Python微信订餐小程序课程视频
https://edu.csdn.net/course/detail/36074
Python实战量化交易理财系统
https://edu.csdn.net/course/detail/35475
在时间序列工作负载中,应用程序(例如一些实时应用程序查询最近的信息,同时归档旧信息。
为了处理这种工作负载,单节点 PostgreSQL
数据库通常会使用表分区将一个按时间排序的大数据表分解为多个继承表,每个表包含不同的时间范围。
将数据存储在多个物理表中会加速数据过期。 在单个大表中,删除行会产生扫描以查找要删除的行,然后清理清空空间的成本。 另一方面,删除分区是一种与数据大小无关的快速操作。 这相当于简单地删除磁盘上包含数据的文件。
将数据存储在多个物理表中会加快数据过期的速度。在一个大表中,删除行需要扫描以找到要删除的行,然后清空空的空间。另一方面,删除分区是一种与数据大小无关的快速操作。这相当于简单地删除磁盘上包含数据的文件。
对表进行分区还可以使每个日期范围内的索引更小更快。 对最近数据进行的查询很可能对适合内存的 hot
索引进行操作。这加快了读取速度。
插入也有更小的索引要更新,所以它们也更快。
在以下情况下,基于时间的分区最有意义:
- 大多数查询只访问最近数据的一个非常小的子集
- 旧数据定期过期(删除/丢弃)
请记住,在错误的情况下,读取所有这些分区对开销的伤害大于帮助。 但是,在正确的情况下,它非常有帮助。 例如,保留一年的时间序列数据并定期仅查询最近一周。
扩展 Citus 上的时间序列数据
我们可以将单节点表分区技术与 Citus
的分布式分片相结合,形成一个可扩展的时间序列数据库。这是两全其美的。它在 Postgres
的声明性表分区之上特别优雅。
例如,让我们 distribute
和 partition
一个包含历史 GitHub 事件数据的表。
- GitHub 事件数据
此 GitHub
数据集中的每条记录代表在 GitHub
中创建的事件,以及有关事件的关键信息,例如事件类型、创建日期和创建事件的用户。
第一步是按时间创建和分区(partition)
表,就像我们在单节点 PostgreSQL
数据库中一样:
-- declaratively partitioned table
CREATE TABLE github_events (
event_id bigint,
event_type text,
event_public boolean,
repo_id bigint,
payload jsonb,
repo jsonb,
actor jsonb,
org jsonb,
created_at timestamp
) PARTITION BY RANGE (created_at);
注意 PARTITION BY RANGE (created_at)
。这告诉 Postgres
该表将由 created_at
列在有序范围内进行分区。不过,我们还没有为特定范围创建任何分区。
在创建特定分区之前,让我们在 Citus
中分布表。我们将按 repo_id
进行分片,这意味着事件将被聚集到每个存储库的分片中。
SELECT create_distributed_table('github\_events', 'repo\_id');
此时 Citus
已跨工作节点为该表创建分片。在内部,每个分片是一个表,每个分片标识符 N
的名称为 github_events_N
。此外,Citus
传播了分区信息,每个分片都声明了 Partition key: RANGE (created_at)
。
分区表不能直接包含数据,它更像是跨分区的视图。因此,分片还没有准备好保存数据。 我们需要创建分区并指定它们的时间范围,之后我们可以插入与范围匹配的数据。
自动创建分区
Citus
为分区管理提供了辅助函数。我们可以使用 create_time_partitions()
创建一批每月分区:
SELECT create_time_partitions(
table_name := 'github\_events',
partition_interval := '1 month',
end_at := now() + '12 months'
);
Citus
还包括一个视图 time_partitions
,以方便地调查它创建的分区。
随着时间的推移,您将需要进行一些维护以创建新分区并删除旧分区。最好设置一个定期 job
来运行带有 pg_cron 之类的扩展的维护功能:
-- set two monthly cron jobs:
-- 1. ensure we have partitions for the next 12 months
SELECT cron.schedule('create-partitions', '0 0 1 * *', $$
SELECT create_time_partitions(
table_name := 'github\_events',
partition_interval := '1 month',
end_at := now() + '12 months'
)
$$);
-- 2. (optional) ensure we never have more than one year of data
SELECT cron.schedule('drop-partitions', '0 0 1 * *', $$
CALL drop_old_time_partitions(
'github\_events',
now() - interval '12 months' /* older\_than */
);
$$);
一旦设置了定期维护,您就不必再考虑分区了,它们可以正常工作。
请注意,Postgres
中的原生分区仍然很新,并且有一些怪癖。 对分区表的维护操作将获取可能会短暂停止查询的激进锁。目前在 postgres
社区中正在进行大量工作来解决这些问题,因此预计 Postgres
中的 time
分区只会变得更好。
使用列式存储归档
一些应用程序的数据在逻辑上分为可更新的小部分和“冻结(frozen)”
的较大部分。 示例包括日志、点击流或销售记录。 在这种情况下,我们可以将分区与列式表存储(在 Citus 10
中引入)结合起来压缩磁盘上的历史分区。Citus 柱状表目前是仅追加的,这意味着它们不支持更新或删除,但我们可以将它们用于不可变的历史分区。
分区表
可以由行分区
和列分区
的任意组合组成。在 timestamp
key 上使用范围分区时,我们可以将最新的分区制作成行表,并定期将最新的分区滚动到另一个历史列式分区中。
让我们看一个例子,再次使用 GitHub 事件
