アナリティクスをPostgreSQLで始めるべき10の理由＠第6回 関西DB勉強会
5 likes2,312 views
第6回 関西DB勉強会のセッション「PostgreSQLエンジニアにとってのデータ分析プロジェクト：テクノロジーとその実践」の中の、「アナリティクスをPostgreSQLで始めるべき10の理由」のパートのスライドです。 イベントの詳細は以下を参照してください。 第6回 関西DB勉強会 https://kansaidbstudy.connpass.com/event/62974/
![ユーザ定義関数 by Python
UDF by Python
CREATE OR REPLACE FUNCTION dumpenv(OUT text, OUT text)
RETURNS SETOF record
AS $$
import os
for e in os.environ:
plpy.notice(str(e) + ": " + os.environ[e])
yield(e, os.environ[e])
$$ LANGUAGE plpythonu;](https://image.slidesharecdn.com/dbpub-170910024503/85/PostgreSQL-10-6-DB-41-320.jpg)
![ユーザ定義関数 by Python
UDF by Python
CREATE OR REPLACE FUNCTION dumpenv(OUT text, OUT text)
RETURNS SETOF record
AS $$
import os
for e in os.environ:
plpy.notice(str(e) + ": " + os.environ[e])
yield(e, os.environ[e])
$$ LANGUAGE plpythonu;
testdb=# select * from dumpenv() order by 1 limit 10;
column1 | column2
--------------------+-----------------------
G_BROKEN_FILENAMES | 1
HISTCONTROL | ignoredups
HISTSIZE | 1000
HOME | /home/snaga
HOSTNAME | localhost.localdomain
LANG | ja_JP.UTF-8
LC_COLLATE | C
LC_CTYPE | C
LC_MESSAGES | C
LC_MONETARY | C
(10 rows)](https://image.slidesharecdn.com/dbpub-170910024503/85/PostgreSQL-10-6-DB-42-320.jpg)
アナリティクスをPostgreSQLで始めるべき10の理由＠第6回 関西DB勉強会
- 1. PostgreSQLエンジニアにとっての データ分析プロジェクト: テクノロジーとその実践 ナガヤス サトシ @snaga ～ Dive Into Data ～ 第6回 関西DB勉強会
- 3. アジェンダ • データ収集 / データベース連携 • データウェアハウス・データマート構築 • クエリ作成 / SQLの機能 • パフォーマンス • In-Database処理
- 5. 外部データラッパー Foreign Data Wrapper • 外部データソース（RDBMS, NoSQL, ファイル等）を PostgreSQLのエグゼキュータ（エンジン）につなげる • 外部テーブルに対して SELECT/INSERT/UPDATE/DELETE 処理を可能にする PostgreSQL Oracle MySQL HDFS https://wiki.postgresql.org/wiki/Foreign_data_wrappers
- 6. データベースリンク Database Link • リモートのデータベースに対して「アドホックな」クエ リを実行可能 • dblink_plus では、PostgreSQLに加えて Oracle / MySQL / SQLite に対しても接続可能 PostgreSQL Oracle MySQL https://www.postgresql.jp/document/9.6/html/contrib-dblink-function.html http://interdbconnect.sourceforge.net/index.html
- 7. 非ロギングテーブル Unlogged Tables • トランザクションログを生成しない • 高いローディング（INSERT）パフォーマンス • クラッシュリカバリの際に TRUNCATE される http://pgsnaga.blogspot.jp/2011/10/data-loading-into-unlogged-tables-and.html
- 9. マテリアライズド・ビュー Materialized View • レコードをキャッシュするビュー • 複雑なクエリや時間のかかる集約を毎回実行しなくて済 む • ユーザ自身がキャッシュを更新する必要がある Table View Table Table Materialized View Table Query Query Cache
- 10. トランザクショナルなDDL Transactional DDLs • PostgreSQLではほとんどのDDL処理がトランザ クション内で実行可能 • オンラインであってもスキーマの変更をアトミッ ク（COMMIT/ROLLBACK）に行える • トランザクショナルなDDLは、DBAがスキーマを 保守するのをより容易にする
- 11. クエリの作成 / SQLの機能 Rich SQL features Compatibility with SQL standard
- 12. クエリの作成 / SQLの機能 Writing Queries / SQL Features • 豊富なSQLの機能 – サブクエリ – WITH句 (Common Table Expressions, CTEs) – 多数の集約関数 – ウィンドウ関数 • JSONデータのサポート • SQL標準への準拠、互換性
- 13. WITH句 WITH clause • そのクエリのための一時テーブルを定義する • サブクエリ内で2回以上参照する場合には、パフ ォーマンスが良くなる • 「サブクエリのサブクエリ（の…）」をしなくて 済むので、クエリがシンプルになる WITH foo AS ( SELECT ... FROM ... GROUP BY ... ) SELECT ... FROM foo WHERE ... UNION ALL SELECT ... FROM foo WHERE ...; https://www.postgresql.org/docs/9.5/static/queries-with.html
- 14. 多数の集約関数 Many Aggregations • 9.4で追加 – percentile_cont() – percentile_disc() – mode() – rank() – dense_rank() – percent_rank() – cume_dist() • 9.5で追加 – ROLLUP() – CUBE() – GROUPING SETS() https://www.postgresql.org/docs/9.5/static/functions-aggregate.html
- 17. GROUPING SETS • 複数のGROUP BYを一度に実行 Two GROUP BYs at once.
