Secret 22 (conclusion)
As we can see, the first table was still redistributed across the cluster, although its distribution key is consistent with the key of the second table.
But that's not all. It turns out that a compressed zstd with int weighs 116% more than the same one with int8 (see photo).
I express my gratitude to the most active subscriber @GaRin_1979 for highlighting the phenomenon with the size of int and int8 and sharing the link above which gave the idea for this post. Special respect to the author, who conducted a large study and published its results on Habr.
As we can see, the first table was still redistributed across the cluster, although its distribution key is consistent with the key of the second table.
But that's not all. It turns out that a compressed zstd with int weighs 116% more than the same one with int8 (see photo).
I express my gratitude to the most active subscriber @GaRin_1979 for highlighting the phenomenon with the size of int and int8 and sharing the link above which gave the idea for this post. Special respect to the author, who conducted a large study and published its results on Habr.
Случайно наткнулся, не реклама. Радует, что таких ивентов становится все больше. Догнать и перегнать Silicon Valley -)
Forwarded from BigData ninja (=))
Осенний бигдатник от sql-ninja.ru
30 ноября в 10:20 на ст.м. Таганская, Марксистская в БЦ Таганка Атриум
Мета стэк!
Flink, Spark, Debezium, Iceberg, StreamHouse, Промышленная эксплуатация баз данных и самое главное - Нетворкинг 🥹
Да, онлайн будет 😊
купить билет
erid:
Реклама, ИП "Ким Лестат Альбертович", ИНН 183403475084
30 ноября в 10:20 на ст.м. Таганская, Марксистская в БЦ Таганка Атриум
Мета стэк!
Flink, Spark, Debezium, Iceberg, StreamHouse, Промышленная эксплуатация баз данных и самое главное - Нетворкинг 🥹
Да, онлайн будет 😊
купить билет
erid:
CQH36pWzJqDgK9RNHwhSjbuJD6So5abX7aDH9bXgpAsMEaРеклама, ИП "Ким Лестат Альбертович", ИНН 183403475084
Секрет 25 (Bitcoin 2.0 не опять а снова: сделай сам если хочешь хорошо)
Мы много говорили о важности предматериализации на примере SCD2, встречайте новый пример с переходом ключа, долго думал как тут натянуть сову на глобус и кривая меня вывела в крипту.
Преамбула:
В параллельной Вселенной некто придумал крипто-валюту Greencoin, функционирующую по следующим простым законам.
Создатель идеи получает 1 GRC, каждый n-ый ( по времени генерации своего адреса в сети ) реферерал - 1/n GRC.
/* Эмиссия в отличие от идеи Сатоши Накамото неограничена, т.к. бесонечный ряд таки расходится, но не суть -) */
У основателя может быть не более 12 рефералов, и такое же ограничение действует на всех уровнях пирамиды, иными словами не более 12 потомков у каждого отца.
Комиссия за перевод крипты составляет 0.01% от суммы перевода и зачисляется системой отцу реферала, от которого он узнал про систему.
Задача:
Рассмотрим момент эволюции, когда в системе 100 млн участников.
Пусть каждый сделает 1 перевод кому угодно на любую сумму в пределах его баланса.
Зададимся вопросом - каково вознаграждение каждого участника системы в качестве комиссии за перевод.
Смоделируем данные:
Иды системы
Таблица связей папа-сын + балансы
Вернем предков праотцов основателей в реальность выделенных системе идов, если оные уехали в небытие случайно
Таблица транзакций ( переводов )
Справочно: всего GRC в системе
Ответ на поставленный вопрос в лоб:
А суть-то где? - не выдерживает слушатель как в анекдоте про караван верблюдов. В чем секрет дамасской стали ??
Ответ: выше был неоптимальный вариант.
Как улучшить ?
Предматериализуем подзапрос t и используем полученный результат
Посмотрим как изменился план
В скобках даны рез-ты повторного прогона, также из планов, которые традиционно ниже.
Вывод: Предматериализация CTE при изменении ключа соединения в следующем слайсе может давать выигрыш от 6 до 30%
Мы много говорили о важности предматериализации на примере SCD2, встречайте новый пример с переходом ключа, долго думал как тут натянуть сову на глобус и кривая меня вывела в крипту.
Преамбула:
В параллельной Вселенной некто придумал крипто-валюту Greencoin, функционирующую по следующим простым законам.
Создатель идеи получает 1 GRC, каждый n-ый ( по времени генерации своего адреса в сети ) реферерал - 1/n GRC.
/* Эмиссия в отличие от идеи Сатоши Накамото неограничена, т.к. бесонечный ряд таки расходится, но не суть -) */
У основателя может быть не более 12 рефералов, и такое же ограничение действует на всех уровнях пирамиды, иными словами не более 12 потомков у каждого отца.
Комиссия за перевод крипты составляет 0.01% от суммы перевода и зачисляется системой отцу реферала, от которого он узнал про систему.
Задача:
Рассмотрим момент эволюции, когда в системе 100 млн участников.
Пусть каждый сделает 1 перевод кому угодно на любую сумму в пределах его баланса.
Зададимся вопросом - каково вознаграждение каждого участника системы в качестве комиссии за перевод.
