优化 postgres 相似性查询（pg_trgm + gin 索引）

我定义了以下索引：

CREATE INDEX
    users_search_idx
ON
    auth_user
USING
    gin(
        username gin_trgm_ops,
        first_name gin_trgm_ops,
        last_name gin_trgm_ops
    );

我正在执行以下查询：

PREPARE user_search (TEXT, INT) AS
    SELECT
        username,
        email,
        first_name,
        last_name,
        ( -- would probably do per-field weightings here
            s_username + s_first_name + s_last_name
        ) rank
    FROM
        auth_user,
        similarity(username, $1) s_username,
        similarity(first_name, $1) s_first_name,
        similarity(last_name, $1) s_last_name
    WHERE
        username % $1 OR
        first_name % $1 OR
        last_name % $1
    ORDER BY
        rank DESC
    LIMIT $2;

The auth_user表有 620 万行。

查询的速度似乎在很大程度上取决于可能返回的结果数量similarity query.

通过增加相似度阈值set_limit有帮助，但通过消除部分匹配而降低了结果的有用性。

有些搜索会在 200 毫秒内返回，有些则需要 10 秒左右。

我们已经使用 Elasticsearch 实现了此功能，任何查询的返回时间均小于 200 毫秒，同时进行更复杂（更好）的排名。

我想知道是否有任何方法可以改进这一点以获得更一致的性能？

据我了解，GIN 索引（倒排索引）与 Elasticsearch 使用的基本方法相同，因此我认为可以进行一些优化。

An EXPLAIN ANALYZE EXECUTE user_search('mel', 20) shows:

Limit  (cost=54099.81..54099.86 rows=20 width=52) (actual time=10302.092..10302.104 rows=20 loops=1)
  ->  Sort  (cost=54099.81..54146.66 rows=18739 width=52) (actual time=10302.091..10302.095 rows=20 loops=1)
        Sort Key: (((s_username.s_username + s_first_name.s_first_name) + s_last_name.s_last_name)) DESC
        Sort Method: top-N heapsort  Memory: 26kB
        ->  Nested Loop  (cost=382.74..53601.17 rows=18739 width=52) (actual time=118.164..10293.765 rows=8380 loops=1)
              ->  Nested Loop  (cost=382.74..53132.69 rows=18739 width=56) (actual time=118.150..10262.804 rows=8380 loops=1)
                    ->  Nested Loop  (cost=382.74..52757.91 rows=18739 width=52) (actual time=118.142..10233.990 rows=8380 loops=1)
                          ->  Bitmap Heap Scan on auth_user  (cost=382.74..52383.13 rows=18739 width=48) (actual time=118.128..10186.816 rows=8380loops=1)"
                                Recheck Cond: (((username)::text % 'mel'::text) OR ((first_name)::text % 'mel'::text) OR ((last_name)::text %'mel'::text))"
                                Rows Removed by Index Recheck: 2434523
                                Heap Blocks: exact=49337 lossy=53104
                                ->  BitmapOr  (cost=382.74..382.74 rows=18757 width=0) (actual time=107.436..107.436 rows=0 loops=1)
                                      ->  Bitmap Index Scan on users_search_idx  (cost=0.00..122.89 rows=6252 width=0) (actual time=40.200..40.200rows=88908 loops=1)"
                                            Index Cond: ((username)::text % 'mel'::text)
                                      ->  Bitmap Index Scan on users_search_idx  (cost=0.00..122.89 rows=6252 width=0) (actual time=43.847..43.847rows=102028 loops=1)"
                                            Index Cond: ((first_name)::text % 'mel'::text)
                                      ->  Bitmap Index Scan on users_search_idx  (cost=0.00..122.89 rows=6252 width=0) (actual time=23.387..23.387rows=58740 loops=1)"
                                            Index Cond: ((last_name)::text % 'mel'::text)
                          ->  Function Scan on similarity s_username  (cost=0.00..0.01 rows=1 width=4) (actual time=0.004..0.004 rows=1 loops=8380)
                    ->  Function Scan on similarity s_first_name  (cost=0.00..0.01 rows=1 width=4) (actual time=0.002..0.002 rows=1 loops=8380)
              ->  Function Scan on similarity s_last_name  (cost=0.00..0.01 rows=1 width=4) (actual time=0.002..0.002 rows=1 loops=8380)
Execution time: 10302.559 ms

