PostgreSQL用户应掌握的高级SQL特性

谭峰 张文升 2018-08-21 10:41:18
作者介绍

谭峰,网名francs,中国开源软件推进联盟PostgreSQL分会特聘专家,《PostgreSQL实战》作者之一,《PostgreSQL 9 Administration Cookbook》译者之一。现就职于浙江移动负责应用上云架构管控以及私有云建设工作。

 

张文升,中国开源软件推进联盟PostgreSQL分会核心成员之一,《PostgreSQL实战》作者之一,活跃于PostgreSQL、MySQL、Redis等开源技术社区,致力于推动PostgreSQL在互联网企业的应用及企业PostgreSQL培训与技术支持。

 

 

PostgreSQL数据库在SQL和NoSQL方面具有很多丰富的特性,本文将先从SQL高级特性入手来进行介绍。

 

一、PostgreSQL的SQL高级特性

 

这一部分主要介绍PostgreSQL在SQL方面的高级特性,例如WITH查询、批量插入、RETURNING返回修改的数据、UPSERT、数据抽样、聚合函数、窗口函数等。

 

1、WITH查询
 

 

WITH查询是PostgreSQL支持的高级SQL特性之一,这一特性常称为CTE(Common Table Expressions),WITH查询在复杂查询中定义一个辅助语句(可理解成在一个查询中定义的临时表),这一特性常用于复杂查询或递归查询应用场景。

 

先通过一个简单的CTE示例了解WITH查询,如下所示:

 

 

WITH t as (

  SELECT generate_series(1,3)

)

SELECT * FROM t;

 

执行结果如下:

 

 

generate_series

-----------------

                      1

                      2

                      3

(3 rows)

 

这个简单的CTE示例中,一开始定义了一条辅助语句t取数,之后在主查询语句中查询t,定义的辅助语句就像是定义了一张临时表,对于复杂查询如果不使用CTE,可以通过创建视图方式简化SQL。

 

WITH查询的一个重要属性是RECURSIVE,使用RECURSIVE属性可以引用自己的输出,从而实现递归,一般用于层次结构或树状结构的应用场景。

 

例如,存在一张包含如下数据的表:

 

 

id name fatherid

1 中国 0

2 辽宁 1

3 山东 1

4 沈阳 2

5 大连 2

6 济南 3

7 和平区 4

8 沈河区 4

 

使用PostgreSQL的WITH查询检索ID为7以及以上的所有父节点,如下:

 

 

WITH RECURSIVE r AS (

       SELECT * FROM test_area WHERE id = 7

     UNION   ALL

       SELECT test_area.* FROM test_area, r WHERE test_area.id = r.fatherid

     )

 SELECT * FROM r ORDER BY id;

 

查询结果如下:

 

 

id   |  name   | fatherid

----+--------+----------

  1  |   中国    |        0

  2  |    辽宁   |        1

  4  |    沈阳   |        2

  7  |  和平区  |        4

(4 rows)

 

2、批量插入
 

 

批量插入是指一次性插入多条数据,主要用于提升数据插入效率,PostgreSQL有多种方法实现批量插入:

 

方式一:INSERT INTO..SELECT.

 

过表数据或函数批量插入,这种方式大部分关系数据库都支持,语法如下:

 

 

INSERT INTO table_name SELECT …FROM source_table

 

方式二:INSERT INTO VALUES (),(),…()

 

这种批量插入方式为一条INSERT语句中通过VALUES关键字插入多条记录,通过一个例子就很容易理解,如下所示:

 

 

mydb=> CREATE TABLE tbl_batch3(id int4,info text);

CREATE TABLE

 

mydb=> INSERT INTO tbl_batch3(id,info) VALUES (1,'a'),(2,'b'),(3,'c');

INSERT 0 3

 

数据如下:

 

 

mydb=> SELECT * FROM tbl_batch3;

    id  | info

  ----+------

      1 | a

      2 | b

      3 | c

(3 rows)

