PgSQL · 应用案例 · 经营、销售分析系统DB设计之共享充电宝

  1. 云栖社区>
  2. 博客>
  3. 正文

PgSQL · 应用案例 · 经营、销售分析系统DB设计之共享充电宝

技术小能手 2017-12-13 15:43:41 浏览1508
展开阅读全文

背景

共享充电宝、共享单车、共享雨伞,共享女朋友^|^,共享汽车,。。。 共享经济最近几年发展确实非常迅猛。

共享必定涉及被共享对象的管理、会员的管理等,实际上也属于一种物联网系统。

本文以共享充电宝的场景为例,分享一下共享充电宝的经营分析、销售管理系统的后台数据库的设计。(老板关心的是整体销售的业绩,以及各个渠道的透视等。销售经理关心的是他管辖片区的销售业绩,运维人员关心的是设备的状态。)

一、数据结构和数据量

业务模式是什么样的?

在饭店、商场、火车站、足浴店等各种场所,都能看到充电宝的身影。每个充电宝会有相对固定的位置(比如放在外婆家餐馆),每个固定的位置都有相对固定的销售(就好像古惑仔受保护费一样),每个销售都有固定的上级。

用户借充电宝操作很简答,用户扫码,下单,借走;有些是不能借走的,那就扫码,下单,充电。

(这里除了充电业务,实际上还可以与商户合作,搞一些用户画像和广告推送、商家促销的业务。当然,前提是有用户画像。)

数据结构抽象

pic

1、人员表(BOSS,销售总监,门店经理)。

数据量预估:3000+,极少更新。

2、类目表(足浴店、酒店、火车站、饭店。。。)

数据量预估:100+ , 极少更新

3、门店表

数据量预估:百万级以内 , 极少更新

4、设备表

数据量预估:百万级 , 每个设备 每隔N分钟上报一次心跳

5、订单表

数据量预估:百万级/天 ,插入、并且每个订单至少更新一次(创建订单、支付订单、退单等),订单有最终状态。

二、分析需求

1、实时分析需求:

以日、月、年时间维度;再加上以全局、员工、员工一级下属、员工所有下属、类目、门店、设备等维度进行透视。

2、聚合指标:

新增设备数、在线设备数、离线设备数、新建订单量、成交订单量、退订量、账务流水等等。

3、时间需求:

有查询当天订单统计需求、有查询当天、前一天统一时间点统计需求,算同比。同样的也有月、年需求。

4、查询并发:

分析系统的查询并发通常不会太高,因为都是自己人使用的。一分钟可能不会超过3000。

5、查询时效性:

月、年统计 每天离线生成。(建议这么做,因为业务上月指标没必要实时看。)

日维度的统计,实时产生。(日数据量并不大,实时产生,实时查询,可以满足并发、响应时间的需求。同时也满足业务的需求。)

响应时间要求:几十毫秒级。

并发要求:100以内。

三、数据库选型

PostgreSQL 10:HTAP数据库,支持10TB级OLTP和OLAP混合需求。TP性能强劲,功能丰富。支持多核并行计算,HASH JOIN等一系列强大的功能,AP性能亦适中。

HybridDB for PostgreSQL:PB级,纯分析型数据库,支持多机并行计算。AP性能强劲,但是TP性能非常弱。

如果想了解更多的详情,请参考:

《空间|时间|对象 圈人 + 透视 - 暨PostgreSQL 10与Greenplum的对比和选择》

本场景到底选哪个呢?干脆两个都来做个DEMO设计,对比一下。

四、PostgreSQL 10 方案1

设计表结

create table a ( -- 员工层级信息 
 id int primary key, -- 编号 ID 
 nick name, -- 名字 
 pid int -- 上级 ID 
); create table c ( -- 类目 
 id int primary key, -- 类目ID 
 comment text -- 类目名称 
); create table b ( -- 终端门店 
 id int primary key, -- 编号 
 nick text, -- 名称 
 cid int, -- 类目 
 aid int -- 门店经理ID 
); create table d ( -- 设备 
 id int primary key, -- 设备编号 
 bid int, -- 门店编号 
 alive_ts timestamp -- 设备心跳时间 
); create table log ( -- 订单日志 
 did int, -- 设备ID 
 state int2, -- 订单最终状态 
 crt_time timestamp, -- 订单创建时间 
 mod_time timestamp -- 订单修改时间 
) partition by range (crt_time); create table log_201701 partition of log for values from ('2017-01-01') to ('2017-02-01') with (parallel_workers =32); create table log_201702 partition of log for values from ('2017-02-01') to ('2017-03-01') with (parallel_workers =32); create table log_201703 partition of log for values from ('2017-03-01') to ('2017-04-01') with (parallel_workers =32); create table log_201704 partition of log for values from ('2017-04-01') to ('2017-05-01') with (parallel_workers =32); create table log_201705 partition of log for values from ('2017-05-01') to ('2017-06-01') with (parallel_workers =32); create table log_201706 partition of log for values from ('2017-06-01') to ('2017-07-01') with (parallel_workers =32); create table log_201707 partition of log for values from ('2017-07-01') to ('2017-08-01') with (parallel_workers =32); create table log_201708 partition of log for values from ('2017-08-01') to ('2017-09-01') with (parallel_workers =32); create table log_201709 partition of log for values from ('2017-09-01') to ('2017-10-01') with (parallel_workers =32); create table log_201710 partition of log for values from ('2017-10-01') to ('2017-11-01') with (parallel_workers =32); create table log_201711 partition of log for values from ('2017-11-01') to ('2017-12-01') with (parallel_workers =32); create table log_201712 partition of log for values from ('2017-12-01') to ('2018-01-01') with (parallel_workers =32); create table log_201801 partition of log for values from ('2018-01-01') to ('2018-02-01') with (parallel_workers =32); create index idx_log_201701_1 on log_201701 using btree (crt_time) ; create index idx_log_201702_1 on log_201702 using btree (crt_time) ; create index idx_log_201703_1 on log_201703 using btree (crt_time) ; create index idx_log_201704_1 on log_201704 using btree (crt_time) ; create index idx_log_201705_1 on log_201705 using btree (crt_time) ; create index idx_log_201706_1 on log_201706 using btree (crt_time) ; create index idx_log_201707_1 on log_201707 using btree (crt_time) ; create index idx_log_201708_1 on log_201708 using btree (crt_time) ; create index idx_log_201709_1 on log_201709 using btree (crt_time) ; create index idx_log_201710_1 on log_201710 using btree (crt_time) ; create index idx_log_201711_1 on log_201711 using btree (crt_time) ; create index idx_log_201712_1 on log_201712 using btree (crt_time) ; create index idx_log_201801_1 on log_201801 using btree (crt_time) ; 

