---
tags: Series PostgreSQL
---
# 002: Hiểu về Index để tăng performance với PostgreSQL P1
Bài viết nằm trong series [Performance optimization với PostgreSQL](https://hackmd.io/@datbv/rk74QmqFd).
Bài trước chúng ta đã biết về các phương pháp giúp tăng performance của SQL query. Bài hôm nay sẽ giới thiệu về một trong các phương pháp đó, **indexing** thần thánh.
Từ bài này sẽ liên quan nhiều đến practice nên các bạn chuẩn bị env và data trước. Mình sử dụng Docker cho nhanh.
Start PostgreSQL và pgAdmin4:
```shell=
docker run -d -p 5432:5432 -e POSTGRES_PASSWORD=postgres postgres
docker run -d -p 8888:80 -e PGADMIN_DEFAULT_EMAIL=admin@postgres.com -e PGADMIN_DEFAULT_PASSWORD=1 dpage/pgadmin4
```
Tạo mới table:
```sql=
CREATE TABLE IF NOT EXISTS country
(
id bigserial NOT NULL,
country_name character varying(255) NOT NULL,
created timestamp without time zone NOT NULL,
PRIMARY KEY (id)
);
CREATE TABLE IF NOT EXISTS engineer
(
id bigserial NOT NULL,
first_name character varying(255) NOT NULL,
last_name character varying(255) NOT NULL,
gender smallint NOT NULL,
country_id bigint,
title character varying(255) NOT NULL,
created timestamp without time zone NOT NULL,
PRIMARY KEY (id)
);
```
[Insert data 100k records tải ở đây nhé](https://drive.google.com/file/d/1UB5g_lexnkIPrd4us_S57CaA0_yTezur/view?usp=sharing).
## 1) Explain & Explain analyze
### 1.1) Explain
Trước khi **optimize query**, ta **cần hiểu query đó** thực hiện nhiệm vụ gì, có thể optimize phần nào, không thể ào ào thêm index hay chia partition và mong nó chạy nhanh hơn được. Xin lưu ý, chúng ta là các kĩ sư chuyên ngành, ở đây chúng ta không làm như thế :joy:. Chúng ta làm việc với các con số, không làm việc với cách.. truyền miệng (nhất là thời đại Covid hiện nay).
**Explain & Analyze** là công cụ đắc lực để thực hiện việc đó. Nó giúp giải thích các bước thực hiện trong câu query là gì với các thông số về cost, rows, widths... Việc còn lại của các kĩ sư là nhìn vào đó để biết vấn đề đang nằm ở đâu và xử lý ra sao (phần khó nhất :joy:).
**Explain** keywork giải thích từng bước câu query được thực hiện, bắt đầu với query sau:
```sql=
EXPLAIN SELECT * FROM ENGINEER;
```
Với query trên, chỉ 1 step cần thực thi là **sequence scan** table, rất dễ hiểu. Điều chúng ta quan tâm là các con số đằng sau:
- **cost**: cái giá phải trả là bao nhiều :joy:, hiểu đơn giản là số lượng tính toán cần thiết để hoàn thành, giá trị từ 0 đến 2117. Tức là sao? Con số đầu tiên thể hiện **cost** cần tiêu tốt để khởi động nhiệm vụ. Sau đó cần 2117 đơn vị tính toán để hoàn thành nhiệm vụ. Lưu ý nó là một thông số đánh giá, không phản ánh thời gian thực tế và nó **không có giá trị thời gian đo cụ thể**.
- **rows**: số lượng row mà Postgres nghĩ rằng nó cần scan để thực thi query.
- **width**: độ rộng trung bình của mỗi row sau khi thực thi query, đơn vị bytes. Nếu chỉ `SELECT GENDER` thì giá trị **width** sẽ nhỏ và giá trị là 2 bytes (smallint).
### 1.2) Explain analyze
Trong thực tế, ta chỉ quan tâm đến **cost**, một con số áng chừng về execution time. Để có con số cụ thể hơn, ta thêm option **analyze** vào sau **explain**.
```sql=
EXPLAIN ANALYZE SELECT * FROM ENGINEER;
```
> **Lưu ý**: **analyze** option sẽ thực thi các statement chứ không đơn thuần là plan nữa. Vì vậy cần rất cẩn thận khi thêm option này trong quá trình **explain**.
> Ví dụ với các DML statement (INSERT/DELETE/UPDATE):
> - Nếu chỉ thực hiện **explain** thì không có vấn đề gì xảy ra.
> - Nếu thực hiện **explain analyze** thì.. còn cái nịt :joy:.