 

这种批量插入方式非常独特,一条SQL插入多行数据,相比一条SQL插入一条数据的方式能减少和数据库的交互,减少数据库WAL(Write-Ahead Logging)日志的生成,提升插入效率,通常很少有开发人员了解PostgreSQL的这种批量插入方式。

 

方式三:COPY或\COPY元命令

 

COPY或\COPY元命令能够将一定格式的文件数据导入到数据库中,相比INSERT命令插入效率更高,通常大数据量的文件导入一般在数据库服务端主机通过PostgreSQL超级用户使用COPY命令导入。

 

将文件tbl_batch4.txt的一千万数据导入到表中,如下所示:

 

 

mydb=# TRUNCATE TABLE pguser.tbl_batch4;

TRUNCATE TABLE

 

mydb=# COPY pguser.tbl_batch4 FROM '/home/pg10/tbl_batch4.txt';

COPY 10000000

 

3、RETURNING返回修改的数据
 

 

PostgreSQL的RETURNING特性可以返回DML修改的数据,具体为以下三个场景 ,INSERT语句后接RETURNING属性返回插入的数据,UPDATE语句后接RETURNING属性返回更新后的新值,DELETE语句后接RETURNING属性返回删除的数据,这个特性的优点在于不需要额外的SQL获取这些值,能够方便应用开发,接着通过示例演示。

 

RETURNING返回插入的数据

 

INSERT语句后接RETURNING属性返回插入的值,以下创建测试表,并返回已插入的整行数据。

 

 

mydb=> CREATE TABLE test_r1(id serial,flag char(1));

CREATE TABLE

 

mydb=> INSERT INTO test_r1(flag) VALUES ('a') RETURNING *;

   id | flag

----+------

   1 | a

(1 row)

INSERT 0 1

 

RETURNING返回更新后数据

 

UPDATE后接RETURNING属性返回UPDATE语句更新后的值,如下所示:

 

 

mydb=> SELECT * FROM test_r1 WHERE id=1;

   id | flag

----+------

    1 | a

(1 row)

 

mydb=> UPDATE test_r1 SET flag='p' WHERE id=1 RETURNING *;

   id | flag

----+------

    1 | p

(1 row)

UPDATE 1

 

RETURNING返回删除的数据

 

DELETE后接RETURNING属性返回删除的数据,如下所示:

 

 

mydb=> DELETE FROM test_r1 WHERE id=2 RETURNING *;

   id | flag

----+------

    2 | b

(1 row)

DELETE 1

 

4、UPSERT
 

 

PostgreSQL的UPSERT特性是指INSERT ... ON CONFLICT UPDATE,用来解决在数据插入过程中数据冲突的情况,比如违反用户自定义约束,日志数据应用场景通常在事务中批量插入日志数据,如果其中有一条数据违反表上的约束,则整个插入事务将会回滚,PostgreSQL的UPSERT特性可解决这一问题。

 

接下来通过例子来理解UPSERT的功能,定义一张用户登录日志表并插入一条数据,如下:

 

 

mydb=> CREATE TABLE user_logins(user_name text primary key,

login_cnt int4,

last_login_time timestamp(0) without time zone);

CREATE TABLE

 

mydb=> INSERT INTO user_logins(user_name,login_cnt) VALUES ('francs',1);

INSERT 0 1

 

在user_logins表user_name字段上定义主键,批量插入数据中如有重复会报错,如下所示:

 

 

mydb=> INSERT INTO user_logins(user_name,login_cnt)

VALUES ('matiler',1),('francs',1);

ERROR:  duplicate key value violates unique constraint "user_logins_pkey"

DETAIL:  Key (user_name)=(francs) already exists.

