Question

我正在努力针对两个非常大的表优化一个简单的LEFT JOIN，到目前为止，这些大表已经完成并进行了12个小时以上。

这是执行计划：

Gather  (cost=1001.26..11864143.06 rows=8972234 width=133)
  Workers Planned: 7
  ->  Nested Loop Left Join  (cost=1.26..10773657.51 rows=1281748 width=133)
        ->  Parallel Index Scan using var_case_aliquot_aliquot_ind on var_case_aliquot vca  (cost=0.56..464070.21 rows=1281748 width=103)
        ->  Index Scan using genotype_pos_ind on snv_genotypes gt  (cost=0.70..8.01 rows=1 width=65)
              Index Cond: ((vca.chrom = chrom) AND (vca.start = start) AND (vca.end = end) AND ((vca.alt)::text = (alt)::text))
              Filter: (vca.aliquot_barcode = aliquot_barcode)

以下是查询：

SELECT vca.aliquot_barcode,
    vca.case_barcode,
    vca.gene_symbol,
    vca.variant_classification,
    vca.variant_type,
    vca.chrom,
    int4range(vca.start::integer, vca."end"::integer, '[]'::text) AS pos,
    vca.alt,
    gt.called AS mutect2_call,
    gt.ref_count,
    gt.alt_count,
    gt.read_depth,
    gt.called OR
        CASE
            WHEN (gt.alt_count + gt.ref_count) > 0 THEN (gt.alt_count::numeric / (gt.alt_count + gt.ref_count)::numeric) > 0.20
            ELSE false
        END AS vaf_corrected_call
   FROM analysis.var_case_aliquot vca
     LEFT JOIN analysis.snv_genotypes gt ON vca.aliquot_barcode = gt.aliquot_barcode AND vca.chrom = gt.chrom AND vca.start = gt.start AND vca."end" = gt."end" AND vca.alt::text = gt.alt::text

两个表都非常大：vca和gt分别具有900万（2 GB）和13亿行（346 GB）。

我创建vca（MATERIALIZED VIEW）的唯一目的是执行此连接。本质上，这是一个联接表，其中仅包含1：1匹配的左联接所需的字段，然后是一些额外的元数据。从查询计划中可以看到，所有要加入的字段都已正确索引。

查询本身很简单，是否缺少某些可以加快查询速度的内容？我不认为有某种方法可以代替使用WHERE？

我可以在postgres设置中进行一些调整吗？目前，我有以下内容：

shared_buffers = 4096MB
effective_cache_size = 20GB
work_mem = 64MB
maintenance_work_mem = 4096MB
max_wal_size = 4GB
min_wal_size = 128MB
checkpoint_completion_target = 0.9
max_worker_processes = 16
max_parallel_workers_per_gather = 8
max_parallel_workers = 16

更新12/12：

表DDL：

CREATE TABLE analysis.snv_genotypes (
    aliquot_barcode character(30) NOT NULL,
    chrom character(2) NOT NULL,
    start bigint NOT NULL,
    "end" bigint NOT NULL,
    alt character varying(510) NOT NULL,
    genotype character(3),
    read_depth integer,
    ref_count integer,
    alt_count integer,
    called boolean
);

ALTER TABLE ONLY analysis.snv_genotypes
    ADD CONSTRAINT genotype_pk PRIMARY KEY (aliquot_barcode, chrom, start, "end", alt);
CREATE INDEX called_ind ON analysis.snv_genotypes USING btree (called);
CREATE INDEX genotype_pos_ind ON analysis.snv_genotypes USING btree (chrom, start, "end", alt);

CREATE MATERIALIZED VIEW analysis.var_case_aliquot AS
 SELECT var_case_aliquot.aliquot_barcode,
    var_case_aliquot.case_barcode,
    var_case_aliquot.chrom,
    var_case_aliquot.start,
    var_case_aliquot."end",
    var_case_aliquot.alt,
    var_case_aliquot.gene_symbol,
    var_case_aliquot.variant_classification,
    var_case_aliquot.variant_type,
    var_case_aliquot.hgvs_p,
    var_case_aliquot.polyphen,
    var_case_aliquot.sift
   FROM var_case_aliquot
  WITH NO DATA;

CREATE INDEX var_case_aliquot_aliquot_ind ON analysis.var_case_aliquot USING btree (aliquot_barcode);
CREATE INDEX var_case_aliquot_pos_ind ON analysis.var_case_aliquot USING btree (chrom, start, "end", alt);

此处提供更广泛的DDL：https://rextester.com/JRJH43442

更新12/13：

为了澄清，我在带有16个内核和32 GB内存的CentOS 7.3上使用Postgres 10.5。查询现在已经运行24小时以上，没有任何结果。

检查状态，看来wait_event_type是IO。这是否意味着查询正在暂存/写入暂存空间？这可以解释缓慢吗？

+------------------+---------------+---------------+---------------+---------------+-----------------+--------------+--------+-------------+--------------+
| application_name | backend_start | xact_start    | query_start   | state_change  | wait_event_type | wait_event   | state  | backend_xid | backend_xmin |
+------------------+---------------+---------------+---------------+---------------+-----------------+--------------+--------+-------------+--------------+
| psql             | 12/12/18 8:42 | 12/12/18 8:42 | 12/12/18 8:42 | 12/12/18 8:42 | IO              | DataFileRead | active | 22135       | 22135        |
+------------------+---------------+---------------+---------------+---------------+-----------------+--------------+--------+-------------+--------------+