- 18. JSONデータ型 JSON data type testdb=# create table t1 ( j jsonb ); CREATE TABLE testdb=# insert into t1 values ('{ "key1": "value1", "key2": "value2" }'); INSERT 0 1 testdb=# select * from t1; j -------------------------------------- {"key1": "value1", "key2": "value2"} (1 row) testdb=# select j->>'key2' key2 from t1; key2 -------- value2 (1 row)
- 19. JSONデータ型 JSON data type testdb=# select n_nationkey,n_name from nation where n_nationkey = 12; n_nationkey | n_name -------------+--------------------------- 12 | JAPAN (1 row) testdb=# select jsonb_build_object('n_nationkey', n_nationkey, 'n_name', n_name) from nation where n_nationkey = 12; jsonb_build_object ------------------------------------------------------------ {"n_name": "JAPAN ", "n_nationkey": 12} (1 row)
- 20. Operator Description 9.4 -> Get an element by key as a JSON object ->> Get an element by key as a text object #> Get an element by path as a JSON object #>> Get an element by path as a text object <@, @> Evaluate whether a JSON object contains a key/value pair ? Evaluate whether a JSON object contains a key or a value ?| Evaluate whether a JSON object contains ANY of keys or values ?& Evaluate whether a JSON object contains ALL of keys or values 9.5 || Insert or Update an element to a JSON object - Delete an element by key from a JSON object #- Delete an element by path from a JSON object http://www.postgresql.org/docs/9.5/static/functions-json.html
- 21. JSONデータ型 JSON data type • スキーマを定義しなくてもデータを収集できる • “Schema-less”, “Schema on Read” あるいは “Schema-later”. • SQLからもアクセス可能 JSON Data Type Fluentd pg-Json plugin View (Schema) App App Fluentd
- 22. パフォーマンス 3 types of Join Full text search (n-gram) Table Partition BRIN Index Table Sample Parallel Queries
- 23. 3種類のJOIN 3 types of Join • Nested Loop (NL) Join – インデックスのあるテーブルの少数のレコードを結合 する場合にはパフォーマンスが良い • Merge Join • Hash Join – 大規模なテーブルで大量のレコードを結合する場合に はNL結合よりもパフォーマンスが良い
- 24. 全文検索（n-gram） Full-text search (n-gram) • テキストを「N文字」のトークンに分割してイン デックスを作成する – Pg_trgm: Tri-gram (3文字) – Pg_bigm: Bi-gram (2文字) • CJKには多くの2文字単語があるので、Tri-gram よりBi-gramの方が使いやすい – CJK: 中国語・日本語・韓国語 Pg_trgm: https://www.postgresql.org/docs/9.5/static/pgtrgm.html Pg_bigm: http://pgbigm.osdn.jp/index_en.html
- 25. Pg_bigmパフォーマンス Pg_bigm performance • Wikipediaタイトルデータ (2,789,266レコード) – https://dumps.wikimedia.org/zhwiki/20160601/ – zhwiki-20160601-pages-articles-multistream-index.txt.bz2 zhwikidb=> select * from zhwiki_index where title like '%香港%'; id1 | id2 | title ----------+-------+---------------------------------------- 5693863 | 2087 | 香港特別行政區基本法第二十三條 11393231 | 4323 | 香港特别行政区 12830042 | 5085 | 香港大学列表 14349335 | 6088 | 香港行政区划 14349335 | 6090 | 香港行政區劃 14349335 | 6091 | 香港十八区 14349335 | 6092 | 香港十八區 16084672 | 7168 | 香港兒童文學作家 18110426 | 8206 | 北區 (香港) 18110426 | 8236 | 東區 (香港) 19537078 | 9528 | 香港專業教育學院 19537078 | 9567 | 香港中文大學