 

上述SQL试图插入两条数据,其中matiler这条数据不违反主键冲突,而francs这条数据违反主键冲突,结果两条数据都不能插入。PostgreSQL的UPSERT可以处理冲突的数据,比如当插入的数据冲突时不报错,同时更新冲突的数据,如下所示:

 

 

mydb=> INSERT INTO user_logins(user_name,login_cnt)

VALUES ('matiler',1),('francs',1)

ON CONFLICT(user_name)    

DO UPDATE SET

login_cnt=user_logins.login_cnt+EXCLUDED.login_cnt,last_login_time=now();

INSERT 0 2

 

上述INSERT语句插入两条数据,并设置规则:

 

当数据冲突时更新登录次数字段login_cnt值加1,同时更新最近登录时间last_login_time,ON CONFLICT(user_name)定义冲突类型为user_name字段,DO UPDATE SET是指冲突动作,后面定义了一个UPDATE语句,注意上述SET命令中引用了user_loins表和内置表EXCLUDED,引用原表user_loins访问表中已存在的冲突记录,内置表EXCLUDED引用试图插入的值,再次查询表user_login,如下所示:

 

 

mydb=> SELECT * FROM user_logins ;

 user_name | login_cnt |   last_login_time   

  -----------+-----------+---------------------

     matiler   |              1 |

      francs    |              2 | 2017-08-08 15:23:13

    (2 rows)

 

一方面冲突的francs这条数据被更新了login_cnt和last_login_time字段,另一方面新的数据matiler记录已正常插入。

 

5、数据抽样
 

 

数据抽样(TABLESAMPLE)在数据处理方面经常用到,特别是当表数据量比较大时,随机查询表一定数量记录很常见,PostgreSQL早在9.5版时就已经提供了TABLESAMPLE数据抽样功能,9.5版前通常通过ORDER BY random()方式实现数据抽样,这种方式虽然在功能上满足随机返回指定行数据,但性能很低,如下:

 

 

表user_ini数据量为100万,从100万随机取一条上述SQL执行时间为367ms,这种方法走了全表扫描和排序,效率非常低,当表数据量大时,性能几乎无法接受。

 

9.5版本以后PostgreSQL支持TABLESAMPLE数据抽样,语法如下:

 

 

SELECT …

FROM table_name

TABLESAMPLE sampling_method ( argument [, ...] ) [ REPEATABLE ( seed ) ]

 

sampling_method指抽样方法,主要有两种:SYSTEM和BERNOULLI。接下来详细介绍这两种抽样方式,argument指抽样百分比。

 

SYSTEM抽样方式

 

SYSTEM抽样方式为随机抽取表上数据块上的数据,理论上被抽样表的每个数据块被检索的概率是一样的,SYSTEM抽样方式基于数据块级别,后接抽样参数,被选中的块上的所有数据将被检索。

 

创建test_sample测试表,并插入150万数据,抽样因子设置成0.01,意味着返回1500000*0.01%=150条记录,执行如下SQL:

 

 

以上执行计划主要有两点:

 

  • 一方面走了Sample Scan扫描(抽样方式为SYSTEM),执行时间为0.166毫秒,性能较好;

  • 另一方面优化器预计访问150条记录,实际返回107条。

 

BERNOULLI抽样方式

 

BERNOULLI抽样方式随机抽取表的数据行,并返回指定百分比数据,BERNOULLI抽样方式基于数据行级别,理论上被抽样表的每行记录被检索的概率是一样的,因此BERNOULLI抽样方式抽取的数据相比SYSTEM抽样方式具有更好的随机性,但性能上相比SYSTEM抽样方式低很多,下面演示下BERNOULLI抽样方式,同样基于test_sample测试表。

 

设置抽样方式为BERNOULLI,抽样因子为0.01,如下所示:

 

 

从以上执行计划看出走了Sample Scan扫描(抽样方式为BERNOULLI),执行计划预计返回150条记录,实际返回152条,从返回的记录数来看,非常接近150条(1000000*0.01%),但执行时间却要22.569毫秒,性能相比SYSTEM抽样方式0.166毫秒差了136倍。

 

