PostgreSQL用户应掌握的高级SQL特性_pgsql with t as

原文作者： 谭峰、张文升，这两位作者的新书 好像是 《PostgreSQL实战》，在读本书之前，我先把这几个高级特性学到手，并在我们的GP集群上逐一操练。感触颇深。

1、with的用法

WITH t as (

  SELECT generate_series(1,3)

)

SELECT * FROM t;

WITH查询的一个重要属性是RECURSIVE(递归)，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。

下面这个例子把递归这个属性应用的淋漓尽致

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;

结果：

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：

    INSERT INTO..SELECT.

INSERT INTO table_name SELECT …FROM source_table

   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

CREATE TABLE tbl_batch3(id int4,info text);

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。

3、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。

当前我的集群环境GP不能使用

 

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wpp defect数据量为100万，从100万随机取一条上述SQL执行时间为5-10ms（依据不同segment_id时间不一致），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。

比较可惜的是我的postgresql版本是8.5 不支持table samle

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。