初始化数据

1、初始化员工层级 (0为老板,1-30为销售总监,31-3000为门店经理。)

do language plpgsql $$ 
declare begin truncate a; insert into a select generate_series(0,3000); update a set pid=0 where id between 1 and 30; 
 for i in 1..30 loop 
 update a set pid=i where id between 31+100*(i-1) and 31+100*i-1; end loop; end; 
$$; 

2、初始化类目

insert into c select generate_series(1,100); 

3、初始化门店

insert into b select generate_series(1,500000), '', ceil(random()*100), 30+ceil(random()*(3000-30)); 

4、初始化设备

insert into d select generate_series(1,1000000), ceil(random()*500000); 

5、生成1年订单,约3.65亿,实际写入3.78亿(每天100万比订单,90%支付,10%退款)

do language plpgsql $$ 
declare 
 s date := '2017-01-01'; 
 e date := '2017-12-31'; 
begin for x in 0..(e-s) loop 
 insert into log select ceil(random()*1000000), case when random()<0.1 then 0 else 1 end, s + x + (i||' second')::interval from generate_series(0,86399) t(i), 
 generate_series(1,12); -- 12是100万一天除以86400得到的,主要是方便写入测试数据。  end loop; end; 
$$; 
 
 
 
postgres=# select count(*) from log; 
 count 
----------- 
 378432001 
(1 row) 

6、索引(可选操作,优化项)

(建议实时数据使用btree索引,静态数据使用BRIN块级索引,静态数据删除BTREE索引。)。

例子

当订单数据成为静态历史数据时,删除静态表旧btree索引,增加如下brin索引。

create index idx_log_201701_1 on log_201701 using brin (crt_time) ; create index idx_log_201702_1 on log_201702 using brin (crt_time) ; create index idx_log_201703_1 on log_201703 using brin (crt_time) ; create index idx_log_201704_1 on log_201704 using brin (crt_time) ; create index idx_log_201705_1 on log_201705 using brin (crt_time) ; create index idx_log_201706_1 on log_201706 using brin (crt_time) ; create index idx_log_201707_1 on log_201707 using brin (crt_time) ; create index idx_log_201708_1 on log_201708 using brin (crt_time) ; create index idx_log_201709_1 on log_201709 using brin (crt_time) ; create index idx_log_201710_1 on log_201710 using brin (crt_time) ; create index idx_log_201711_1 on log_201711 using brin (crt_time) ; create index idx_log_201712_1 on log_201712 using brin (crt_time) ; create index idx_log_201801_1 on log_201801 using brin (crt_time) ; 

创建必要的UDF函数

1、创建immutable函数,获取当前时间,前天,前年时间。(使用immutable函数,优化器将过滤不必查询的分区。),如果要支持并行,设置为parallel safe.

create or replace function cdate() returns date as $$ 
 select current_date; 
$$ language sql strict immutable PARALLEL safe; 
 
 
create or replace function cts(interval default '0') returns timestamp as $$ 
 select (now() - $1)::timestamp; 
$$ language sql strict immutable PARALLEL safe; 

透视SQL设计

按人,查询下级所有层级,关联门店,关联设备,关联订单。

输出统计信息:

1、聚合项:

今日截止总订单,今日截止支付订单,同比昨日截止总订单,同比昨日截止支付订单

当月截止总订单,当月截止支付订单,同比上月截止总订单,同比上月截止支付订单

当年截止总订单,当年截止支付订单,同比上年截止总订单,同比上年截止支付订单

2、聚合维度:

全量,TOP

类目,TOP

门店,TOP

所有下属,TOP

所有下属,类目,TOP

所有下属,门店,TOP

门店经理,TOP

门店经理,类目,TOP

门店经理,门店,TOP

透视SQL性能指标举例

1、全量透视,32个并发,77毫秒。

select t1.cnt, t1.succ_cnt, t2.cnt, t2.succ_cnt from 
( 
 select count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate() and cts() 
) t1, 
( 
 select count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate()-1 and cts(interval '1 day') 
) t2; 
 cnt | succ_cnt | cnt | succ_cnt 
--------+----------+--------+---------- 
 796621 | 716974 | 796620 | 716930 
(1 row) 
 
Time: 76.697 ms 

2、类目 TOP,32个并发,446毫秒。

select c.id, count(*) cnt, sum(state) succ_cnt from c 
 join b on (c.id=b.cid) 
 join d on (b.id=d.bid) 
 join log on (d.id=log.did) 
 where crt_time between cdate() and cts() 
 group by c.id 
 order by cnt desc limit 10; 
 
 id | cnt | succ_cnt 
----+------+---------- 
 39 | 8369 | 7543 
 70 | 8346 | 7517 
 64 | 8281 | 7488 
 13 | 8249 | 7412 
 29 | 8222 | 7427 
 3 | 8217 | 7370 
 90 | 8200 | 7387 
 79 | 8199 | 7346 
 71 | 8175 | 7348 
 75 | 8169 | 7373 
(10 rows) 
 