- 26. Pg_bigmパフォーマンス Pg_bigm performance Aggregate (actual time=481.512..481.541 rows=1 loops=1) -> Seq Scan on zhwiki_index (actual time=1.458..478.326 rows=317 loops=1) Filter: (title ~~ '%香港電影%'::text) Rows Removed by Filter: 2788949 Planning time: 0.125 ms Execution time: 481.654 ms (6 rows) select count(*) from zhwiki_index where title like '%香港電影%';
- 27. Pg_bigmパフォーマンス Pg_bigm performance Aggregate (actual time=1.790..1.792 rows=1 loops=1) -> Bitmap Heap Scan on zhwiki_index (actual time=0.299..1.225 rows=317 loops=1) Recheck Cond: (title ~~ '%香港電影%'::text) Rows Removed by Index Recheck: 1 Heap Blocks: exact=191 -> Bitmap Index Scan on zhwiki_index_title_idx (actual time=0.258..0.258 rows=318 loops=1) Index Cond: (title ~~ '%香港電影%'::text) Planning time: 0.103 ms Execution time: 1.833 ms (9 rows) select count(*) from zhwiki_index where title like '%香港電影%'; 481.6ms → 1.8ms. 通常のLIKEに比べて200倍高速化
- 28. テーブルパーティション Table Partition • 範囲またはリストによるテーブルパーティショニ ング – “Constraint Exclusion” • 不要なパーティションをスキャンしない – 制約の内容によって判断される • 大規模なテーブルにおいて、「降るテーブルスキ ャン」を避けることができる https://www.postgresql.org/docs/9.5/static/ddl-partitioning.html
- 29. BRINインデックス BRIN Index • Block Range INdex (New in 9.5) – “summary“ データを保持する – あるまとまった単位で「この値はこの辺にあるやろ」 – インデックスサイズが小さくなり、（再）作成も速くなる – 但し、レコード取得時に追加の処理が必要になる 0 50,000 100,000 150,000 200,000 250,000 300,000 Btree BRIN Elapsedtime(ms) Index Creation 0 50,000 100,000 150,000 200,000 250,000 300,000 Btree BRIN NumberofBlocks Index Size 0 2 4 6 8 10 12 14 16 18 Btree BRIN Elapsedtime(ms) Select 1 record https://gist.github.com/snaga/82173bd49749ccf0fa6c
- 30. BRINインデックス BRIN Index • BRINインデックスの構造 Table File Block Range 1 (128 Blocks) Block Range 2 Block Range 3 Block Range Min. Value Max. Value 1 1992-01-02 1992-01-28 2 1992-01-27 1992-02-08 3 1992-02-08 1992-02-16 … … … “Block Range” と呼ばれる 塊の単位で、 min/maxの値を保持する (date型のカラムの場合)
- 31. TABLESAMPLE • レコードをサンプリングして「ざっくり集計」をする – 全部のレコードを読まないので高速 • BERNOULLI – 厳密 – タプル単位 • SYSTEM – 性能が良い – ブロック単位 http://blog.2ndquadrant.com/tablesample-in-postgresql-9-5-2/
- 34. パラレルクエリ Parallel Queries • リーダープロセスが、ワーカープロセスと共同し て処理を行う: – シーケンシャルスキャン – 結合 (Nested Loop & Hash) – 集約 • 9.6でリリース Leader Worker Worker Client Data Read & Examine Query Result Launch & Gather
- 35. Parallel Aggregation Performance & Scalability • 30M行に対するcount(*) – 並列処理によるスケーラビリティが確認できる Parallel workersの値と並列度: 0 → シングル 1 → リーダー + 1ワーカー → 2並列 2 → リーダー + 2ワーカー → 3並列 以下同様
