简介
PostgreSQL是“世界上最先进的开源关系型数据库”。因为出现较晚，所以客户人群基数较MySQL少，但是发展势头很猛，最大优势是完全开源。
MySQL是“世界上最流行的开源关系型数据库”。当前客户基数大，随着被Oracle收购，开源程度减小，尤其是近期单独拉了免费的MariaDB分支，更表明MySQL有闭源的倾向；
至于两者孰优孰劣，不是本文要讨论的重点，在一般的使用中，没什么大的差别，下面我们只讨论PG中执行计划。
执行计划
pg在查询规划路径过程中，查询请求的不同执行方案是通过建立不同的路径来表达的，在生成较多符合条件的路径之后，要从中选择出代价最小的路径，把它转化为一个执行计划，传递给执行器执行。那么如何生成最小代价的计划呢？基于统计信息估计计划中各个节点的成本，其中与之相关的参数如下所示：
计算代价：
# 估算代价：
total_cost = seq_page_cost * relpages + cpu_tuple_cost * reltuples# 有时我们不想用系统默认的执行计划，这时可以通过禁止/开启某种运算的语法来强制控制执行计划：
enable_bitmapscan = on
enable_hashagg = on
enable_hashjoin = on
enable_indexscan = on #索引扫描
enable_indexonlyscan = on #只读索引扫描
enable_material = on #物化视图
enable_mergejoin = on
enable_nestloop = on
enable_seqscan = on
enable_sort = on
enable_tidscan = on# 按照上面扫描方式并过滤代价：
Cost = seq_page_cost * relpages + cpu_tuple_cost * reltuples + cpu_operation_cost * reltuples每个SQL语句都会有自己的执行计划，我们可以使用explain指令获取执行计划，语法如下：
nsc=# \h explain;
Command: EXPLAIN
Description: show the execution plan of a statement
Syntax:
EXPLAIN [ ( option [, ...] ) ] statement
EXPLAIN [ ANALYZE ] [ VERBOSE ] statementwhere option can be one of:ANALYZE [ boolean ] -- 是否真正执行，默认falseVERBOSE [ boolean ] -- 是否显示详细信息，默认falseCOSTS [ boolean ] -- 是否显示代价信息，默认trueBUFFERS [ boolean ] -- 是否显示缓存信息，默认false，前置事件是analyzeTIMING [ boolean ] -- 是否显示时间信息FORMAT { TEXT | XML | JSON | YAML } -- 输格式，默认为text如下图所示，cost是比较重要的指标，cost=1000.00..1205.30，执行sql代价，分为两个部分，前一部分表示启动时间(startup)是1000ms，执行到返回第一行时需要的cost值，后一部分表示总时间(total)是1205.30ms，执行整个SQL的cost。rows表示预测的行数，与实际的记录数可能有出入，数据库经常vacuum或analyze，该值越接近实际值。width表示查询结果的所有字段的总宽度为285个字节。
可以在explain后添加analyze关键字来通过执行这个SQL获得真实的执行计划和执行时间，actual time中的第一个数字表示返回第一行需要的时间，第二个数字表示执行整个sql花费的时间。loops为该节点循环次数，当loops大于1时，总成本为：actual time * loops
执行计划节点类型
在PostgreSQL的执行计划中，是自上而下阅读的，通常执行计划会有相关的索引来表示不同的计划节点，其中计划节点类型分为四类：控制节点（Control Node），扫描节点（Scan Node），物化节点（Materialization Node），连接节点（Join Node）。
控制节点：append，组织多个字表或子查询的执行节点，主要用于union操作。
扫描节点：用于扫描表等对象以获取元组
Seq Scan（全表扫描）：把表的所有数据块从头到尾读一遍，筛选出符合条件的数据块；
Index Scan（索引扫描）：为了加快查询速度，在索引中找到需要的数据行的物理位置，再到表数据块中把对应数据读出来，如B树，GiST，GIN，BRIN，HASH
Bitmap Index/Heap Scan（位图索引/结果扫描）：把满足条件的行或块在内存中建一个位图，扫描完索引后，再根据位图列表的数据文件把对应的数据读出来，先通过Bitmap Index Scan在索引中找到符合条件的行，在内存中建立位图，之后再到表中扫描Bitmap Heap Scan。
物化节点：能够缓存执行结果到缓存中，即第一次被执行时生成的结果元组缓存，等待上层节点使用，例如，sort节点能够获取下层节点返回的所有元组并根据指定的属性排序，并将排序结果缓存，每次上层节点取元组时就从缓存中按需读取。
Materialize：对下层节点返回的元组进行缓存（如连接表时）
Sort：对下层返回的节点进行排序（如果内存超过iwork_mem参数指定大小，则节点工作空间切换到临时文件，性能急剧下降）
Group：对下层排序元组进行分组操作
Agg：执行聚集函数（sum/max/min/avg）
条件过滤，一般在where后加上过滤条件，当扫描数据行时，会找出满足过滤条件的行，条件过滤在执行计划里面显示Filter，如果条件的列上面有索引，可能会走索引，不会走过滤。
连接节点：对应于关系代数中的连接操作，可以实现多种连接方式（条件连接/左连接/右连接/全连接/自然连接）