Time: 446.977 ms 

3、我的总销量(包括所有下属),464毫秒。

这里用到了with recursive递归语法,根据当前登录用户的ID,树形查询所有下属。

with recursive tmp as ( 
 select * from a where id=31 -- 输入我的USER ID  union all select a.* from a join tmp on (a.pid=tmp.id) 
) 
select count(*) cnt, sum(state) succ_cnt from tmp 
 join b on (tmp.id=b.aid) 
 join d on (b.id=d.bid) 
 join log on (d.id=log.did) 
 where crt_time between cdate() and cts() 
 ; 
 cnt | succ_cnt 
-----+---------- 
 296 | 268 
(1 row) 
 
Time: 463.970 ms 

4、我的直接下属,TOP,2.6秒。

这里用到了with recursive递归语法,根据当前登录用户的ID,树形查询所有下属。

这里还用到了正则表达式,用于对直接下属进行分组聚合。得到他们的销量。

with recursive tmp as ( 
 select id::text from a where id=0 -- 输入我的USER ID  union all select tmp.id||'.'||a.id as id from a join tmp on (a.pid=substring(tmp.id, '([\d]+)$')::int) 
) 
select substring(tmp.id, '^[\d]*\.?([\d]+)'), count(*) cnt, sum(state) succ_cnt from tmp 
 join b on (substring(tmp.id, '([\d]+)$')::int=b.aid) 
 join d on (b.id=d.bid) 
 join log on (d.id=log.did) 
 where crt_time between cdate() and cts() 
 group by 1 order by cnt desc limit 10 
 ; 
 
 substring | cnt | succ_cnt 
-----------+-------+---------- 
 15 | 27341 | 24615 
 19 | 27242 | 24500 
 17 | 27190 | 24481 
 26 | 27184 | 24481 
 9 | 27179 | 24466 
 3 | 27157 | 24323 
 6 | 27149 | 24481 
 1 | 27149 | 24402 
 21 | 27141 | 24473 
 12 | 27140 | 24439 
(10 rows) 
 
Time: 2661.556 ms (00:02.662) 

5、我的所有下属(递归),TOP,642毫秒。

这里用到了with recursive递归语法,根据当前登录用户的ID,树形查询所有下属。

with recursive tmp as ( 
 select * from a where id=30 -- 输入我的USER ID  union all select a.* from a join tmp on (a.pid=tmp.id) 
) 
select tmp.id, count(*) cnt, sum(state) succ_cnt from tmp 
 join b on (tmp.id=b.aid) 
 join d on (b.id=d.bid) 
 join log on (d.id=log.did) 
 where crt_time between cdate() and cts() 
 group by tmp.id 
 order by cnt desc limit 10 
 ; 
 id | cnt | succ_cnt 
------+-----+---------- 
 2996 | 385 | 353 
 2969 | 339 | 301 
 2935 | 335 | 312 
 2936 | 332 | 304 
 2988 | 326 | 290 
 2986 | 321 | 295 
 2960 | 319 | 293 
 2964 | 313 | 276 
 2994 | 309 | 268 
 2975 | 308 | 276 
(10 rows) 
 
Time: 641.719 ms 

五、PostgreSQL 10 方案设计2 - 极限优化

方案1的优化点分析

前面看到,虽然用了并行,实际上部分透视查询的效率并没有达到100毫秒内的响应。

主要的消耗在JOIN层面,虽然已经并行哈希JOIN了,接下来的优化方法很奇妙,可以在订单写入时,自动补齐确实的上游信息(订单所对应设备的 销售的员工ID(ltree),类目、门店等)。

补齐信息后,就可以实现不需要JOIN的透视。

如何补齐呢?

补齐时,销售员工必须是包含所有层级关系的,因此我们选择了PostgreSQL ltree树类型来存储这个关系。

写入订单时,通过触发器,自动根据设备号补齐(用户ID(ltree),类目、门店)

1、创建树类型

create extension ltree; 

2、创建复合类型,包含树、类目、门店信息。

create type ntyp as (lt ltree, cid int, bid int); 

对订单表新增补齐字段

alter table log add column addinfo ntyp; 

3、创建物化视图1,存储实时员工结构。物化后,不需要再通过递归进行查询。

CREATE MATERIALIZED VIEW mv1 as select id, ( 
 with recursive tmp as ( 
 select id::text as path from a where id=t.id 
 union all select a.pid||'.'||tmp.path as path from a join tmp on (a.id=substring(tmp.path, '^([\d]+)')::int) 
 ) 
 select * from tmp order by length(path) desc nulls last limit 1 
) from a as t; 

3.1、创建UK

create unique index mv1_uk1 on mv1 (id); 

3.2、刷新方法,当有员工结构变化时,刷一下即可。刷新速度很快。

refresh materialized view CONCURRENTLY mv1; 

4、创建物化视图2,实时设备补齐值(类目和门店ID)。物化后,通过设备号,可以直接取出类目、门店。

CREATE MATERIALIZED VIEW mv2 as select a.id as aid, c.id as cid, b.id as bid, d.id as did from 
 a join b on (a.id=b.aid) 
 join c on (c.id=b.cid) 
 join d on (d.bid=b.id) 
; 

4.1、创建UK

create unique index mv2_uk1 on mv2(did); 