Смоделируем данные:
Иды системы
create table seq_100m
as select generate_series(1,1e8::int) n;
Таблица связей папа-сын + балансы
create table grc_origin WITH (appendonly=true,orientation=column,compresstype=zstd,compresslevel=1)
as select n, trunc(n - (random()*12)) up, 1.0/n bal from seq_100m distributed by(n);
Вернем предков праотцов основателей в реальность выделенных системе идов, если оные уехали в небытие случайно
update grc_origin
set up = 1
where up < 1;
Таблица транзакций ( переводов )
create table grc_pmt WITH (appendonly=true,orientation=column,compresstype=zstd,compresslevel=1)
as select n n_from, (random()*1e8) n_to, bal * random() amt from grc_origin distributed by(n_from);
Справочно: всего GRC в системе
select sum(bal) from grc_origin -- 18.99
Ответ на поставленный вопрос в лоб:
explain analyze
select x.n, bal, t.fee, 1.0 * t.fee / bal from grc_origin x
join (
select up, sum(amt * 0.0001) fee from grc_origin, grc_pmt
where n = n_from
group by 1) t
on x.n = t.up
order by 4 desc;
Execution time: 102615.943 ms(131005.427ms)
А суть-то где? - не выдерживает слушатель как в анекдоте про караван верблюдов. В чем секрет дамасской стали ??
Ответ: выше был неоптимальный вариант.
Как улучшить ?
Предматериализуем подзапрос t и используем полученный результат
create table tst_snap WITH (appendonly=true,orientation=column,compresstype=zstd,compresslevel=1)
as select up, sum(amt * 0.0001) fee from grc_origin, grc_pmt
where n = n_from
group by 1 distributed by(up);
--64,796,937 rows affected in 6 s 375 ms
Посмотрим как изменился план
explain analyze
select x.n, bal, t.fee, 1.0 * t.fee / bal from grc_origin x
join tst_snap t
on x.n = t.up
order by 4 desc;
Execution time: 90525.993 ms(94188.913 ms)
В скобках даны рез-ты повторного прогона, также из планов, которые традиционно ниже.
Вывод: Предматериализация CTE при изменении ключа соединения в следующем слайсе может давать выигрыш от 6 до 30%
План запроса в лоб:
Gather Motion 864:1 (slice3; segments: 864) (cost=0.00..4451.38 rows=46321098 width=28) (actual time=8658.929..98572.735 rows=64796937 loops=1)
Merge Key: ((('1'::double precision * (sum((grc_pmt.amt * '0.000100000000000000005'::double precision)))) / (grc_origin.bal)::double precision))
-> Sort (cost=0.00..1591.13 rows=53613 width=28) (actual time=7470.019..7478.919 rows=75895 loops=1)
Sort Key: ((('1'::double precision * (sum((grc_pmt.amt * '0.000100000000000000005'::double precision)))) / (grc_origin.bal)::double precision))
Sort Method: quicksort Memory: 9726048kB
-> Result (cost=0.00..1457.41 rows=53613 width=28) (actual time=6431.395..7224.114 rows=75895 loops=1)
-> Hash Join (cost=0.00..1455.91 rows=53613 width=24) (actual time=6426.155..6859.024 rows=75895 loops=1)
Hash Cond: ((grc_origin.n)::double precision = grc_origin_1.up)
" Extra Text: (seg302) Hash chain length 1.3 avg, 8 max, using 57270 of 131072 buckets.Hash chain length 4.7 avg, 15 max, using 16244 of 16384 buckets; total 9 expansions."
""
-> Redistribute Motion 864:864 (slice1; segments: 864) (cost=0.00..442.66 rows=115741 width=16) (actual time=0.049..114.590 rows=116893 loops=1)
Hash Key: (grc_origin.n)::double precision
-> Seq Scan on grc_origin (cost=0.00..433.42 rows=115741 width=16) (actual time=0.565..390.875 rows=116911 loops=1)
-> Hash (cost=962.67..962.67 rows=53613 width=16) (actual time=6419.276..6419.276 rows=75895 loops=1)
-> HashAggregate (cost=0.00..962.67 rows=53613 width=16) (actual time=6231.267..6319.833 rows=75895 loops=1)
Group Key: grc_origin_1.up
" Extra Text: (seg302) Hash chain length 4.7 avg, 15 max, using 16244 of 16384 buckets; total 9 expansions."
""
-> Redistribute Motion 864:864 (slice2; segments: 864) (cost=0.00..948.09 rows=115741 width=16) (actual time=153.612..6002.775 rows=117301 loops=1)
Hash Key: grc_origin_1.up
-> Hash Join (cost=0.00..942.29 rows=115741 width=16) (actual time=1413.348..3148.457 rows=116911 loops=1)
Hash Cond: (grc_origin_1.n = grc_pmt.n_from)
" Extra Text: (seg822) Hash chain length 1.3 avg, 7 max, using 93416 of 262144 buckets."
-> Seq Scan on grc_origin grc_origin_1 (cost=0.00..433.42 rows=115741 width=12) (actual time=0.598..559.136 rows=116911 loops=1)
-> Hash (cost=433.16..433.16 rows=115741 width=12) (actual time=1390.377..1390.377 rows=116911 loops=1)
-> Seq Scan on grc_pmt (cost=0.00..433.16 rows=115741 width=12) (actual time=0.630..502.400 rows=116911 loops=1)
Planning time: 64.511 ms
(slice0) Executor memory: 18213K bytes.
" (slice1) Executor memory: 340K bytes avg x 864 workers, 356K bytes max (seg644)."
