PostgreSQL查询成本模型
原文：The PostgreSQL Query Cost Model
作者：igor_sarcevic
翻译：无阻我飞扬
摘要：PostgreSQL是一个自由的对象-关系数据库服务器(数据库管理系统)，被业界誉为“最先进的开源数据库”，本文作者以代码实例说明了如何计算和评估PostgreSQL查询成本，以下是译文。
数据库查询速度如果太慢会从很多方面损害机构，比如可能会损害一些优秀应用程序的声誉，因为数据库查询速度过慢，造成后台处理速度慢得令人痛苦，并大幅增加基础设施的成本。作为一名经验丰富的Web开发人员，了解数据层的优化策略是绝对必要的。
在本文中，我们将探讨PostgreSQL的成本模型，如何了解explain命令（关于explain命令可参见这篇文章）的输出，最重要的是如何利用这些模型数据来提高应用程序的吞吐量。
使用PostgreSQL Explain 命令
在应用程序中部署一个新的查询语句之前，最好通过PostgreSQL中的 explain中的命令来运行它，以评估新查询对应用系统性能的影响。
以一个示例数据库表开始，来说明explain命令的用法。这个表存有一百万条数据记录。
db # CREATE TABLE users (id serial, name varchar);
db # INSERT INTO users (name) SELECT 'John'
FROM generate_series(1, 1000000);
db # SELECT count(*) FROM users;
count
1000000
(1 row)
db # SELECT id, name FROM users LIMIT 10;
id | name
----+------
1 | John
2 | John
3 | John
4 | John
5 | John
6 | John
7 | John
8 | John
9 | John
10 | John
(10 rows)
假设需要用一个给定的id来查找一个用户名，但是在部署新的查询代码之前，要评估这个查询操作的成本。运行一个explain语句来做相关查询：
db # EXPLAIN SELECT * FROM users WHERE id = 870123;
QUERY PLAN
--------------------------------------------------
Gather (cost=1000.00..11614.43 rows=1 width=9)
Workers Planned: 2
-> Parallel Seq Scan on users (cost=0.00..10614.33 rows=1 width=9)
Filter: (id = 870123)
(4 rows)
在上面的例子中有很多的输出，但是可以得到它的要点。为了运行这个查询，PostgreSQL计划启动两个并行的工作进程（workers）。每个工作进程将在表上进行顺序扫描，最后，收集器合并来自两个工作进程的结果。
在本文中，重点介绍上面输出的cost以及PostgreSQL如何计算它。
为了简化成本探索，运行上面的查询，但限制可并行的工作进程数量为0。
db # SET max_parallel_workers_per_gather = 0;
db # EXPLAIN SELECT * FROM users WHERE id = 870123;
QUERY PLAN
--------------------------------------------------
Seq Scan on users (cost=0.00..17906.00 rows=1 width=9)
Filter: (id = 870123)
(2 rows)
这有点简单。在只有单CPU内核的情况下，评估成本是17906。
成本值背后的数学
在PostgreSQL中，成本或惩罚点大多是一个抽象的概念。PostgreSQL可以执行查询的方式很多，而PostgreSQL总是选择最低成本值的执行规划。
计算成本，PostgreSQL首先查看表的字节数大小。接下来看看用户表的大小。
db # select pg_relation_size('users');
pg_relation_size
--------------------------
44285952
(1 row)
PostgreSQL会为每个要依次读取的块添加成本点。如果知道每个块都包含了8kb，那么就可以计算从表中读取的顺序块的成本值。
block_size = 8192 # block size in bytes
relation_size = 44285952
blocks = relation_size / block_size # => 5406
现在，已经知道块的数量，找出PostgreSQL为每个块读取分配多少个成本点。
db # SHOW seq_page_cost;
seq_page_cost
----------
1
(1 row)
换句话说，PostgreSQL为每个块分配一个成本点。这就需要 5406个成本点从表中读取数据。
从磁盘读取值并不是PostgreSQL需要做的。它必须将这些值发送给CPU并应用一个WHERE子句过滤。对于这个计算来说，如下的两个值非常有趣。
db # SHOW cpu_tuple_cost;
cpu_tuple_cost
--------------------
0.01
db # SHOW cpu_operator_cost;
cpu_operator_cost
----------------
0.0025
现在，用所有的值来计算在explain 语句中得到的值。
number_of_records = 1000000
block_size = 8192 # block size in bytes
relation_size = 44285952
blocks = relation_size / block_size # => 5406
seq_page_cost = 1
cpu_tuple_cost = 0.01
cpu_filter_cost = 0.0025;
cost = blocks * seq_page_cost +
number_of_records * cpu_tuple_cost +
number_of_records * cpu_filter_cost
cost # => 17546
索引和PostgreSQL成本模型
索引在数据库工程师的生活中很可能仍然是最重要的话题。添加索引是否可以降低SELECT语句的成本呢？通过下面的例子来找出答案。
首先，在users表中添加一个索引：
db # CREATE INDEX idx_users_id ON users (id);
观察一下新索引的查询规划。
db # EXPLAIN SELECT * FROM users WHERE id = 870123;
QUERY PLAN
---------- ---------- ----------
Index Scan using idx_users_id on users (cost=0.42..8.44 rows=1 width=9)
Index Cond: (id = 870123)
(2 rows)
成本函数显著下降。索引扫描的计算比顺序扫描的计算要复杂一些。它由两个阶段组成。
PostgreSQL会考虑random_page_cost和cpu_index_tuple_cost 变量，并返回一个基于索引树的高度的值。
db # SHOW random_page_cost;
random_page_cost
----------------
4
db # SHOW cpu_index_tuple_cost;
cpu_index_tuple_cost
----------
0.005
对于实际的计算，请考虑阅读成本指数计算器的源代码。
工作进程的成本
PostgreSQL可以启动并行的工作进程（worker）来执行查询。但是，开启一个新的工作进程，性能会受到影响。
为了计算使用并行工作进程的成本，PostgreSQL使用 parallel_tuple_cost这个命令，它定义了从一个工作进程传送元组到另一个工作进程的成本，parallel_setup_cost命令意味着启动一个新的工作进程（worker）的成本，以下是查询示例。
db # SHOW parallel_tuple_cost;
parallel_tuple_cost
---------------------
0.1
db # SHOW parallel_setup_cost;
parallel_setup_cost
---------------------
1000
PS：在本周六的数据库线上峰会上，我们邀请了来自阿里巴巴的周正中老师给大家带来《PostgreSQL流计算案例》分享，欢迎大家报名参加：http://edu.csdn.net/huiyiCourse/series_detail/74