4.2、增量刷新物化视图,当设备与门店、类目关系发生变化时,刷新一下即可。刷新速度很快。

refresh materialized view CONCURRENTLY mv2; 

5、创建函数,通过设备号得到设备号补齐信息:(用户ID(ltree),类目、门店)

create or replace function gen_res (vdid int) returns ntyp as $$ 
 select (mv1.path, mv2.cid, mv2.bid)::ntyp from 
 mv1 join mv2 on (mv1.id=mv2.aid) where mv2.did=vdid; 
$$ language sql strict; 

7、对订单表创建触发器,自动补齐关系(设备->门店->类目 和 销售->层级关系)

create or replace function tg() returns trigger as $$ 
declare begin 
 NEW.addinfo := gen_res(NEW.did); 
 return NEW; 
end; 
$$ language plpgsql strict; 
 
create trigger tg before insert on log_201701 for each row execute procedure tg(); create trigger tg before insert on log_201702 for each row execute procedure tg(); create trigger tg before insert on log_201703 for each row execute procedure tg(); create trigger tg before insert on log_201704 for each row execute procedure tg(); create trigger tg before insert on log_201705 for each row execute procedure tg(); create trigger tg before insert on log_201706 for each row execute procedure tg(); create trigger tg before insert on log_201707 for each row execute procedure tg(); create trigger tg before insert on log_201708 for each row execute procedure tg(); create trigger tg before insert on log_201709 for each row execute procedure tg(); create trigger tg before insert on log_201710 for each row execute procedure tg(); create trigger tg before insert on log_201711 for each row execute procedure tg(); create trigger tg before insert on log_201712 for each row execute procedure tg(); create trigger tg before insert on log_201801 for each row execute procedure tg(); 

8、效果

postgres=# insert into log values (1,1,now()); INSERT 0 1 
 
 
postgres=# select * from log_201709 where did=1; 
 did | state | crt_time | mod_time | addinfo 
-----+-------+----------------------------+----------+----------------------- 
 1 | 1 | 2017-09-23 16:58:47.736402 | | (0.17.1702,60,417943) 

9、老数据订正,补齐设备号补齐(用户ID(ltree),类目、门店)为空的记录(例如某些时刻,设备号新上的,还没有刷新到MV1,MV2中)。

update log set addinfo=gen_res(did) where addinfo is null; 

补齐后的数据透视(完全规避JOIN),开启并行,贼快

1、全量(不变,性能杠杠的),74毫秒。

select t1.cnt, t1.succ_cnt, t2.cnt, t2.succ_cnt from 
( 
 select count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate() and cts() 
) t1, 
( 
 select count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate()-1 and cts(interval '1 day') 
) t2; 
 
 cnt | succ_cnt | cnt | succ_cnt 
--------+----------+--------+---------- 
 836965 | 753286 | 836964 | 753178 
(1 row) 
 
Time: 74.205 ms 

2、类目 TOP,41毫秒。

postgres=# select (log.addinfo).cid, count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate() and cts() 
 group by (log.addinfo).cid 
 order by cnt desc limit 10; 
 
 cid | cnt | succ_cnt 
-----+------+---------- 
 70 | 8796 | 7919 
 39 | 8793 | 7930 
 64 | 8700 | 7863 
 13 | 8659 | 7777 
 29 | 8621 | 7787 
 71 | 8613 | 7739 
 79 | 8613 | 7719 
 3 | 8597 | 7714 
 75 | 8590 | 7747 
 90 | 8579 | 7725 
(10 rows) 
 
Time: 41.221 ms 

3、我的总销量(包括所有下属),41毫秒

select count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate() and cts() 
 and (log.addinfo).lt ~ '*.1.*' -- 求USER ID = 1 的总销量(包括所有下属) 
 ; 
 
 cnt | succ_cnt 
-------+---------- 
 28502 | 25627 
(1 row) 
 
Time: 41.065 ms 

4、我的直接下属,TOP

BOSS 视角查看,111毫秒。

select substring(((log.addinfo).lt)::text, '\.?(0\.?[\d]*)'), -- USER ID = 0 的直接下属,请使用输入的用户ID替换  count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate() and cts() 
 and (log.addinfo).lt ~ '*.0.*' -- USER ID = 0,请使用输入的用户ID替换。  group by 1 -- 第一个字段为分组  order by cnt desc limit 10 
; 
 
 substring | cnt | succ_cnt 
-----------+-------+---------- 
 0.19 | 28656 | 25756 
 0.15 | 28655 | 25792 
 0.26 | 28560 | 25721 
 0.1 | 28548 | 25668 
 0.9 | 28545 | 25701 
 0.6 | 28506 | 25706 
 0.12 | 28488 | 25646 
 0.17 | 28485 | 25652 
 0.21 | 28469 | 25665 
 0.3 | 28459 | 25486 
(10 rows) 
 
Time: 111.221 ms 

一级销售经理视角,41毫秒

select substring(((log.addinfo).lt)::text, '\.?(1\.?[\d]*)'), -- USER ID = 1 的直接下属,请使用输入的用户ID替换  count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate() and cts() 
 and (log.addinfo).lt ~ '*.1.*' -- USER ID = 1,请使用输入的用户ID替换。  group by 1 -- 第一个字段为分组  order by cnt desc limit 10 
; 
 
 substring | cnt | succ_cnt 
-----------+-----+---------- 
 1.120 | 368 | 320 
 1.59 | 367 | 331 
 1.54 | 357 | 316 
 1.93 | 344 | 313 
 1.80 | 342 | 306 
 1.37 | 338 | 305 
 1.64 | 334 | 298 
 1.90 | 329 | 299 
 1.66 | 327 | 296 
 1.109 | 326 | 293 
(10 rows) 
 