服务器是在 Amazon RDS 上运行的 Postgres 9.6.1

update

发布问题后不久我发现了以下信息：https://www.postgresql.org/message-id/[电子邮件受保护]

所以我尝试了

-> SHOW work_mem;
4MB
-> SET work_mem='12MB';
-> EXECUTE user_search('mel', 20);
(results returned in ~1.5s)

这取得了很大的进步（之前 > 10 秒）！

对于类似的查询，1.5s 仍然比 ES 慢很多，所以我仍然想听到任何优化查询的建议。

回复评论，并在看到这个问题后（Postgresql GIN 索引比 pg_trgm 的 GIST 慢），我尝试了完全相同的设置，用 GIST 索引代替 GIN 索引。

尝试与上面相同的搜索，它在〜3.5秒内返回，使用默认值work_mem='4MB'。增加work_mem没有什么区别。

由此我得出的结论是，GIST 索引的内存效率更高（没有像 GIN 那样遇到病态情况），但当 GIN 正常工作时，它比 GIN 慢。这与推荐 GIN 索引的文档中描述的内容一致。

我还是不明白为什么要花这么多时间：

 ->  Bitmap Heap Scan on auth_user  (cost=382.74..52383.13 rows=18739 width=48) (actual time=118.128..10186.816 rows=8380loops=1)"
     Recheck Cond: (((username)::text % 'mel'::text) OR ((first_name)::text % 'mel'::text) OR ((last_name)::text %'mel'::text))"
     Rows Removed by Index Recheck: 2434523
     Heap Blocks: exact=49337 lossy=53104

我不明白为什么需要这一步或者它在做什么。

有以下三个Bitmap Index Scan在其下面的每个username % $1子句...然后将这些结果与BitmapOr步。这些部分都非常快。

但即使在我们没有耗尽工作内存的情况下，我们仍然花费了近一整秒的时间Bitmap Heap Scan.

我预计much使用这种方法可以更快获得结果：

1.

创建一个 GiST 索引，其中 1 列保存连接值：

CREATE INDEX users_search_idx ON auth_user
USING gist((username || ' ' || first_name || ' ' || last_name) gist_trgm_ops);

假设所有 3 列均已定义NOT NULL（你没有指定）。否则你需要做更多的事情。
为什么不简化为concat_ws()?

• 合并两列并添加到一个新列中
• 通过多个文本字段的模式匹配加快查询速度
• 合并两列并添加到一个新列中

2.

使用适当的最近的邻居查询，匹配上面的索引：

SELECT username, email, first_name, last_name
     , similarity(username  , $1) AS s_username
     , similarity(first_name, $1) AS s_first_name
     , similarity(last_name , $1) AS s_last_name
     , row_number() OVER () AS rank  -- greatest similarity first
FROM   auth_user
WHERE     (username || ' ' || first_name || ' ' || last_name) %   $1  -- !!
ORDER  BY (username || ' ' || first_name || ' ' || last_name) <-> $1  -- !!
LIMIT  $2;

中的表达式WHERE and ORDER BY必须匹配索引表达式！

尤其ORDER BY rank（就像你有的那样）对于小规模来说总是表现不佳LIMIT从更大的合格行池中进行选择，因为它不能直接使用索引：背后的复杂表达式rank必须计算为every合格行，则必须先对所有行进行排序，然后才能返回最佳匹配的小选择。这是贵得多与真正的最近邻查询相比，它可以直接从索引中选择最佳结果，甚至无需查看其余结果。

row_number()空窗口定义仅反映了由ORDER BY一样的SELECT.

相关回答：

• 相似度函数的最佳索引
• 使用 pg_trgm 搜索 3 亿个地址

至于你的物品3.，我添加了您提到的问题的答案，这应该可以解释它：

• PostgreSQL GIN 索引比 pg_trgm 的 GIST 慢？