多次执行以下查询,查看返回记录数的变化,如下所示:

 

 

mydb=>  SELECT count(*) FROM test_sample TABLESAMPLE BERNOULLI(0.01);

 count

-------

   151

(1 row)

 

mydb=>  SELECT count(*) FROM test_sample TABLESAMPLE BERNOULLI(0.01);

 count

-------

   147

(1 row)

 

从以上看出,BERNOULLI抽样方式返回的数据量非常接近抽样数据的百分比,而SYSTEM抽样方式数据返回以数据块为单位,被抽样的块上的所有数据都被返回,因此SYSTEM抽样方式的数据量返回的偏差较大。

 

这里演示了SYSTEM和BERNOULLI抽样方式,SYSTEM抽样方式基于数据块级别,随机抽取表数据块上的记录,因此这种方式抽取的记录的随机性不是很好,但返回的数据以数据块为单位,抽样性能很高,适用于抽样效率优先的场景,例如抽样大小为GB的日志表;而BERNOULLI抽样方式基于数据行,相比SYSTEM抽样方式所抽样的数据随机性更好,但性能相比SYSTEM差很多,适用于抽样随机性优先的场景,读者可根据实际应用场景选择抽样方式。

 

6、聚合函数
 

 

聚合函数可以对结果集进行计算,常用的聚合函数有avg()、sum()、min()、max()、count()等,本节将介绍PostgreSQL两个特殊功能的聚合函数并给出测试示例。

 

在介绍两个聚合函数之前,先来看一个应用场景,假如一张表有以下数据,如下:

 

 

country  | city

---------+------

 中国      | 台北

 中国      | 香港

 中国      | 上海

 日本      | 东京

 日本      | 大阪

(5 rows)

 

要求得到如下结果集:

 

 

中国       台北,香港,上海

日本       东京,大阪

 

这个SQL大家想想如何写?

 

string_agg函数

 

首先介绍string_agg函数,此函数语法如下:

 

 
string_agg(expression, delimiter)

 

简单的说string_agg函数能将结果集某个字段的所有行连接成字符串,并用指定delimiter分隔符分隔,expression表示要处理的字符类型数据;参数的类型为(text, text) 或 (bytea, bytea),函数返回的类型同输入参数类型一致,bytea属于二进制类型,使用情况不多,我们主要介绍text类型输入参数,本节开头的场景正好可以用string_agg函数处理。

 

将city字段连接成字符串如下:

 

 

mydb=> SELECT string_agg(city,',') FROM city;

        string_agg        

--------------------------

 台北,香港,上海,东京,大阪

(1 row)

 

可见string_agg函数将输出的结果集连接成了字符串,并用指定的逗号分隔符分隔,回到本文开头的问题,通过以下SQL实现,如下所示:

 

 

mydb=> SELECT country,string_agg(city,',') FROM city GROUP BY country;

 country |   string_agg   

---------+----------------

   日本    | 东京,大阪

   中国    | 台北,香港,上海

 

array_agg函数

 

array_agg函数和string_agg函数类似,最主要的区别为返回的类型为数组,数组数据类型同输入参数数据类型一致,array_agg函数支持两种语法,第一种如下:

 

 
array_agg(expression)  --输入参数为任何非数组类型

 

输入参数可以是任何非数组类型,返回的结果是一维数组,array_agg函数将结果集某个字段的所有行连接成数组,执行以下查询:

 

 

mydb=> SELECT country,array_agg(city) FROM city GROUP BY country;

 country |    array_agg     

---------+------------------

   日本    | {东京,大阪}

   中国    | {台北,香港,上海}

 

array_agg函数输出的结果为字符类型数组,其他无明显区别,使用array_agg函数主要优点在于可以使用数组相关函数和操作符。

 

7、窗口函数
 

 

PostgreSQL提供内置的窗口函数,例如row_num()、rank()、lag()等,除了内置的窗口函数外,聚合函数、自定义函数后接OVER属性也可作为窗口函数。