Time: 41.276 ms 

5、我的所有下属(递归),TOP

BOSS 视角(全体末端销售TOP),231毫秒。

select (log.addinfo).lt, -- 所有下属(递归)  count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate() and cts() 
 and (log.addinfo).lt ~ '*.0.*' -- USER ID = 0,请使用输入的用户ID替换。  group by 1 -- 第一个字段为分组  order by cnt desc limit 10 
; 
 
 lt | cnt | succ_cnt 
-----------+-----+---------- 
 0.30.2996 | 405 | 371 
 0.28.2796 | 402 | 350 
 0.21.2093 | 393 | 347 
 0.3.234 | 391 | 356 
 0.14.1332 | 381 | 347 
 0.13.1283 | 381 | 344 
 0.19.1860 | 380 | 347 
 0.16.1553 | 380 | 341 
 0.28.2784 | 377 | 346 
 0.7.672 | 377 | 347 
(10 rows) 
 
Time: 230.630 ms 

一级销售经理视角,41毫秒

select (log.addinfo).lt, -- 所有下属(递归)  count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate() and cts() 
 and (log.addinfo).lt ~ '*.1.*' -- USER ID = 1,请使用输入的用户ID替换。  group by 1 -- 第一个字段为分组  order by cnt desc limit 10 
; 
 
 lt | cnt | succ_cnt 
---------+-----+---------- 
 0.1.59 | 367 | 331 
 0.1.120 | 367 | 320 
 0.1.54 | 355 | 315 
 0.1.93 | 344 | 313 
 0.1.80 | 341 | 305 
 0.1.37 | 338 | 305 
 0.1.64 | 334 | 298 
 0.1.90 | 328 | 298 
 0.1.66 | 327 | 296 
 0.1.109 | 325 | 293 
(10 rows) 
 
Time: 41.558 ms 

补齐订单addinfo信息的好处

1、当人员结构、类目、门店发生变化时,是否需要订正订单中的(用户ID(ltree),类目、门店)数据,请业务方决定。

2、实际上,原来的方法是有问题的,例如A经理铺设的设备,一个月后,负责人发生了变化,统计时,如果实时JOIN,那么涉及上月的订单则会挂到新的负责人头上,但是显然出现了误差。

3、感觉还是补齐后的方法更加精确,是谁的就是谁的,不会搞错(把销量搞错问题可严重了,影响人家的绩效呢。)。

六、PostgreSQL 10 小结

用到了哪些PostgreSQL数据库特性?

1、递归查询

2、并行查询

3、JOIN方法

4、继承(分区表)

5、触发器

6、复合类型

7、ltree树类型

https://www.postgresql.org/docs/9.6/static/ltree.html

七、Greenplum

Greenplum 方案1

注意前面已经提到了Greenplum的TP能力很弱,如果设备心跳实时更新、订单实时写入、实时更新,可能会扛不住压力。(目前greenplum update, delete都是锁全表的,很大的锁。)

因此在设计时需要注意,把设备更新心跳做成批量操作(例如从TP数据库,每隔几分钟导出全量到Greenplum中)。把订单的更新做成插入(通过RULE实现)。

pic

表结构设

create table a ( -- 员工层级信息 
 id int primary key, -- 编号 ID 
 nick name, -- 名字 
 pid int -- 上级 ID 
) DISTRIBUTED BY(id); create table c ( -- 类目 
 id int primary key, -- 类目ID 
 comment text -- 类目名称 
) DISTRIBUTED BY(id); create table b ( -- 终端门店 
 id int primary key, -- 编号 
 nick text, -- 名称 
 cid int, -- 类目 
 aid int -- 门店经理ID 
) DISTRIBUTED BY(id); create table d ( -- 设备 
 id int primary key, -- 设备编号 
 bid int, -- 门店编号 
 alive_ts timestamp -- 设备心跳时间 
) DISTRIBUTED BY(id); create table log1 ( -- 订单日志,创建订单 
 did int, -- 设备ID 
 state int2, -- 订单最终状态 
 crt_time timestamp, -- 订单创建时间 
 mod_time timestamp -- 订单修改时间 
) DISTRIBUTED BY(did) 
PARTITION BY range (crt_time) 
(start (date '2017-01-01') inclusive end (date '2018-01-01') exclusive every (interval '1 month')); create table log2 ( -- 订单日志,最终状态 
 did int, -- 设备ID 
 state int2, -- 订单最终状态 
 crt_time timestamp, -- 订单创建时间 
 mod_time timestamp -- 订单修改时间 
) DISTRIBUTED BY(did) 
PARTITION BY range (crt_time) 
(start (date '2017-01-01') inclusive end (date '2018-01-01') exclusive every (interval '1 month')); -- 创建规则,更新改成插入  create rule r1 as on update to log1 do instead insert into log2 values (NEW.*); 

测试心跳表导入速度

导入100万设备数据,耗时约1秒。

date +%F%T;psql -c "copy d to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy d from stdin"; date +%F%T; 
 
2017-09-2319:42:22 
COPY 1000000 2017-09-2319:42:23 

测试订单写入速度

注意所有写入操作建议改成批量操作。

批量写入约87万行/s。

date +%F%T; psql -c "copy (select did,state,crt_time,mod_time from log) to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy log1 from stdin"; date +%F%T; 
 
2017-09-2320:04:44 
COPY 378432001 2017-09-2320:12:03 

数据导

psql -c "copy a to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy a from stdin" 
psql -c "copy b to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy b from stdin" 
psql -c "copy c to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy c from stdin" # psql -c "copy d to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy d from stdin"  # psql -c "copy (select * from log) to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy log1 from stdin"  