Nestedloop Join（嵌套连接）： 内表被外表驱动，外表返回的每一行都要在内表中检索找到与它匹配的行，因此整个查询返回的结果集不能太大，要把返回子集较小的表作为外表，且内表的连接字段上要有索引。 执行过程为，确定一个驱动表（outer table），另一个表为inner table，驱动表中每一行与inner table中的相应记录关联；
Hash Join（哈希连接）：优化器使用两个比较的表，并利用连接属性在内存中建立散列表，然后扫描较大的表并探测散列表，找出与散列表匹配的行；
Merge Join（合并连接）：通常hash连接的性能要比merge连接好，但如果源数据上有索引，或结果已经被排过序，这时merge连接性能会优于hash连接；
运算类型(explain)
| 运算类型 | 操作说明 | 是否有启动时间 |
| Seq Scan | 顺序扫描表 | 无启动时间 |
| Index Scan | 索引扫描 | 无启动时间 |
| Bitmap Index Scan | 索引扫描 | 有启动时间 |
| Bitmap Heap Scan | 索引扫描 | 有启动时间 |
| Subquery Scan | 子查询 | 无启动时间 |
| Tid Scan | 行号检索 | 无启动时间 |
| Function Scan | 函数扫描 | 无启动时间 |
| Nested Loop Join | 嵌套连接 | 无启动时间 |
| Merge Join | 合并连接 | 有启动时间 |
| Hash Join | 哈希连接 | 有启动时间 |
| Sort | 排序(order by) | 有启动时间 |
| Hash | 哈希运算 | 有启动时间 |
| Result | 函数扫描，和具体的表无关 | 无启动时间 |
| Unique | distinct/union | 有启动时间 |
| Limit | limit/offset | 有启动时间 |
| Aggregate | count, sum,avg等聚集函数 | 有启动时间 |
| Group | group by | 有启动时间 |
| Append | union操作 | 无启动时间 |
| Materialize | 子查询 | 有启动时间 |
| SetOp | intersect/except | 有启动时间 |
示例讲解
慢sql如下：
SELECTte.event_type,sum(tett.feat_bytes) AS traffic
FROM t_event te
LEFT JOIN t_event_traffic_total tett
ON tett.event_id = te.event_id
WHERE((te.event_type >= 1 AND te.event_type <= 17) OR (te.event_type >= 23 AND te.event_type <= 26) OR (te.event_type >= 129 AND te.event_type <= 256))
AND te.end_time >= '2017-10-01 09:39:41+08:00'
AND te.begin_time <= '2018-01-01 09:39:41+08:00'
AND tett.stat_time >= '2017-10-01 09:39:41+08:00'
AND tett.stat_time < '2018-01-01 09:39:41+08:00'
GROUP BY te.event_type
ORDER BY total_count DESC
LIMIT 10耗时：约4s
作用：事件表和事件流量表关联，查出一段时间内按照总流量大小排列的TOP10事件类型
记录数：
select count(1) from t_event; -- 535881条
select count(1) from t_event_traffic_total; -- 2123235条结果：
event_type traffic
17 2.26441505638877E17
2 2.25307250128674E17
7 1.20629298837E15
26 285103860959500
1 169208970599500
13 47640495350000
6 15576058500000
3 12671721671000
15 1351423772000
11 699609230000执行计划：
Limit (cost=5723930.01..5723930.04 rows=10 width=12) (actual time=3762.383..3762.384 rows=10 loops=1)Output: te.event_type, (sum(tett.feat_bytes))Buffers: shared hit=1899 read=16463, temp read=21553 written=21553-> Sort (cost=5723930.01..5723930.51 rows=200 width=12) (actual time=3762.382..3762.382 rows=10 loops=1)Output: te.event_type, (sum(tett.feat_bytes))Sort Key: (sum(tett.feat_bytes))Sort Method: quicksort Memory: 25kBBuffers: shared hit=1899 read=16463, temp read=21553 written=21553-> HashAggregate (cost=5723923.69..5723925.69 rows=200 width=12) (actual time=3762.360..3762.363 rows=18 loops=1)Output: te.event_type, sum(tett.feat_bytes)Buffers: shared hit=1899 read=16463, temp read=21553 written=21553-> Merge Join (cost=384982.63..4390546.88 rows=266675361 width=12) (actual time=2310.395..3119.886 rows=2031023 loops=1)Output: te.event_type, tett.feat_bytesMerge Cond: (te.event_id = tett.event_id)Buffers: shared hit=1899 read=16463, temp read=21553 written=21553-> Sort (cost=3284.60..3347.40 rows=25119 width=12) (actual time=21.509..27.978 rows=26225 loops=1)Output: te.event_type, te.event_idSort Key: te.event_idSort Method: external merge Disk: 664kBBuffers: shared hit=652, temp read=84 written=84-> Append (cost=0.00..1448.84 rows=25119 width=12) (actual time=0.027..7.975 rows=26225 loops=1)Buffers: shared hit=652-> Seq Scan on public.t_event te (cost=0.00..0.00 rows=1 width=12) (actual time=0.001..0.001 rows=0 loops=1)Output: te.event_type, te.event_idFilter: ((te.end_time >= '2017-10-01 09:39:41+08'::timestamp with time zone) AND (te.begin_time <= '2018-01-01 09:39:41+08'::timestamp with time zone) AND (((te.event_type >= 1) AND (te.event_type <= 17)) OR ((te.event_type >= 23) AND (te.event_type <= 26)) OR ((te.event_type >= 129) AND (te.event_type <= 256))))-> 扫描子表过程，省略...-> Materialize (cost=381698.04..392314.52 rows=2123296 width=16) (actual time=2288.881..2858.256 rows=2123235 loops=1)Output: tett.feat_bytes, tett.event_idBuffers: shared hit=1247 read=16463, temp read=21469 written=21469-> Sort (cost=381698.04..387006.28 rows=2123296 width=16) (actual time=2288.877..2720.994 rows=2123235 loops=1)Output: tett.feat_bytes, tett.event_idSort Key: tett.event_idSort Method: external merge Disk: 53952kBBuffers: shared hit=1247 read=16463, temp read=21469 written=21469-> Append (cost=0.00..49698.20 rows=2123296 width=16) (actual time=0.026..470.610 rows=2123235 loops=1)Buffers: shared hit=1247 read=16463-> Seq Scan on public.t_event_traffic_total tett (cost=0.00..0.00 rows=1 width=16) (actual time=0.001..0.001 rows=0 loops=1)Output: tett.feat_bytes, tett.event_idFilter: ((tett.stat_time >= '2017-10-01 09:39:41+08'::timestamp with time zone) AND (tett.stat_time < '2018-01-01 09:39:41+08'::timestamp with time zone))-> 扫描子表过程，省略...
Total runtime: 3771.346 ms执行计划解读：
第40->30行：通过结束时间上创建的索引，顺序扫描t_event_traffic_total表，根据时间跨度三个月过滤出符合条件的数据，共2123235条记录；
第26->21行：根据时间过滤出t_event表中符合条件的记录，共26225条记录；
第30->27行：根据流量大小排序，执行sort操作；
第12->09行：两个表执行join操作，执行完记录200条；
第08->04行：对最终的200条记录按照大小排序；
第01行：执行limit取10条记录。
整个执行计划中花时间最长的是根据时间条件过滤t_event_traffic_total表，因为字表较多，记录较多，导致花费2.8s之多，所以我们优化的思路就比较简单了，直接根据actual time，花费较多的子表去查看表中是否有索引，以及记录是不是很多，有没有优化的空间，而经过排查，发现一个子表中的数据量达到1531147条。