 

窗口函数的调用语法稍复杂,如下所示:

 

 

function_name ([expression [, expression ... ]]) [ FILTER ( WHERE filter_clause ) ] OVER ( window_definition )

 

其中window_definition语法如下:

[ existing_window_name ]

[ PARTITION BY expression [, ...] ]

[ ORDER BY expression [ ASC | DESC | USING operator ] [ NULLS { FIRST | LAST } ] [, ...] ]

[ frame_clause ]

 

  • OVER表示窗口函数的关键字。

  • PARTITON BY属性对查询返回的结果集进行分组,之后窗口函数处理分组的数据。

  • ORDER BY属性设定结果集的分组数据的排序。

 

row_number() 窗口函数

 

创建一张成绩表并插入测试数据,如下所示:

 

 

CREATE TABLE score ( id serial primary key,

                      subject character varying(32),

                      stu_name character varying(32),

                      score numeric(3,0) );

 

INSERT INTO score ( subject,stu_name,score ) VALUES ('Chinese','francs',70);

INSERT INTO score ( subject,stu_name,score ) VALUES ('Chinese','matiler',70);

INSERT INTO score ( subject,stu_name,score) VALUES ('Chinese','tutu',80);

INSERT INTO score ( subject,stu_name,score ) VALUES ('English','matiler',75);

INSERT INTO score ( subject,stu_name,score ) VALUES ('English','francs',90);

INSERT INTO score ( subject,stu_name,score ) VALUES ('English','tutu',60);

INSERT INTO score ( subject,stu_name,score ) VALUES ('Math','francs',80);

INSERT INTO score ( subject,stu_name,score ) VALUES ('Math','matiler',99);

INSERT INTO score ( subject,stu_name,score ) VALUES ('Math','tutu',65);

 

avg() OVER()窗口函数

 

聚合函数后接OVER属性的窗口函数表示在一个查询结果集上应用聚合函数,本小节将演示avg()聚合函数后接OVER属性的窗口函数,此窗口函数用来计算分组后数据的平均值。

 

查询每名学生学习成绩并且显示课程的平均分,通常是先计算出课程的平均分,之后score表再与平均分表关联查询,如下所示:

 

 

使用窗口函数很容易实现以上需求,如下所示:

 

 

以上查询前三列来源于表score,第四列表示取课程的平均分,PARTITION BY subject表示根据字段subject进行分组。

 

rank()窗口函数

 

rank()窗口函数和row_number()窗口函数相似,主要区别为当组内某行字段值相同时,行号重复并且行号产生间隙(手册上解释为gaps),如下:

 

 

以上示例中,Chinese课程前两条记录的score字段值都为70,因此前两行的rank字段值1,而第三行的rank字段值为3,产生了间隙。

 

dense_rank ()窗口函数

 

dense_rank ()窗口函数和rank ()窗口函数相似,主要区别为当组内某行字段值相同时,虽然行号重复,但行号不产生间隙(手册上解释为gaps),如下:

 

 

以上示例中,Chinese课程前两行的rank字段值1,而第三行的rank字段值为2,没有产生间隙。

 

PostgreSQL还支持很多其它内置窗口函数,例如、lag()、first_values()、last_values()等,篇幅关系不再介绍。

 

二、总结

 

本篇文章主要介绍了PostgreSQL支持的一些高级SQL特性,例如WITH查询、批量插入、RETURNING返回DML修改的数据、UPSERT、数据抽样、聚合函数、窗口函数等,了解这些功能能够简化SQL代码,提升开发效率,并且实现普通查询不容易实现的功能,希望通过阅读本章,大家能够在实际工作中应用SQL高级特性,同时挖掘PostgreSQL的其它高级SQL特性。

 

PostgreSQL不仅是关系型数据库,同时支持NoSQL特性,关于PostgreSQL的NoSQL特性我们将在下一篇文章中介绍。

活动预告