透视SQL测试

1、全量透视,610毫秒。

select t1.cnt, t1.succ_cnt, t2.cnt, t2.succ_cnt from 
( 
 select count(*) cnt, sum(state) succ_cnt from log1 where crt_time between cdate() and cts(interval '0') 
) t1, 
( 
 select count(*) cnt, sum(state) succ_cnt from log1 where crt_time between cdate()-1 and cts(interval '1 day') 
) t2; 
 
 cnt | succ_cnt | cnt | succ_cnt 
--------+----------+--------+---------- 
 876301 | 788787 | 876300 | 788564 
(1 row) 
 
Time: 609.801 ms 

2、类目 TOP,219毫秒。

select c.id, count(*) cnt, sum(state) succ_cnt from c 
 join b on (c.id=b.cid) 
 join d on (b.id=d.bid) 
 join log1 on (d.id=log1.did) 
 where crt_time between cdate() and cts(interval '0') 
 group by c.id 
 order by cnt desc limit 10; 
 
 id | cnt | succ_cnt 
----+------+---------- 
 70 | 9220 | 8311 
 39 | 9197 | 8303 
 64 | 9096 | 8220 
 79 | 9034 | 8095 
 13 | 9033 | 8114 
 29 | 9033 | 8151 
 75 | 9033 | 8148 
 3 | 9005 | 8084 
 71 | 9002 | 8098 
 90 | 8974 | 8079 
(10 rows) 
 
Time: 218.695 ms 

3、我的总销量(包括所有下属),208毫秒。

返回所有下属以及当前用户ID。

create or replace function find_low(int) returns int[] as $$ 
declare 
 res int[] := array[$1]; 
 tmp int[] := res; 
begin 
 loop 
 select array_agg(id) into tmp from a where pid = any (tmp); 
 res := array_cat(res,tmp); 
 if tmp is null then 
 exit; 
 end if; end loop; 
 return res; 
end; 
$$ language plpgsql strict; 
select count(*) cnt, sum(state) succ_cnt from 
(select unnest(find_low(31)) as id) as tmp 
 join b on (tmp.id=b.aid) 
 join d on (b.id=d.bid) 
 join log1 on (d.id=log1.did) 
 where crt_time between cdate() and cts(interval '0') 
 ; 
 cnt | succ_cnt 
-----+---------- 
 342 | 312 
(1 row) 
 
Time: 208.585 ms 

4、我的直接下属,TOP。

Greenplum 暂不支持递归语法,需要自定义UDF实现。

5、我的所有下属(递归),TOP。

Greenplum 暂不支持递归语法,需要自定义UDF实现。

Greenplum 方案2

与PostgreSQL 方案2一样,将“设备对应门店、类目、销售、销售以及他的所有上级”的数据物化。

准备工作:

1、新增字段

alter table log1 add column aid int; alter table log1 add column path text; alter table log1 add column cid int; alter table log1 add column bid int; alter table log2 add column aid int; alter table log2 add column path text; alter table log2 add column cid int; alter table log2 add column bid int; 

2、修改之前定义的rule,业务的更新转换为INSERT,批量订单补齐的更新操作不转换。

drop rule r1 on log1; create rule r1 as on update to log1 where (NEW.aid is null) do instead insert into log2 values (NEW.*); 

物化

1、物化视图1:设备 -> 门店 -> 类目 -> 销售

创建物化视图mv1:

create table mv1 (did int, bid int, cid int, aid int) distributed by (did); create index idx_mv1_did on mv1(did); 

初始化物化视图mv1:

insert into mv1 
 select d.id as did, b.id as bid, c.id as cid, a.id as aid from d join b on (d.bid=b.id) join c on (b.cid=c.id) join a on (a.id=b.aid); 

刷新物化视图mv1:

begin; update mv1 set bid=t1.bid , cid=t1.cid , aid=t1.aid 
 from 
 ( 
 select d.id as did, b.id as bid, c.id as cid, a.id as aid from d join b on (d.bid=b.id) join c on (b.cid=c.id) join a on (a.id=b.aid) 
 ) t1 
where mv1.did=t1.did and (t1.bid<>mv1.bid or t1.cid<>mv1.cid or t1.aid<>mv1.aid); insert into mv1 
 select t1.* from 
 ( 
 select d.id as did, b.id as bid, c.id as cid, a.id as aid from d join b on (d.bid=b.id) join c on (b.cid=c.id) join a on (a.id=b.aid) 
 ) t1 
 left join mv1 on (t1.did=mv1.did) where mv1.* is null; end; 
vacuum mv1; 

2、物化视图2:销售 -> 销售以及他的所有上级

创建返回 销售以及他的所有上级 的函数

create or replace function find_high(int) returns text as $$ 
declare 
 res text := $1; 
 tmp text := res; 
begin 
 loop 
 select pid into tmp from a where id = tmp::int; 
 if tmp is null then 
 exit; 
 end if; 
 res := tmp||'.'||res; 
 end loop; 
 return res; 
end; 
$$ language plpgsql strict; 

没有递归语法,Greenplum的函数调用效率并不高:

postgres=# select find_high(id) from generate_series(100,110) t(id); 
 find_high 
----------- 
 0.1.100 
 0.1.101 
 0.1.102 
 0.1.103 
 0.1.104 
 0.1.105 
 0.1.106 
 0.1.107 
 0.1.108 
 0.1.109 
 0.1.110 
(11 rows) 
Time: 1472.435 ms 
 
同样的操作,在PostgreSQL里面只需要0.5毫秒: 
 
postgres=# select find_high(id) from generate_series(100,110) t(id); 
 find_high 
----------- 
 0.1.100 
 0.1.101 
 0.1.102 
 0.1.103 
 0.1.104 
 0.1.105 
 0.1.106 
 0.1.107 
 0.1.108 
 0.1.109 
 0.1.110 
(11 rows) 
Time: 0.524 ms 

