PostgreSQL如何实现并行查询
小编给大家分享一下PostgreSQL如何实现并行查询，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！
成都做网站、成都网站建设的关注点不是能为您做些什么网站，而是怎么做网站，有没有做好网站，给创新互联公司一个展示的机会来证明自己，这并不会花费您太多时间，或许会给您带来新的灵感和惊喜。面向用户友好，注重用户体验，一切以用户为中心。
随着SSD等磁盘技术的平民化，以及动辄上百GB内存的普及，I/O层面的性能问题得到了有效缓解。提升数据库的扩展性能，可以追求Scale Out的方式，增加机器，往分布式方向发展，也可以追求Scale Up，增加硬件组件，充分利用各个硬件的资源，把单机的性能发挥到最大效果。相较而言，Scale Up通过软件加速性能，依赖软件层面的优化，是低成本的扩展方案。
现代服务器除了磁盘和内存资源的增强，多CPU的配置也足够强大。数据库的Join、聚合等操作内存耗费比较大，很多时间花在了数据的交换和缓存上，CPU的利用率并不高，所以面向CPU的加速策略中，并发执行是一种常见的方法。
查询的性能是评价OLAP型数据库产品好坏的核心指标，而并行查询可以聚焦在数据的读和计算上，通过把Join、聚合、排序等操作分解成多个操作实现并行。
并行查询的挑战在于，为了要做并行而加入的数据分片过程、进程或线程间的通信，以及并发控制方面带来的系统开销不但没有增加性能，反而降低了原有性能。实现上，如何在优化器里规划好并行计划也是很多数据库做不到的。
PostgreSQL的并行查询功能主要由PostgreSQL社区的核心开发者Robert Haas等人开发。从Robert Haas的个人博客了解到，社区开发PostgreSQL的并行查询特性时间表如下：
2013年10月，执行框架上做了Dynamic Background Workers和Dynamic Shared Memory两个调整
2014年12月，Amit Kapila提交了一个简单版的parallel sequential scan的patch；
2015年3月，正式版的parallel sequential scan的patch被提交；
2016年3月，支持parallel joins和parallel aggregation；
2016年4月，作为9.6的新特性发布。
PostgreSQL的并行查询在大数据量（中间结果在GB以上）的Join、Merge场合，效果比较明显。效果上，因为系统开销，投入的资源跟性能提升并不是线性的，比如增加4个worker，性能则可能提升2倍左右，而不是4倍。通过TPCH的测试效果，表明在Ad-Hoc查询场景，普遍都有加速效果。
现在支持的并行场景主要是以下3种：
parallel sequential scan
parallel join
parallel aggregation
鉴于安全考虑，以下4种场景不支持并行：
公共表表达式（CTE）的扫描
临时表的扫描
外部表的扫描（除非外部数据包装器有一个IsForeignScanParallelSafeAPI）
对InitPlan或SubPlan的访问
使用并行查询，还有以下限制：
必须保证是严格的read only模式，不能改变database的状态
查询执行过程中，不能被挂起
隔离级别不能是SERIALIZABLE
不能调用PARALLEL UNSAFE函数
并行查询有基于代价策略的判断，譬如小数据量时默认还是普通执行。在PostgreSQL的配置参数中，提供了一些跟并行查询相关的参数。我们想测试并行，一般设置下面两个参数：
force_parallel_mode：强制开启并行模式的开关
max_parallel_workers_per_gather：设定用于并行查询的worker进程数
一个简单的两表Join查询场景，使用并行查询模式的查询计划如下：
并行查询开启后，解析器会生成一份Gather…Partial风格的执行计划，这意味着到Executor层，会将Partial部分的计划并行执行。
执行计划里可以看到，在做并行查询时，额外创建了2个worker进程，加上原来的master进程，总共3个进程。Join的驱动表数据被平均分配了3份，通过并行scan分散了I/O操作，之后跟大表数据分别做Join。
PostgreSQL的并行由多个进程的机制完成。每个进程在内部称之为1个worker，这些worker可以动态地创建、销毁。PostgreSQL在SQL语句解析和生成查询计划阶段并没有并行。在执行器（Executor）模块，由多个worker并发执行被分片过的子任务。即使在查询计划被并行执行的环节，一直存在的进程也会充当一个worker来完成并行的子任务，我们可以称之为主进程。同时，根据配置参数指定的worker数，再启动n个worker进程来执行其他子计划。
PostgreSQL内延续了共享内存的机制，在每个worker初始化时就为每个worker分配共享内存，用于worker各自获取计划数据和缓存中间结果。这些worker间没有复杂的通信机制，而是都由主进程做简单的通信，来启动和执行计划。
PostgreSQL中并行的执行模型如图1所示。