" (slice2) Executor memory: 19068K bytes avg x 864 workers, 19084K bytes max (seg644). Work_mem: 4567K bytes max."
" (slice3) Executor memory: 20958K bytes avg x 864 workers, 20958K bytes max (seg0). Work_mem: 11257K bytes max."
Memory used: 540672kB
Optimizer: Pivotal Optimizer (GPORCA)
Execution time: 102615.943 ms
План оптимизированного запроса
Gather Motion 864:1 (slice2; segments: 864) (cost=0.00..5135.44 rows=64796936 width=28) (actual time=4121.411..86304.398 rows=64796937 loops=1)
Merge Key: ((('1'::double precision * tst_snap.fee) / (grc_origin.bal)::double precision))
-> Sort (cost=0.00..1134.33 rows=74997 width=28) (actual time=3499.849..3512.324 rows=75895 loops=1)
Sort Key: ((('1'::double precision * tst_snap.fee) / (grc_origin.bal)::double precision))
Sort Method: quicksort Memory: 9726048kB
-> Result (cost=0.00..941.51 rows=74997 width=28) (actual time=344.682..3222.810 rows=75895 loops=1)
-> Hash Join (cost=0.00..939.41 rows=74997 width=24) (actual time=338.428..2445.560 rows=75895 loops=1)
Hash Cond: ((grc_origin.n)::double precision = tst_snap.up)
" Extra Text: (seg302) Hash chain length 1.3 avg, 8 max, using 57270 of 131072 buckets."
-> Redistribute Motion 864:864 (slice1; segments: 864) (cost=0.00..442.66 rows=115741 width=16) (actual time=0.118..1403.245 rows=116893 loops=1)
Hash Key: (grc_origin.n)::double precision
-> Seq Scan on grc_origin (cost=0.00..433.42 rows=115741 width=16) (actual time=0.555..30.152 rows=116911 loops=1)
-> Hash (cost=432.24..432.24 rows=74997 width=16) (actual time=338.056..338.056 rows=75895 loops=1)
-> Seq Scan on tst_snap (cost=0.00..432.24 rows=74997 width=16) (actual time=1.638..178.638 rows=75895 loops=1)
Planning time: 39.724 ms
(slice0) Executor memory: 17457K bytes.
" (slice1) Executor memory: 340K bytes avg x 864 workers, 356K bytes max (seg644)."
" (slice2) Executor memory: 20983K bytes avg x 864 workers, 20983K bytes max (seg0). Work_mem: 11257K bytes max."
Memory used: 540672kB
Optimizer: Pivotal Optimizer (GPORCA)
Execution time: 90525.993 ms
Secret 25 (Bitcoin 2.0 not again but again: do it yourself if you want it well)
We talked a lot about the importance of pre-materialization using the example of SCD2 and now let me show a new example with the key transition.
I thought for a long time how to stretch an owl onto a globe here and the curve led me to crypto paradigm.
The creator of the idea receives 1 GRC, each n-th (by the time of generation of its address in the network) referral - 1/n GRC.
/* The emission, unlike the idea of Satoshi Nakamoto, is unlimited, since the infinite series does diverge, but that's not the point -) */
The founder can have no more than 12 referrals, and the same limitation applies to all levels of the pyramid, in other words, no more than 12 sons for each father.
The commission for transferring crypto is 0.01% of the transfer amount and is credited by the system to the father of the referral from whom he learned about the system.
Problem:
Let's consider the moment of evolution when there are 100 million participants in the system.
Let each make 1 transfer to anyone for any amount within his balance.
Let's ask ourselves - what is the reward for each participant in the system as a commission for the transfer.
Let's model the data:
System IDs
Father-son relationship table + balances
Let's return the ancestors of the founding forefathers to the realm of the ids allocated to the system, if they accidentally went into oblivion
Table of transactions (transfers)
Reference: total GRC in the system
The answer to the question posed is straightforward:
Where is the essence? - the listener can't stand it, like in the joke about the camel caravan. What is the secret of Damascus steel??
Answer: the above was not an optimal option.
How to improve it?
Pre-materialize the subquery t and use the result obtained
Let's see how the plan has changed.
The results of the rerun are given in brackets, also from the plans, which are traditionally given above.
Conclusion: Pre-materialization of CTE when changing the join key in the next slice can give a gain of 6 to 30%.
We talked a lot about the importance of pre-materialization using the example of SCD2 and now let me show a new example with the key transition.
I thought for a long time how to stretch an owl onto a globe here and the curve led me to crypto paradigm.
The creator of the idea receives 1 GRC, each n-th (by the time of generation of its address in the network) referral - 1/n GRC.
/* The emission, unlike the idea of Satoshi Nakamoto, is unlimited, since the infinite series does diverge, but that's not the point -) */
The founder can have no more than 12 referrals, and the same limitation applies to all levels of the pyramid, in other words, no more than 12 sons for each father.
The commission for transferring crypto is 0.01% of the transfer amount and is credited by the system to the father of the referral from whom he learned about the system.
Problem:
Let's consider the moment of evolution when there are 100 million participants in the system.
Let each make 1 transfer to anyone for any amount within his balance.
Let's ask ourselves - what is the reward for each participant in the system as a commission for the transfer.