验证

postgres=# select find_high(1); 
 find_high 
----------- 
 0.1 
(1 row) 
 
postgres=# select find_high(0); 
 find_high 
----------- 
 0 
(1 row) 
 
postgres=# select find_high(100); 
 find_high 
----------- 
 0.1.100 
(1 row) 

创建物化视图mv2

create table mv2 (aid int, path text) distributed by (aid); create index idx_mv2_did on mv2(aid); 

初始化、刷新物化视图mv2

-- GP不支持这样的操作,本来就简单了:insert into mv2 select id, find_high(id) from a; 
 
postgres=# select id, find_high(id) from a; 
ERROR: function cannot execute on segment because it accesses relation "postgres.a" (functions.c:155) (seg1 slice1 tb2a07543.sqa.tbc:25433 pid=106586) (cdbdisp.c:1328) 
DETAIL: 
SQL statement "select pid from a where id = $1 " 
PL/pgSQL function "find_high" line 7 at SQL statement 

创建函数

create or replace function refresh_mv2() returns void as $$ 
declare 
 aid int[]; begin select array_agg(id) into aid from a; delete from mv2; insert into mv2 select id, find_high(id) from unnest(aid) t(id); end; 
$$ language plpgsql strict; 

调用函数刷新mv2,时间基本无法接受。

select refresh_mv2(); 

PS:建议程序生成这部分员工树型结构数据。再插入到GPDB中。因为总共才3001条。或者你可以在PostgreSQL中生成,PG实在太方便了。

修正订单

调度任务,批量更新:

update log1 set aid=t1.aid, path=t1.path, cid=t1.cid, bid=t1.bid 
from 
( 
select did, bid, cid, mv1.aid, mv2.path from mv1 join mv2 on (mv1.aid=mv2.aid) 
) t1 
where log1.did=t1.did and log1.aid is null; UPDATE 378432001 update log2 set aid=t1.aid, path=t1.path, cid=t1.cid, bid=t1.bid 
from 
( 
select did, bid, cid, mv1.aid, mv2.path from mv1 join mv2 on (mv1.aid=mv2.aid) 
) t1 
where log2.did=t1.did and log2.aid is null; UPDATE 378432001 

透视查询

1、全量透视,205毫秒。

select t1.cnt, t1.succ_cnt, t2.cnt, t2.succ_cnt from 
( 
 select count(*) cnt, sum(state) succ_cnt from log1 where crt_time between cdate() and cts(interval '0') 
) t1, 
( 
 select count(*) cnt, sum(state) succ_cnt from log1 where crt_time between cdate()-1 and cts(interval '1 day') 
) t2; 
 
 cnt | succ_cnt | cnt | succ_cnt 
--------+----------+--------+---------- 
 480228 | 432151 | 480228 | 432205 
(1 row) 
 
Time: 205.436 ms 

2、类目 TOP,254毫秒。

select c.id, count(*) cnt, sum(state) succ_cnt from c 
 join b on (c.id=b.cid) 
 join d on (b.id=d.bid) 
 join log1 on (d.id=log1.did) 
 where crt_time between cdate() and cts(interval '0') 
 group by c.id 
 order by cnt desc limit 10; 
 id | cnt | succ_cnt 
----+------+---------- 
 64 | 5052 | 4555 
 29 | 4986 | 4483 
 34 | 4982 | 4509 
 70 | 4968 | 4466 
 71 | 4964 | 4491 
 5 | 4953 | 4474 
 79 | 4937 | 4454 
 63 | 4936 | 4420 
 66 | 4934 | 4436 
 18 | 4922 | 4417 
(10 rows) 
 
Time: 254.007 ms 

3、我的总销量(包括所有下属),110毫秒。

select count(*) cnt, sum(state) succ_cnt from log1 
 where crt_time between cdate() and cts(interval '0') 
 and (path like '1.%' or path like '%.1' or path like '%.1.%') -- 求USER ID = 1 的总销量(包括所有下属) 
 ; 
 cnt | succ_cnt 
-------+---------- 
 16605 | 14964 
(1 row) 
 
Time: 110.396 ms 

4、我的直接下属,TOP。

BOSS 视角查看,180毫秒。

set escape_string_warning TO off; select substring(path, '\.?(0\.?[0-9]*)'), -- USER ID = 0 的直接下属,请使用输入的用户ID替换  count(*) cnt, sum(state) succ_cnt from log1 
 where crt_time between cdate() and cts(interval '0') 
 and (path like '0.%' or path like '%.0' or path like '%.0.%') -- USER ID = 0,请使用输入的用户ID替换。  group by 1 -- 第一个字段为分组  order by cnt desc limit 10 
; 
 
 substring | cnt | succ_cnt 
-----------+-------+---------- 
 0.3 | 17014 | 15214 
 0.15 | 17006 | 15285 
 0.11 | 16958 | 15285 
 0.22 | 16901 | 15231 
 0.19 | 16887 | 15217 
 0.21 | 16861 | 15160 
 0.6 | 16841 | 15075 
 0.9 | 16831 | 15123 
 0.26 | 16787 | 15060 
 0.14 | 16777 | 15048 
(10 rows) 
 