。我们将创建一个名为 github_columnar_events
的新表,以消除前面示例中的歧义。 为了完全专注于列式存储方面,我们不会分布此表。
接下来,下载示例数据:
wget http://examples.citusdata.com/github_archive/github_events-2015-01-01-{0..5}.csv.gz
gzip -c -d github_events-2015-01-01-*.gz >> github_events.csv
-- our new table, same structure as the example in
-- the previous section
CREATE TABLE github_columnar_events ( LIKE github_events )
PARTITION BY RANGE (created_at);
-- create partitions to hold two hours of data each
SELECT create_time_partitions(
table_name := 'github\_columnar\_events',
partition_interval := '2 hours',
start_from := '2015-01-01 00:00:00',
end_at := '2015-01-01 08:00:00'
);
-- fill with sample data
-- (note that this data requires the database to have UTF8 encoding)
\COPY github_columnar_events FROM 'github\_events.csv' WITH (format CSV)
-- list the partitions, and confirm they're
-- using row-based storage (heap access method)
SELECT partition, access_method
FROM time_partitions
WHERE parent_table = 'github\_columnar\_events'::regclass;
-- convert older partitions to use columnar storage
CALL alter_old_partitions_set_access_method(
'github\_columnar\_events',
'2015-01-01 06:00:00' /* older\_than */,
'columnar'
);
-- the old partitions are now columnar, while the
-- latest uses row storage and can be updated
SELECT partition, access_method
FROM time_partitions
WHERE parent_table = 'github\_columnar\_events'::regclass;
要查看柱状表的压缩率,请使用 VACUUM VERBOSE
。我们三个柱状分区的压缩比相当不错:
VACUUM VERBOSE github_columnar_events;
INFO: statistics for "github_columnar_events_p2015_01_01_0000":
storage id: 10000000003
total file size: 4481024, total data size: 4444425
compression rate: 8.31x
total row count: 15129, stripe count: 1, average rows per stripe: 15129
chunk count: 18, containing data for dropped columns: 0, zstd compressed: 18
INFO: statistics for "github_columnar_events_p2015_01_01_0200":
storage id: 10000000004
total file size: 3579904, total data size: 3548221
compression rate: 8.26x
total row count: 12714, stripe count: 1, average rows per stripe: 12714
chunk count: 18, containing data for dropped columns: 0, zstd compressed: 18
INFO: statistics for "github_columnar_events_p2015_01_01_0400":
storage id: 10000000005
total file size: 2949120, total data size: 2917407
compression rate: 8.51x
total row count: 11756, stripe count: 1, average rows per stripe: 11756
chunk count: 18, containing data for dropped columns: 0, zstd compressed: 18
分区表 github_columnar_events
的一个强大之处在于它可以像普通表一样被完整地查询。
SELECT COUNT(DISTINCT repo_id)
FROM github_columnar_events;
只要分区键上有一个 WHERE
子句,它可以完全过滤到行表分区中,条目就可以被更新或删除。
将行分区归档到列式存储
当行分区已填满其范围时,您可以将其归档到压缩的列式存储中。我们可以使用 pg_cron
自动执行此操作,如下所示:
-- a monthly cron job
SELECT cron.schedule('compress-partitions', '0 0 1 * *', $$
CALL alter_old_partitions_set_access_method(
'github\_columnar\_events',
now() - interval '6 months' /* older\_than */,
'columnar'
);
$$);
有关详细信息,请参阅列式存储。