以上文的Hash Join的场景为例，在执行器层面，并行查询的执行流程如图2所示。
各worker按照以下方式协同完成执行任务：
首先，每个worker节点做的任务相同。因为是Hash Join，worker节点使用一个数据量小的表作为驱动表，做Hash表。每个worker节点都会维护这样一个Hash表，而大表被平均分之后跟Hash表做数据Join。
最底层的并行是磁盘的并行scan，worker进程可以从磁盘block里获取自己要scan的block。
Hash Join后的数据是全部数据的子集。对于count()这种聚合函数，数据子集上可以分别做计算，最后再合并，结果上可以保证正确。
数据整合后，做一次总的聚合操作。
worker进程又是如何创建和运行的？首先来看worker的创建逻辑（参见图3）。
PostgreSQL的并行处理，以worker动态创建为前提。worker可以由主进程初始化出来，并且在上下文中，先指定好入口函数。
并行查询中，入口函数被指定为ParallelWorkerMain。而ParallelWorkerMain函数里，在完成一系列信号代理设定后，会调用ParallelQueryMain来执行查询。ParallelQueryMain创建了一个新的执行器上下文，递归执行并行子查询计划。
用来并行查询的worker进程接收主进程的信号，比如一旦发送创建进程的信号，worker进程就会启动，紧接着执行ParallelWorkerMain函数。进而，ParallelQueryMain也会执行，各个worker进程独立执行子计划，执行结果会存在共享内存里。所有进程执行结束后，master进程会去搜集共享内存里的结果数据（tuple），做数据整合。
并行查询的特性公布后，不乏对并行的评价和之后的改进计划。社区并行查询的开发者在博客中提到准备做一个大的共享Hash Table，这样Hash Join操作的并行度会进一步提升。
另外，对PostgreSQL而言，反倒是基于其folk出来的一些数据库产品先于它做了并行查询的特性，可以学习参考：
Postgres-XC的分布式框架
GreenPlum的MPP架构
CitusDB的分布式
VitesseDB基于多线程的并行
Fujitsu的Fujitsu Enterprise PostgreSQL的并行
其中开源数据库GreenPlum并行架构很有借鉴意义。GreenPlum的并行查询设计了一个专门的调度器来协调查询任务的分配，而PostgreSQL没有这样的设计。关于GreenPlum的执行框架，简单讲是以下三层结构：
调度器（QD）：调度器发送优化后的查询计划给所有数据节点（Segments）上的执行器（QE）。调度器负责任务的执行，包括执行器的创建、销毁、错误处理、任务取消、状态更新等。
执行器（QE）：执行器收到调度器发送的查询计划后，开始执行自己负责的那部分计划。典型的操作包括数据扫描、哈希关联、排序、聚集等。
Interconnect：负责集群中各个节点间的数据传输
GreenPlum会根据数据分布情况做数据的广播和重分布，这是PostgreSQL的并行模型可以借鉴的。
仅仅是一个大的Hash Table，在数据访问上有串行的开销，worker的并行仍然受限。如图5所示，大表和小表Join的场景参考GreenPlum的数据广播机制，驱动表的数据可以给每个worker进程准备一个拷贝，相当于广播了一份数据。这样数据被高度共享，并行的效果会更好。
除了PostgreSQL生态的数据库，关系型数据库老大哥Oracle在并行查询上已经积累了30年的经验，也需要借鉴。在Oracle的官方手册中，有对其并行查询机制做出的说明。
Oracle在每个操作环节，都能把数据高度分片，可以参考图6所示的Hash Join的并行。
而在内部并行控制上，数据被分组后，不管是scan还是排序，几组worker对分组的数据都能分治。
也就是说Oracle做到了操作符（Operator）Level的并行。在每个操作中，把数据分片后动态的并行运算。可以看到Oracle的并行查询在做Operator级别的并行，每个操作环节，都能把数据分片后分而治之，并行程度非常高。这对数据的流转要求也很高，数据和操作既能水平分治也能垂直分治。
PostgreSQL目前是任务级别的并行，将原先的执行计划垂直拆分成几个可以分离的子任务，并行实现简单，但在大数据量时并行度不够，而且共享内存的访问负荷加重，性能提升不明显。
参考Oracle的方式，按上图改进后，worker不再是单独执行1个任务，而是随时被调用执行操作。数据根据操作分层、分片、广播，worker进程为数据操作服务，而不是数据为worker服务。这样在超大规模数据的场景，驱动表作为producer做数据partition，外表作为consumer做operator运算。多组这样的操作产生的并行计算更自由，性能也更有想象空间，也是我们团队目前在尝试的方向。
看完了这篇文章，相信你对“PostgreSQL如何实现并行查询”有了一定的了解，如果想了解更多相关知识，欢迎关注创新互联行业资讯频道，感谢各位的阅读！
新闻名称：PostgreSQL如何实现并行查询
当前路径：http://6mz.cn/article/ppdsjp.html