Time: 179.950 ms 

一级销售经理视角,176毫秒

select substring(path, '\.?(1\.?[0-9]*)'), -- USER ID = 1 的直接下属,请使用输入的用户ID替换  count(*) cnt, sum(state) succ_cnt from log1 
 where crt_time between cdate() and cts(interval '0') 
 and (path like '1.%' or path like '%.1' or path like '%.1.%') -- USER ID = 1,请使用输入的用户ID替换。  group by 1 -- 第一个字段为分组  order by cnt desc limit 10 
; 
 
 substring | cnt | succ_cnt 
-----------+-----+---------- 
 1.120 | 222 | 202 
 1.54 | 218 | 193 
 1.92 | 217 | 192 
 1.51 | 209 | 187 
 1.93 | 206 | 181 
 1.53 | 203 | 182 
 1.59 | 203 | 187 
 1.37 | 202 | 188 
 1.82 | 197 | 177 
 1.66 | 196 | 180 
(10 rows) 
 
Time: 176.298 ms 

5、我的所有下属(递归),TOP。

BOSS 视角(全体末端销售TOP),155毫秒。

select path, -- 所有下属(递归)  count(*) cnt, sum(state) succ_cnt from log1 
 where crt_time between cdate() and cts(interval '0') 
 and (path like '0.%' or path like '%.0' or path like '%.0.%') -- USER ID = 0,请使用输入的用户ID替换。  group by 1 -- 第一个字段为分组  order by cnt desc limit 10 
; 
 
 path | cnt | succ_cnt 
-----------+-----+---------- 
 0.5.482 | 261 | 229 
 0.28.2796 | 248 | 229 
 0.24.2348 | 242 | 225 
 0.13.1318 | 240 | 213 
 0.21.2093 | 237 | 211 
 0.26.2557 | 235 | 210 
 0.4.346 | 233 | 205 
 0.30.2935 | 231 | 214 
 0.14.1332 | 229 | 205 
 0.26.2620 | 229 | 204 
(10 rows) 
 
Time: 155.268 ms 

一级销售经理视角,151毫秒

select path, -- 所有下属(递归)  count(*) cnt, sum(state) succ_cnt from log1 
 where crt_time between cdate() and cts(interval '0') 
 and (path like '1.%' or path like '%.1' or path like '%.1.%') -- USER ID = 1,请使用输入的用户ID替换。  group by 1 -- 第一个字段为分组  order by cnt desc limit 10 
; 
 
 path | cnt | succ_cnt 
---------+-----+---------- 
 0.1.120 | 222 | 202 
 0.1.92 | 218 | 193 
 0.1.54 | 218 | 193 
 0.1.51 | 209 | 187 
 0.1.93 | 207 | 182 
 0.1.59 | 204 | 187 
 0.1.53 | 203 | 182 
 0.1.37 | 202 | 188 
 0.1.82 | 198 | 178 
 0.1.66 | 196 | 180 
(10 rows) 
 
Time: 150.883 ms 

八、Greenplum 小结

1、使用Greenplum需要注意数据倾斜的问题,所以在分布键的选择上请参考:

《分布式DB(Greenplum)中数据倾斜的原因和解法 - 阿里云HybridDB for PostgreSQL最佳实践》

2、Greenplum暂时还没有支持递归语法,因此需要使用UDF来实现类似求所有下级、或者补齐所有上级等操作的功能。

3、Greenplum的方案二。重点是物化视图、补齐(实际上不在订单中补齐也没关系,只要生成一张 (设备号->门店->类目和员工层级关系) 的表即可,查询起来就会方便很多。

4、Greenplum的delete和update操作会锁全表,堵塞其他该表的insert、delete、update操作。不堵塞查询。需要特别注意。

5、订单补齐采用批量更新的方式。

九、小结

对于本例,建议还是使用PostgreSQL 10(特别是将来量要往100 TB这个量级发展的时候,迁移到PolarDB for PostgreSQL会特别方便,完全兼容。)。性能方面,TP和AP都满足需求。功能方面也完全满足需求,而且有很多可以利用的特性来提升用户体验:

如果要使用Greenplum(HybridDB for PostgreSQL)的方案,那么建议依旧使用类似PostgreSQL 10方案2的设计方法(订单补齐使用规则实现、或者批量更新实现)。

1、递归查询,用于检索树形结构的数据,例如员工层级,图式搜索等。

2、并行查询,可以有效利用多个CPU的能力,类似游戏中的放大招,加速查询。

3、JOIN方法,有hash, merge, nestloop等多种JOIN方法,可以处理任意复杂的JOIN。

4、继承(分区表),订单按时间分区。

5、触发器,用于实现订单自动补齐。

6、复合类型,补齐 “设备->门店->类目和员工层级”的信息。

7、ltree树类型,存储完成的员工上下级关系。

https://www.postgresql.org/docs/9.6/static/ltree.htm

8、物化视图,用在将员工等级进行了补齐。一键刷新,不需要业务处理复杂的人事变动逻辑。同时也便于透视分析语句的实现。

9、正则表达式,用在了ltree的正则匹配上,例如按直接下属分组聚合,按当前登录用户组分组聚合等。

10、以及本方案中没有用到的诸多特性(例如SQL流计算,oss_ext对象存储外部表 等)。

接下来阿里云会推出PolarDB for PostgreSQL,100TB 级,共享存储,一写多读架构。对标AWSAurora与Oracle RAC。

11、本例三种方案(同等硬件资源, 32C)的实时透视QUERY性能对比:

2b0e4d608034336112ac0f121fa0e88b2419a5e6

12、Greenplum和PostgreSQL两个产品的差异、如何选型可以参考:

《空间|时间|对象 圈人 + 透视 - 暨PostgreSQL 10与Greenplum的对比和选择》

章节:Greenplum和PostgreSQL两个产品的特色和选择指导。

13、月与年的数据,由于时效性没有日的高,所以可以按天为单位进行统计并存放结果,不需要实时查询。需要查询时查询统计结果即可。

网友评论

登录后评论
0/500
评论