>
> Do vậy, nếu muốn thực thi các DML statement với **explain analyze**, sử dụng như sau:
> ```sql=
> BEGIN;
> EXPLAIN ANALYZE DELETE FROM engineer;
> ROLLBACK;
> ```
Tiếp tục xuất hiện một vài thông số:
- Với dòng đầu tiên, không có gì thay đổi nhiều ngoại trừ việc có thêm **actual time**. Giống như **cost**, con số đầu tiên thể hiện thời gian cần để khởi động, con số thứ hai là thời gian để hoàn thành.
- **loops**: đơn giản rồi, số lượng vòng lặp.
- **planning time**: thời gian lên kế hoạch cho query, rất nhanh chỉ 0.053 ms.
- **execution time**: 2418 ms. Vì sao lại có sự chênh lệch giữa **execution time** và **actual time**? Lưu ý rằng **actual time** là thời gian tính toán cho nhiệm vụ **seq scan table**. Còn một phần quan trọng nữa là fetch data để hiển thị.
Thử với query có điều kiện WHERE nhé:
```sql=
EXPLAIN SELECT * FROM ENGINEER WHERE COUNTRY_ID >= 100;
```
Vẫn là **seq scan table**, tuy nhiên có thêm bước **filter** để lọc các row có giá trị `national_id` >= 100. Không có gì khó hiểu lắm.
Bước phân tích tính toán query đã xong. Ta nhận thấy một vài vấn đề, trong đó có **seq scan**. Đã có bằng chứng trong tay, xử lý thôi.
## 2) Indexes
Như đã giới thiệu trong bài trước, để tránh **full table scan**, ta dùng index :joy:.
Thực hành trước đã, câu query trên sử dụng điều kiện với **country_id**, đánh index cho cột này trước:
```sql=
CREATE INDEX idx_engineer_country_id ON ENGINEER(country_id);
```
Sau khi thêm **index**, chạy lại câu lệnh `EXPLAIN ANALYZE SELECT * FROM ENGINEER`, kết quả không có gì thay đổi vì chẳng dính dáng gì tới **country_id** cả. Chạy với điều kiện `WHERE` sử dụng **country_id** xem thế nào:
```sql=
EXPLAIN ANALYZE SELECT * FROM ENGINEER WHERE COUNTRY_ID >= 100;
```
WTF, vẫn **seq scan**, chẳng có nhẽ các **Senior** bịp mình :neutral_face:. Thử đổi điều kiện WHERE một chút:
```sql=
EXPLAIN ANALYZE SELECT * FROM ENGINEER WHERE COUNTRY_ID >= 150;
```
Đã có chút thay đổi điều kiện >= 150, **query plan** sử dụng **bitmap heap scan** chính là **bitmap index**. **Execution time** giảm ~ 30% từ 1500 xuống 1011 ms. Vì sao có sự khác biệt này?
Với điều kiện >= 100, có rất nhiều records phù hợp. Do đó **query execution** xác định rằng **seq scan** trên table chính còn nhanh hơn việc **scan index** trên **table index**. Thông minh phết, hóa ra các **Senior** lương chục ngàn không bịp bợm :joy:.
> Lưu ý rằng, bài trước ta đã biết việc sử dụng index là việc **scan** trên 2 table. Tức là **scan index table** trước, sau đó ánh xạ kết quả sang table chính.
Như vậy với mỗi điều kiện khác nhau DB System sẽ biết cách thực hiện các **query** nhanh nhất có thể dựa trên những gì chúng ta cung cấp cho nó, cụ thể ở đây là **index**. Ngoài ra, ta thấy một **lesson learn** khác là đôi khi **index** không đem lại tác dụng gì. Đừng **index** vô tội vạ, không những không tăng tốc độ read mà còn làm chậm tốc độ write.
Cùng tìm hiểu về các loại **index** phổ biến trong Relational Database:
> - B-Tree index.
> - Hash index.
> - Bitmap index.
Ngoài ra PostgreSQL có một số loại **index** đặc biệt:
> - GIST.
> - SP-GIST.
> - GIN.
> - BRIN.
Viết dài quá dễ quên, mình sẽ đi cụ thể từng loại index và ứng dụng thực tế trong bài viết sau nhé. Tổng kết bài viết rút ra 2 kết luận:
> - Sử dụng **explain** và **analyze** option để phân tích query, tìm bottle neck.
> - Sử dụng **index** để tăng tốc độ truy vấn.. và chỉ hữu ích trong một vài tình huống cụ thể.
### Reference
- https://hackmd.io/@datbv/rk74QmqFd#Reference
© [Dat Bui](https://www.linkedin.com/in/datbv/)