- 36. In-Database処理 User Defined Functions Apache MADlib
- 37. In-Database分析 In-Database Analytics • In-Database分析とは? – サーバからデータを取り出さずにアナリティク スの処理を実行する • In-Database分析の優位性 – “ビッグデータ” をサーバ・クライアント間で移 動させずに済む – クライアントPCと比べると高いパフォーマンス のハードウェアリソースを使える (CPU, メモリ, ストレージ)
- 38. In-Database Analyticsとは何か In-Database Analytics の進化。サンプル数が 100 億行になっても圧倒的性能を記録 http://www.intel.co.jp/content/www/jp/ja/big-data/xeon-e5-v3-in-database-analytics-ntt-data-study.html
- 39. In-Database分析 In-Database Analytics • ユーザ定義関数による実装 – PL/Python, PL/R, PL/v8, ... あるいは C 言語. – （ほぼ）あらゆるロジックをデータベース内で 実行できる • Apache MADlib – 機械学習ライブラリ for PostgreSQL
- 41. ユーザ定義関数 by Python UDF by Python CREATE OR REPLACE FUNCTION dumpenv(OUT text, OUT text) RETURNS SETOF record AS $$ import os for e in os.environ: plpy.notice(str(e) + ": " + os.environ[e]) yield(e, os.environ[e]) $$ LANGUAGE plpythonu;
- 42. ユーザ定義関数 by Python UDF by Python CREATE OR REPLACE FUNCTION dumpenv(OUT text, OUT text) RETURNS SETOF record AS $$ import os for e in os.environ: plpy.notice(str(e) + ": " + os.environ[e]) yield(e, os.environ[e]) $$ LANGUAGE plpythonu; testdb=# select * from dumpenv() order by 1 limit 10; column1 | column2 --------------------+----------------------- G_BROKEN_FILENAMES | 1 HISTCONTROL | ignoredups HISTSIZE | 1000 HOME | /home/snaga HOSTNAME | localhost.localdomain LANG | ja_JP.UTF-8 LC_COLLATE | C LC_CTYPE | C LC_MESSAGES | C LC_MONETARY | C (10 rows)
- 43. pgRoutingとは
- 45. 聖地巡礼マエショリ
- 46. 聖地巡礼マエショリ
- 47. Let’s 聖地巡礼 SELECT * FROM pgr_tsp('SELECT sid id, lat x, lon y FROM seichi ORDER BY sid', 1);
- 48. Let’s 聖地巡礼
- 49. Let’s 聖地巡礼
- 50. 聖地巡礼最短経路の可視化
- 51. Apache MADlib • オープンソース機械学習ライブラリ – PostgreSQL, Greenplum Database, Apache HAWQ の内部で実行できる – さまざまな機械学習アルゴリズムをサポート http://madlib.incubator.apache.org/
- 52. ユースケース Apache MADlib (Incubating) User Survey Results Oct 2016 http://madlib.incubator.apache.org/community-artifacts/Apache-MADlib-user-survey-results-Oct-2016.pdf
- 53. 機能 MADlib: Distributed In-Database Machine Learning for Fun and Profit https://archive.fosdem.org/2016/schedule/event/hpc_bigdata_madlib/
- 54. その他 Strict type checking and constraints. Industry Standard Interface (for BI tools)
- 55. その他 Others • 厳密な型のチェックと制約 – “Garbage in, garbage out.” を避ける • 業界標準のインターフェース (主にBIツール) – ODBC, JDBC
- 56. サマリ Summary • PostgreSQLはデータ分析のプロジェクトに役立 つ機能を既に多く備えています。 – 特に開発生産性やパフォーマンスという観点で • さらに “BigData” な機能が将来のリリースで実 現される予定です – パラレルクエリはその中でも非常に大きい価値 • データ分析のプロジェクトをPostgreSQLで始め て、ぜひコミュニティに参加してください! – PostgreSQL 10 beta4 になっています!