Let's model the data:
System IDs
create table seq_100m
as select generate_series(1,1e8::int) n;
Father-son relationship table + balances
create table grc_origin WITH (appendonly=true,orientation=column,compresstype=zstd,compresslevel=1)
as select n, trunc(n - (random()*12)) up, 1.0/n bal from seq_100m distributed by(n);
Let's return the ancestors of the founding forefathers to the realm of the ids allocated to the system, if they accidentally went into oblivion
update grc_origin
set up = 1
where up < 1;
Table of transactions (transfers)
create table grc_pmt WITH (appendonly=true,orientation=column,compresstype=zstd,compresslevel=1)
as select n n_from, (random()*1e8) n_to, bal * random() amt from grc_origin distributed by(n_from);
Reference: total GRC in the system
select sum(bal) from grc_origin -- 18.99
The answer to the question posed is straightforward:
explain analyze
select x.n, bal, t.fee, 1.0 * t.fee / bal from grc_origin x
join (
select up, sum(amt * 0.0001) fee from grc_origin, grc_pmt
where n = n_from
group by 1) t
on x.n = t.up
order by 4 desc;
Execution time: 102615.943 ms(131005.427ms)
Where is the essence? - the listener can't stand it, like in the joke about the camel caravan. What is the secret of Damascus steel??
Answer: the above was not an optimal option.
How to improve it?
Pre-materialize the subquery t and use the result obtained
create table tst_snap WITH (appendonly=true,orientation=column,compresstype=zstd,compresslevel=1)
as select up, sum(amt * 0.0001) fee from grc_origin, grc_pmt
where n = n_from
group by 1 distributed by(up);
--64,796,937 rows affected in 6 s 375 ms
Let's see how the plan has changed.
explain analyze
select x.n, bal, t.fee, 1.0 * t.fee / bal from grc_origin x
join tst_snap t
on x.n = t.up
order by 4 desc;
Execution time: 90525.993 ms(94188.913 ms)
The results of the rerun are given in brackets, also from the plans, which are traditionally given above.
Conclusion: Pre-materialization of CTE when changing the join key in the next slice can give a gain of 6 to 30%.
Операторы NOT IN и NOT EXISTS дают идентичный датасет в GP? Do NOT IN and NOT EXISTS operators produce identical dataset in GP?
Anonymous Quiz
30%
Y
70%
N
Секрет 26 (Не оставляйте крошки без внимания)
Мы успели осветить проблемы, возникающие на пустых таблицах
или при отсутствии статистики.
На этот раз тривиальный join 3х таблиц чуть не уронил нам сервер, а все потому, что по одной из них не было статистики.
Спилл 31 TB вызвал запрос ниже, выполняемый по несколько раз на дню:
Secret 26 (Don't leave crumbs unattended)
We've already covered the problems that arise on empty tables
or in the absence of statistics.
This time, a trivial join of 3 tables almost brought down our server, and all because there were no statistics for one of them.
Spill 31 TB caused the query below, executed several times a day:
где в AOCO zstd табл-ах big, medium, tiny было 1.5 млрд, 1 млн и 5 строк соотв-но.
Статы не было у последней.
where in AOCO zstd tables big, medium, tiny there were 1.5 billion, 1 million and 5 rows respectively.
The last one had no stats.
Если посмотреть на план запроса ниже, то увидим 2 Broadcast Motion,
где 1й ожидаемо тиражирует крошку tiny на все сегменты, 2й неожиданно дублирует рез-т join-а big и tiny также на все сегменты.
Почему GPORCA использует 2й Broadcast вместо Redistribute с учетом что ключ в следующем слайсе у medium известен - теряюсь в догадках.
Но тем ценнее данный секрет.
If you look at the query plan below, you'll see 2 Broadcast Motions,
where the 1st one, as expected, replicates the tiny crumb to all segments, the 2nd one unexpectedly duplicates the result of the join of big and tiny to all segments as well.
Why GPORCA uses the 2nd Broadcast instead of Redistribute, given that the key in the next slice of medium is known - I'm at a loss.
But this secret is even more valuable.
Я проверил, а что, если стата не собрана только по medium. Тут все гораздо лучше,
и в плане только 1 Broadcast и спилла нет.
В сухом остатке, если в вашем DWH табл-ы создаются PL/pgSQL ф-ей
и gp_autostats_mode_in_functions = on_change ( прописан явно или на уроне GUC ),
Галактика ваших данных (или финансов если арендуете клауд) в опасности, если вы на этом успокоились и не позаботились о статистике ничтожно малых таблиц.
I checked what if the stats are not collected only for medium table. Everything is much better here,
and in exec plan there is only 1 Broadcast and no spill.
The bottom line is, if in your DWH tables are created by PL/pgSQL functions
and gp_autostats_mode_in_functions = on_change (written explicitly or at the GUC level),
The galaxy of your data (or finances if you rent a cloud) is in danger if you calmed down at this and did not take care of the statistics of small tables.
Мораль - собирайте стату по маленьким табл-ам, хотя бы до 10 000 строк,
чтобы такие мины остались за периметром вашей платформы данных.
The moral is - collect stats for small tables, at least up to 10,000 rows,
so that such mines remain outside the perimeter of your data platform.
Всем хорошей Пт 13-го и оптимальных вычислений!
Мы успели осветить проблемы, возникающие на пустых таблицах
или при отсутствии статистики.
На этот раз тривиальный join 3х таблиц чуть не уронил нам сервер, а все потому, что по одной из них не было статистики.
Спилл 31 TB вызвал запрос ниже, выполняемый по несколько раз на дню:
Secret 26 (Don't leave crumbs unattended)
We've already covered the problems that arise on empty tables
or in the absence of statistics.
