGIS , 空间数据约束 背景 空间数据有一定的规范,例如SRID的规范。空间类型geometry包罗万象,除了能存储POINT,还能存储多边形,线段等。 这就带来一个有意思的烦恼,当我们业务不够规范时,你可以往GEOMETRY里面存储任意SRID的数据,存储任意的空间对象。
477 0
+关注
德哥
公益是一辈子的事, I am digoal, just do it.
文章
问答
来源圈子
更多
让用户数据永远在线,让数据无缝的自由流动
+ 订阅
文章排行榜
最热
最新
相关电子书
更多
云数据库RDS MySQL从入门到高阶
立即下载
PolarDB for PostgreSQL 源码与应用实战
立即下载
PolarDB for PostgreSQL 开源必读手册
立即下载