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）

作者

digoal

日期

2017-11-07

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 - 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

PostgreSQL 许愿链接

您的愿望将传达给PG kernel hacker、数据库厂商等, 帮助提高数据库产品质量和功能, 说不定下一个PG版本就有您提出的功能点. 针对非常好的提议，奖励限量版PG文化衫、纪念品、贴纸、PG热门书籍等，奖品丰富，快来许愿。开不开森.

9.9元购买3个月阿里云RDS PostgreSQL实例

PostgreSQL 解决方案集合

德哥 / digoal's github - 公益是一辈子的事.