This time, a trivial join of 3 tables almost brought down our server, and all because there were no statistics for one of them.
Spill 31 TB caused the query below, executed several times a day:
select b.deal_fee_rk, b.invalid_id, b.effective_date, max(b.version_id) version_id
from big b
join medium d
on d.c_comiss_arr_rk = b.collection_rk
join tiny as f on f.type_debt_rk = b.c_debt_rk
where (b.version_id between 1 and 2732523)
and b.valid_flg is true
group by b.deal_fee_rk, b.invalid_id, b.effective_date;
где в AOCO zstd табл-ах big, medium, tiny было 1.5 млрд, 1 млн и 5 строк соотв-но.
Статы не было у последней.
where in AOCO zstd tables big, medium, tiny there were 1.5 billion, 1 million and 5 rows respectively.
The last one had no stats.
Если посмотреть на план запроса ниже, то увидим 2 Broadcast Motion,
где 1й ожидаемо тиражирует крошку tiny на все сегменты, 2й неожиданно дублирует рез-т join-а big и tiny также на все сегменты.
Почему GPORCA использует 2й Broadcast вместо Redistribute с учетом что ключ в следующем слайсе у medium известен - теряюсь в догадках.
Но тем ценнее данный секрет.
If you look at the query plan below, you'll see 2 Broadcast Motions,
where the 1st one, as expected, replicates the tiny crumb to all segments, the 2nd one unexpectedly duplicates the result of the join of big and tiny to all segments as well.
Why GPORCA uses the 2nd Broadcast instead of Redistribute, given that the key in the next slice of medium is known - I'm at a loss.
But this secret is even more valuable.
Я проверил, а что, если стата не собрана только по medium. Тут все гораздо лучше,
и в плане только 1 Broadcast и спилла нет.
В сухом остатке, если в вашем DWH табл-ы создаются PL/pgSQL ф-ей
и gp_autostats_mode_in_functions = on_change ( прописан явно или на уроне GUC ),
Галактика ваших данных (или финансов если арендуете клауд) в опасности, если вы на этом успокоились и не позаботились о статистике ничтожно малых таблиц.
I checked what if the stats are not collected only for medium table. Everything is much better here,
and in exec plan there is only 1 Broadcast and no spill.
The bottom line is, if in your DWH tables are created by PL/pgSQL functions
and gp_autostats_mode_in_functions = on_change (written explicitly or at the GUC level),
The galaxy of your data (or finances if you rent a cloud) is in danger if you calmed down at this and did not take care of the statistics of small tables.
Мораль - собирайте стату по маленьким табл-ам, хотя бы до 10 000 строк,
чтобы такие мины остались за периметром вашей платформы данных.
The moral is - collect stats for small tables, at least up to 10,000 rows,
so that such mines remain outside the perimeter of your data platform.
Всем хорошей Пт 13-го и оптимальных вычислений!
План исходного запроса (когда только tiny табл-а без статы):
Gather Motion 864:1 (slice4; segments: 864) (cost=0.00..1371.49 rows=1 width=28) (actual time=1871747.423..1875490.705 rows=22129384 loops=1)
-> GroupAggregate (cost=0.00..1371.49 rows=1 width=28) (actual time=1871747.210..1871768.905 rows=26077 loops=1)
" Group Key: big.deal_fee_rk, big.invalid_id, big.effective_date"
-> Sort (cost=0.00..1371.49 rows=1 width=28) (actual time=1871747.155..1871750.100 rows=26217 loops=1)
" Sort Key: big.deal_fee_rk, big.invalid_id, big.effective_date"
Sort Method: quicksort Memory: 2482272kB
-> Redistribute Motion 864:864 (slice3; segments: 864) (cost=0.00..1371.49 rows=1 width=28) (actual time=1475307.979..1871714.814 rows=26217 loops=1)
" Hash Key: big.deal_fee_rk, big.invalid_id, big.effective_date"
-> Hash Join (cost=0.00..1371.49 rows=1 width=28) (actual time=1413328.254..1514773.884 rows=35025 loops=1)
Hash Cond: (medium.c_comiss_arr_rk = big.collection_rk)
Extra Text: (seg0) Initial batch 0:
(seg0) Wrote 10810674K bytes to inner workfile.
(seg0) Wrote 23K bytes to outer workfile.
(seg0) Overflow batches 1..255:
"(seg0) Read 15508008K bytes from inner workfile: 60816K avg x 255 nonempty batches, 236543K max."
"(seg0) Wrote 4697335K bytes to inner workfile: 36987K avg x 127 overflowing batches, 192573K max."
"(seg0) Read 23K bytes from outer workfile: 1K avg x 253 nonempty batches, 1K max."
"(seg0) Hash chain length 50.8 avg, 3476 max, using 4210779 of 33554432 buckets.Initial batch 0:"
""
Extra Text: (seg575) Initial batch 0:
(seg575) Wrote 10810674K bytes to inner workfile.
(seg575) Wrote 24K bytes to outer workfile.
(seg575) Overflow batches 1..255:
"(seg575) Read 15507743K bytes from inner workfile: 60815K avg x 255 nonempty batches, 236532K max."
"(seg575) Wrote 4697070K bytes to inner workfile: 36985K avg x 127 overflowing batches, 192563K max."
"(seg575) Read 24K bytes from outer workfile: 1K avg x 252 nonempty batches, 1K max."