我有很多可用资源：

$ free -h
              total        used        free      shared  buff/cache   available
Mem:            31G        722M        210M        5.0G         30G         25G
Swap:          3.7G        626M        3.1G

我猜想腾出更多的内存可能有帮助？有什么方法可以优化需要更多内存的查询？

Answer 1

这篇文章的评论：

您的查询正在使用genotype_pos_ind并在aliquot_barcode上进行过滤。尝试（暂时）删除genotype_pos_ind，如果这样不起作用，请搜索如何强制使用索引。

您的查询应改为使用genotype_pk。

根据您所说的，可能有很多记录，其中aliquot_barcode，chrom，start和end具有相同的值，因此RDBMS将采用需要很长时间来过滤每个aliquot_barcode。

如果对您来说太长了，您可以尝试我的较旧答案，我将保留该答案以供进一步参考：

不幸的是，我无法优化您的查询：要考虑的东西太多了。生成具有13个字段的900万条记录的结果可能会太多：交换可能会发生，您的操作系统将不允许进行如此多的内存分配，同时还会进行JOIN等。（写在真正的答案...）

我曾经优化过一些查询，这些查询由大约1000万条记录的15个表组成。如此大小的SELECT在合理的时间内（少于10小时）将永远无法使用。

我没有任何RDBMS可以测试我的意思。另外，半年我没有做任何SQL：p 找到为什么要花费这么多时间（如您所问）将花费太多时间，因此这是原始问题的另一种解决方案。

我采用的解决方案是制作临时表：

使用与tmp_analysis相同的字段以及一些实用程序字段创建临时表SELECT：

一个ID字段（tmp_ID，一个大整数），一个布尔值，用于检查记录是否已更新（tmp_updated），以及时间戳记，以检查记录是否已更新（tmp_update_time）。当然，来自原始SELECT（来自vca和gt的所有具有相同数据类型的字段

从vca插入所有记录：

暂时对null中的字段使用gt（或其他默认值，如果不能的话）。将tmp_updated设置为false。使用简单的count()作为主键。

使用gt中的字段更新所有这些记录。

使用WHERE而不是JOIN：

UPDATE tmp_analysis as tmp -- I don't think you need to use a schema to call tmp_analysis
    SET tmp_update = true,
    tmp_update_time = clock_timestamp(),
    tmp.mutect2_call = gt.called
    gt.ref_count,
    gt.alt_count,
    gt.read_depth,
    gt.called = -- ... (your CASE/WHEN/ELSE/END should work here)
FROM 
    analysis.snv_genotypes gt
WHERE --JOIN should work too
    tmp.aliquot_barcode = gt.aliquot_barcode AND 
    tmp.chrom = gt.chrom AND 
    vca.start = gt.start AND 
    tmp."end" = gt."end" AND 
    tmp.alt::text = gt.alt::text

我说过，出于性能方面的考虑，您应该使用EXISTS，但是我误会了，因为我认为您不能从EXISTS条件中检索字段。也许有一种方法可以告诉Postgresql这是一对一的关系，但是我不确定。无论如何，索引

很显然，SELECT您的tmp_analysis表可以获取记录！

一些注意事项：

如果要花费太多时间：

例如，使用tmp_ID字段将更新次数限制为10000，并检查第三个查询（UPDATE）的执行计划：您应该对临时表表进行全面扫描并在gt上（在genotype_pk上进行索引扫描）。如果不是，请检查索引并搜索如何强制PGSL使用索引。您应该使用WHERE tmp_ID < 10000而不是LIMIT 10000。 IIRC，LIMIT将执行整个查询，并只向您提供部分结果。

如果仍然花费太多时间：

使用tmp_ID对查询进行细分，并（如您所说）在UPDATE上使用loop statement一次查询10万条或更少的记录（再次使用{{1} }。再次检查执行计划：在索引扫描之前，完整扫描应受where tmp_ID < x AND tmp_ID > y限制。不要伪造在此fild上添加索引（如果它还不是主键）。

如果您以后需要再次致电：

使用tmp_id封装所有查询，并使用BEGIN/END TRANSACTION上的TEMPORARY TABLE选项，这样您在执行查询后就不必清理tmp_analysis。

如果您仍然遇到循环问题：

在循环内使用事务，如果循环再次冻结，则将其停止。然后，您可以稍后以较小的循环大小还原它。

如果要减少执行时间：

您可以使用CREATE TABLE tmp_analysis在一个查询中执行步骤1和2，但是我不记得如何为INSERT .. AS .. SELECT中的字段设置数据类型，因为它们将被设置为null。通常，这总体上应该快一点。

如果您好奇：

没有循环的查询仍然需要10多个小时，将其停止并检查tmp_update_time以查看执行时间是如何变化的，也许它将为您提供一个线索，说明原始查询为何不起作用。 PGSQL上有多个配置选项以限制RAM使用，磁盘使用和线程。您的操作系统可能会设置自己的限制，并检查磁盘交换，CPU缓存使用情况等。（我认为您已经完成了一些操作，但我没有检查）

Postgres中非常慢（超过12小时）的大型表联接

1 个答案: