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 - 秒杀 - 高并发单点更新 (OLTP)
1、背景
高吞吐的数据写入，消费，通常是MQ的强项和功能点，但是MQ没有数据存储的能力，也没有计算能力。
而PostgreSQL具备了存储、计算能力，同时PG还提供了高吞吐，可靠性。
在需要高吞吐计算的环境，PG是非常不错的选择。
如果业务上需要先进先出的模式，可以加一个时间索引，即可达到这样的效率，写入和消费都在300万行/s以上：
详见：
《HTAP数据库 PostgreSQL 场景与性能测试之 27 - (OLTP) 物联网 - FEED日志, 流式处理 与 阅后即焚 (CTE)》
如果业务上不要求强烈的先进先出，并且处理吞吐足够强悍的话，实际上PG可以不需要索引，因为是堆表，没有索引，写和消费的吞吐可以做到更大。
上文测试的是不需要索引的裸写入和消费吞吐能力(消费、不计算)。
《HTAP数据库 PostgreSQL 场景与性能测试之 31 - (OLTP) 高吞吐数据进出(堆存、行扫、无需索引) - 阅后即焚(读写大吞吐并测)》
本文压测大吞吐下，结合 函数计算和JSON的能力。
2、设计
1、堆表、多表、大吞吐写入
2、堆表、多表、大吞吐消费
同时压测写入和消费。
3、准备测试表
1、使用jsonb作为内容字段
create table t_sensor (sid int, info jsonb, crt_time timestamp) ;
AI 代码解读
使用2048个分表。
do language plpgsql $$
declare
begin
for i in 0..2047 loop
execute 'create table t_sensor'||i||'(like t_sensor including all) inherits(t_sensor) '||case when mod(i,2)=0 then ' ' else ' tablespace tbs1' end;
end loop;
end;
$$;
AI 代码解读
4、准备测试函数(可选)
1、批量生成传感器测试数据的函数
CREATE OR REPLACE FUNCTION public.ins_batch(integer,integer)
RETURNS void
LANGUAGE plpgsql
STRICT
AS $function$
declare
suffix int := mod($1, 2048);
begin
execute 'insert into t_sensor'||suffix||' select '||$1||', ''{"k":"abc", "v":'||10000*random()||'}'', now() from generate_series(1,'||$2||')';
end;
$function$;
AI 代码解读
2、批量消费传感器数据的函数，按时间，从最早开始消费。
处理逻辑也可以放到里面，例如预警逻辑(采用PostgreSQL异步消息、CTE语法)。
《PostgreSQL 异步消息实践 - Feed系统实时监测与响应(如 电商主动服务) - 分钟级到毫秒级的跨域》
CREATE OR REPLACE FUNCTION public.consume_batch(integer,integer)
RETURNS void
LANGUAGE plpgsql
STRICT
AS $function$
declare
suffix int := mod($1, 2048);
begin
-- 带流式处理业务逻辑的例句(采用CTE语法)：
-- v > 9999时，往通道channel_1发送异步消息
execute format('with t1 as (delete from t_sensor%s where ctid = any(array(select ctid from t_sensor%s limit %s)) returning *)
select pg_notify(''channel_1'', ''reason:xxx::::''||row_to_json(t1)) from t1 where (t1.info->>''v'')::float8 > 9999',
suffix, suffix, $2);
--
-- 如果有多个判断基准，可以先存入TMP TABLE，再到TMP TABLE处理。
-- 使用普通的TMP table或者使用内存TMP TABLE。
-- [《PostgreSQL 内存表》](../201608/20160818_01.md)
-- 本例仅测试不带处理逻辑，只消费的情况，关注消费速度。
-- execute format('delete from t_sensor%s where ctid = any(array(select ctid from t_sensor%s limit %s))', suffix, suffix, $2);
end;
$function$;
AI 代码解读
5、准备测试数据
6、准备测试脚本
同时压测写入和消费。
1、高吞吐写入测试，100万个传感器，每批1000条。
vi test.sql
\set sid random(1,1000000)
select ins_batch(:sid, 1000);
AI 代码解读
压测
CONNECTS=28
TIMES=300
export PGHOST=$PGDATA
export PGPORT=1999
export PGUSER=postgres
export PGPASSWORD=postgres
export PGDATABASE=postgres
pgbench -M prepared -n -r -f ./test.sql -P 5 -c $CONNECTS -j $CONNECTS -T $TIMES
AI 代码解读
2、高吞吐消费测试，100万个传感器，每批1000条。
vi test.sql
\set sid random(1,1000000)
select consume_batch(:sid, 1000);
AI 代码解读
压测
CONNECTS=28
TIMES=300
export PGHOST=$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
AI 代码解读
7、测试
1、高吞吐写入测试，100万个传感器，每批1000条。
transaction type: ./test.sql
scaling factor: 1
query mode: prepared
number of clients: 28
number of threads: 28
duration: 300 s
number of transactions actually processed: 540118
latency average = 15.552 ms
latency stddev = 6.859 ms
tps = 1800.096277 (including connections establishing)
tps = 1800.211896 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
0.002 \set sid random(1,1000000)
15.550 select ins_batch(:sid, 1000);
AI 代码解读
2、高吞吐消费测试，100万个传感器，每批1000条。
transaction type: ./test1.sql
scaling factor: 1
query mode: prepared
number of clients: 28
number of threads: 28
duration: 300 s
number of transactions actually processed: 437481
latency average = 19.200 ms
latency stddev = 8.386 ms
tps = 1458.154052 (including connections establishing)
tps = 1458.224625 (excluding connections establishing)
script statistics:
- statement latencies in milliseconds:
0.002 \set sid random(1,1000000)
19.201 select consume_batch(:sid, 1000);
AI 代码解读
3、压测过程中，收到一些函数式处理的异步消息：
LISTEN
Asynchronous notification "channel_1" with payload "reason:xxx::::{"sid":462454,"info":{"k": "abc", "v": 9999.96403697878},"crt_time":"2017-11-16T19:36:56.164613"}" received from server process with PID 31075.
postgres=# listen channel_1;
LISTEN
Asynchronous notification "channel_1" with payload "reason:xxx::::{"sid":462454,"info":{"k": "abc", "v": 9999.96403697878},"crt_time":"2017-11-16T19:36:56.164613"}" received from server process with PID 31083.
postgres=# listen channel_1;
LISTEN
postgres=# listen channel_1;
LISTEN
Asynchronous notification "channel_1" with payload "reason:xxx::::{"sid":252209,"info":{"k": "abc", "v": 9999.39551576972},"crt_time":"2017-11-16T19:36:53.424862"}" received from server process with PID 31081.
AI 代码解读
一、 TPS
同时压测写入和消费，使用JSONB作为内容输入，消费时加上处理函数，吞吐如下：
1、数据写入速度： 180万 行/s。
2、数据消费速度： 145.8万 行/s。
二、 平均响应时间
同时压测写入和消费，使用JSONB作为内容输入，消费时加上处理函数，吞吐如下：
1、数据写入速度： 15.5 毫秒。
2、数据消费速度： 19 毫秒。
加入函数式计算后，消费速度会有所下降，在权重上，可以分配多一些资源给消费。不过即便如此，消费速度也有145.9万行每秒。
参考
《PostgreSQL、Greenplum 应用案例宝典《如来神掌》 - 目录》