"(seg575) Hash chain length 50.8 avg, 3476 max, using 4210779 of 33554432 buckets."
-> Seq Scan on medium (cost=0.00..431.01 rows=1204 width=8) (actual time=0.998..1.228 rows=1305 loops=1)
-> Hash (cost=940.25..940.25 rows=1 width=36) (actual time=1413176.714..1413176.714 rows=213719427 loops=1)
-> Broadcast Motion 864:864 (slice2; segments: 864) (cost=0.00..940.25 rows=1 width=36) (actual time=444.691..616240.052 rows=213719427 loops=1)
-> Hash Join (cost=0.00..940.20 rows=1 width=36) (actual time=609.326..2707.949 rows=261266 loops=1)
Hash Cond: (big.c_debt_rk = tiny.type_debt_rk)
" Extra Text: (seg427) Hash chain length 1.0 avg, 1 max, using 5 of 262144 buckets."
-> Seq Scan on big (cost=0.00..486.84 rows=111417 width=44) (actual time=1.457..775.750 rows=299164 loops=1)
Filter: ((version_id >= 1) AND (version_id <= 2732523) AND (valid_flg IS TRUE))
-> Hash (cost=431.01..431.01 rows=1 width=8) (actual time=375.789..375.789 rows=5 loops=1)
-> Broadcast Motion 864:864 (slice1; segments: 864) (cost=0.00..431.01 rows=1 width=8) (actual time=0.352..375.764 rows=5 loops=1)
-> Seq Scan on tiny (cost=0.00..431.00 rows=1 width=8) (actual time=10.545..10.553 rows=1 loops=1)
Planning time: 131.145 ms
(slice0) Executor memory: 2247K bytes.
" (slice1) Executor memory: 172K bytes avg x 864 workers, 172K bytes max (seg0)."
" (slice2) Executor memory: 3231K bytes avg x 864 workers, 3231K bytes max (seg0). Work_mem: 1K bytes max."
"* (slice3) Executor memory: 107915K bytes avg x 864 workers, 107989K bytes max (seg792). Work_mem: 66795K bytes max, 13357465K bytes wanted."
" (slice4) Executor memory: 3039K bytes avg x 864 workers, 5023K bytes max (seg2). Work_mem: 4857K bytes max."
Memory used: 540672kB
Memory wanted: 40073392kB
Optimizer: Pivotal Optimizer (GPORCA)
Execution time: 1877810.477 ms
План когда только medium табл-а без статы:
Gather Motion 864:1 (slice4; segments: 864) (cost=0.00..1371.21 rows=1 width=28) (actual time=14458.358..18737.308 rows=22129384 loops=1)
-> GroupAggregate (cost=0.00..1371.21 rows=1 width=28) (actual time=14453.359..14471.856 rows=26077 loops=1)
" Group Key: big.deal_fee_rk, big.invalid_id, big.effective_date"
-> Sort (cost=0.00..1371.21 rows=1 width=28) (actual time=14453.340..14455.898 rows=26217 loops=1)
" Sort Key: big.deal_fee_rk, big.invalid_id, big.effective_date"
Sort Method: quicksort Memory: 2478176kB
-> Redistribute Motion 864:864 (slice3; segments: 864) (cost=0.00..1371.21 rows=1 width=28) (actual time=2317.858..14432.875 rows=26217 loops=1)
" Hash Key: big.deal_fee_rk, big.invalid_id, big.effective_date"
-> Hash Join (cost=0.00..1371.21 rows=1 width=28) (actual time=1931.744..8198.792 rows=11859767 loops=1)
Hash Cond: (big.c_debt_rk = tiny.type_debt_rk)
" Extra Text: (seg102) Hash chain length 1.0 avg, 1 max, using 1 of 262144 buckets."
" Extra Text: (seg300) Hash chain length 1.0 avg, 1 max, using 1 of 262144 buckets."
-> Redistribute Motion 864:864 (slice2; segments: 864) (cost=0.00..940.20 rows=1 width=36) (actual time=1908.235..4221.407 rows=11859767 loops=1)
Hash Key: big.c_debt_rk
-> Hash Join (cost=0.00..940.20 rows=1 width=36) (actual time=1906.750..2389.828 rows=34561 loops=1)
Hash Cond: (big.collection_rk = medium.c_comiss_arr_rk)
" Extra Text: (seg116) Hash chain length 4.0 avg, 16 max, using 257143 of 262144 buckets."
-> Seq Scan on big (cost=0.00..486.84 rows=111417 width=44) (actual time=41.365..356.523 rows=299164 loops=1)
Filter: ((version_id >= 1) AND (version_id <= 2732523) AND (valid_flg IS TRUE))
-> Hash (cost=431.01..431.01 rows=1 width=8) (actual time=1719.715..1719.715 rows=1039929 loops=1)
-> Broadcast Motion 864:864 (slice1; segments: 864) (cost=0.00..431.01 rows=1 width=8) (actual time=0.161..719.373 rows=1039929 loops=1)
-> Seq Scan on medium (cost=0.00..431.00 rows=1 width=8) (actual time=0.178..0.529 rows=1305 loops=1)
-> Hash (cost=431.00..431.00 rows=1 width=8) (actual time=0.807..0.807 rows=1 loops=1)
-> Seq Scan on tiny (cost=0.00..431.00 rows=1 width=8) (actual time=0.787..0.795 rows=1 loops=1)
Planning time: 129.081 ms
(slice0) Executor memory: 2247K bytes.
" (slice1) Executor memory: 181K bytes avg x 864 workers, 182K bytes max (seg243)."
" (slice2) Executor memory: 52431K bytes avg x 864 workers, 52431K bytes max (seg0). Work_mem: 32498K bytes max."
" (slice3) Executor memory: 2241K bytes avg x 864 workers, 2407K bytes max (seg102). Work_mem: 1K bytes max."
" (slice4) Executor memory: 3098K bytes avg x 864 workers, 5087K bytes max (seg2). Work_mem: 4857K bytes max."
Memory used: 540672kB
Optimizer: Pivotal Optimizer (GPORCA)
Execution time: 21345.519 ms
Секрет I (SQL внутри Эксель или Donald Duck возвращается)
За неимением новых секретов от GP буду делиться ништяками из мира OLAP, которые лично мне облегчают жизнь - не сочтите за спам - нумерация оных римскими цифрами.
Давно хотел покрутить мои данные в Excel SQL запросами.
Если ты тоже - есть решение - DuckDB - персистентная колоночная БД с поддержкой NoSQL, которая легко ставится куда угодно, в моем случае на Win 10.
Пишут, что она по архитектуре даже многопоточна, а кто-то уже проверил, что она вычисляет число строк в файле быстрее, чем старый добрый wc -l под X-ами
Первое знакомство с зверушкой - восторг как по функционалу, так и по скорости.
Предположим, у нас есть таблица сделок в XLS-файле, куда мы добавляем новые сделки в крипте.
На уровне XLS отфильтровать сделки по определенному тикеру - нет проблем.
Сложности начинаются, если мы хотим посмотреть доходность незакрытых сделок по определенному тикеру, скажем Nosana ( крипто-токен для оплаты сети AI на базе GPU grid).
Т.к. такие сделки не обязаны быть в соседних строках шита ввиду того, что мы покупаем разные крипто-монеты в разное время, диверсифицируя свой портфель, ф-я SUM в XLS по рэнджу( при выбранном фильтре на тикер) даст неверный рез-т, подхватив промежуточные строки диапазона с другим тикером.
И тут на помощь приходит DuckDB, который по щелчку умеет выгрузить csv ( в который мы сохранили наш XLS ) в табл-у:
Хотим взглянуть на интересующие нас незакрытке сделки? Пожалуйста(на фото):
За неимением новых секретов от GP буду делиться ништяками из мира OLAP, которые лично мне облегчают жизнь - не сочтите за спам - нумерация оных римскими цифрами.
Давно хотел покрутить мои данные в Excel SQL запросами.
Если ты тоже - есть решение - DuckDB - персистентная колоночная БД с поддержкой NoSQL, которая легко ставится куда угодно, в моем случае на Win 10.
Пишут, что она по архитектуре даже многопоточна, а кто-то уже проверил, что она вычисляет число строк в файле быстрее, чем старый добрый wc -l под X-ами
Первое знакомство с зверушкой - восторг как по функционалу, так и по скорости.
Предположим, у нас есть таблица сделок в XLS-файле, куда мы добавляем новые сделки в крипте.
На уровне XLS отфильтровать сделки по определенному тикеру - нет проблем.
Сложности начинаются, если мы хотим посмотреть доходность незакрытых сделок по определенному тикеру, скажем Nosana ( крипто-токен для оплаты сети AI на базе GPU grid).
Т.к. такие сделки не обязаны быть в соседних строках шита ввиду того, что мы покупаем разные крипто-монеты в разное время, диверсифицируя свой портфель, ф-я SUM в XLS по рэнджу( при выбранном фильтре на тикер) даст неверный рез-т, подхватив промежуточные строки диапазона с другим тикером.
И тут на помощь приходит DuckDB, который по щелчку умеет выгрузить csv ( в который мы сохранили наш XLS ) в табл-у:
create table cdeal as select * from read_csv('C:\tmp\deals.csv', delim=';');Хотим взглянуть на интересующие нас незакрытке сделки? Пожалуйста(на фото):
select * from cdeal where stock='NOS' and "Sell Date" is null;
Telegram
Инжиниринг Данных
Делюсь новостями из мира аналитики и карьерными советами.
15 лет в Аналитике и Инжиниринге Данных, 10 лет в MAANG
🛠️ dataengineer.ru | 🏄♂️ Surfalytics.com
№5017813306
Реклама:
https://almond-rule-130.notion.site/1199f595f76a8030ba1be1e607c9a8ce
15 лет в Аналитике и Инжиниринге Данных, 10 лет в MAANG
🛠️ dataengineer.ru | 🏄♂️ Surfalytics.com
№5017813306
Реклама:
https://almond-rule-130.notion.site/1199f595f76a8030ba1be1e607c9a8ce
Ваша средняя з.п в уходящем 2024 на руки.Your netto average salary in the outgoing 2024.
Anonymous Poll
10%
< 100 000 RUB
10%
< 150 000
5%
< 200 000
17%
< 250 000
19%
< 300 000
14%
< 350 000
10%
< 400 000
5%
< 450 000
6%
< 500 000
6%
< 550 000
На канале Greenlum Russia сегодня пробежал опрос о зарплатах гринпламовцев.
Т.к. выявлены недовольные разбивкой гистограммы и тут вряд ли есть случайные люди, не связанные с GP,
спешу исправить ситуацию, да что там, мне и самому стало интересно.
Опрос выше и ниже данного дисклэймера
Т.к. выявлены недовольные разбивкой гистограммы и тут вряд ли есть случайные люди, не связанные с GP,
спешу исправить ситуацию, да что там, мне и самому стало интересно.
Опрос выше и ниже данного дисклэймера
Ваша средняя з.п в уходящем 2024 на руки(продолжение).Your netto average salary in the outgoing 2024( part 2) !
Anonymous Poll
63%
< 600 000 (RUB)
0%
< 650 000
0%
< 700 000
1%
< 750 000
0%
< 800 000
0%
< 850 000
0%
< 900 000
1%
< 950 000
7%
< 1 000 000
28%
Я стейкхолдер компании Arenadata ( I am owner of Arenadata PJSC)
Дорогие друзья! Ввиду того, что пришло время охладиться ( канал уходит в отпуск до 10.01.25), опрос года - рабочий вопрос! __Dear all! Since it's time to cool down (the channel is going on vacation until 10.01.25), the last poll in this year (still regarding business stuff)
Куда вы охлаждаете данные GP ? // Where do you archive GP data?
Anonymous Poll
35%
S3
18%
Hadoop
5%
Postgres
1%
GCP BigQuery
0%
CSV на FTP
6%
В том же самом GP на более медленные диски // In the same GP on slower disks
35%
Нет такой потребности // There is no such need
Опровержение
Т.к. я обещал завязать с секретами на время отпуска канала, то просто хотел бы поделиться результатами одного эксперимента.
@andreikapolin на канале Greenplum Russia сделал вчера сногсшибательное заявление, цитирую
"Есть партицированная табличка по дате, партиции делаю только с 2022, все что до, в дефолтной
Получается в таблице есть история 3 млрд строк, все лежит в дефолтной
Начинаю подгружать 300 миллионов строк и создавать для них партиции, подвисает, с чем может быть связаны?"
Т.к. меня это заинтриговало, хоть и считаю, что в default партиции не должно быть многолюдно, решил проверить сие утверждение.
Создадим табл-у, куда зальем 3 ярда в дефолтную партицию:
Синтетика для записи в дефолтную партицию (с пустой датой) :
Чек числа строк:
Запишем данные в дефолтную партицию:
Теперь смоделируем шаг записи 300 млн строк в партиции, отличные от дефолта ( которых состоят из 12 месяцев 2022 г. ):
Теперь создадим таблицу tst2, идентичную tst1 ( скрипт не привожу, чтобы не мусорить - он такой же как для tst1 ) и запишем 300 млн строк
Вывод: Исходя из имеющихся вводных - вывод автора не подтвержден. Время совпало с точностью до секунды.
Возмоэжно, у @andreikapolin был другой сценарий и если он прочтет этот пост, поделится, в чем разница.
Т.к. я обещал завязать с секретами на время отпуска канала, то просто хотел бы поделиться результатами одного эксперимента.
@andreikapolin на канале Greenplum Russia сделал вчера сногсшибательное заявление, цитирую
"Есть партицированная табличка по дате, партиции делаю только с 2022, все что до, в дефолтной
Получается в таблице есть история 3 млрд строк, все лежит в дефолтной
Начинаю подгружать 300 миллионов строк и создавать для них партиции, подвисает, с чем может быть связаны?"
Т.к. меня это заинтриговало, хоть и считаю, что в default партиции не должно быть многолюдно, решил проверить сие утверждение.
Создадим табл-у, куда зальем 3 ярда в дефолтную партицию:
CREATE TABLE tst1
(id INT,
order_date DATE
)
WITH (appendoptimized=true, orientation=column, compresstype=ZLIB, compresslevel=1)
DISTRIBUTED BY(id)
PARTITION BY RANGE(order_date)
(START(date '2022-01-01') INCLUSIVE
END(date '2023-01-01') EXCLUSIVE
EVERY(INTERVAL '1 month'),
DEFAULT PARTITION other);
Синтетика для записи в дефолтную партицию (с пустой датой) :
create table smpl_1m WITH (appendonly = true, orientation = column, compresstype = zstd, compresslevel = 1)
as
select generate_series(1, 1e6::int) id, null::date distributed by(id);
insert into smpl_1m
select s.* from smpl_1m s
join (select generate_series(1,3000)) a
on 1=1
Чек числа строк:
select count(*) from smpl_1m; -- 3 001 000 000
Запишем данные в дефолтную партицию:
insert into tst1
select * from smpl_1m;
Теперь смоделируем шаг записи 300 млн строк в партиции, отличные от дефолта ( которых состоят из 12 месяцев 2022 г. ):
insert into tst1
select id, '2022-01-01'::date + mod(id, 365)
from smpl_1m
limit 300e6::int;
300,000,000 rows affected in 2 m 27 s 313 ms
Теперь создадим таблицу tst2, идентичную tst1 ( скрипт не привожу, чтобы не мусорить - он такой же как для tst1 ) и запишем 300 млн строк
insert into tst2
select id, '2022-01-01'::date + mod(id, 365)
from smpl_1m
limit 300e6::int;
300,000,000 rows affected in 2 m 27 s 203 ms
Вывод: Исходя из имеющихся вводных - вывод автора не подтвержден. Время совпало с точностью до секунды.
Возмоэжно, у @andreikapolin был другой сценарий и если он прочтет этот пост, поделится, в чем разница.
👍2