PostgreSQL中的GIN索引有什么作用

本篇内容主要讲解"PostgreSQL中的GIN索引有什么作用"，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习"PostgreSQL中的GIN索引有什么作用"吧!

GIN索引的主要用处是加快全文检索full-text search的速度.

全文检索
全文检索full-text search的目的是从文档集中找到匹配检索条件的文档(document).在搜索引擎中,如果有很多匹配的文档,那么需要找到最匹配的那些,但在数据库查询中,找到满足条件的即可.

在PG中,出于搜索的目的,文档会被转换为特定的类型tsvector,包含词素(lexemes)和它们在文档中的位置.词素Lexemes是那些转换适合查询的单词形式(即分词).比如:

testdb=# select to_tsvector('There was a crooked man, and he walked a crooked mile');               to_tsvector               ----------------------------------------- 'crook':4,10 'man':5 'mile':11 'walk':8(1 row)

从本例可以看到,分词后,出现了crook/man/mile和walk,其位置分别是4,10/5/11/8.同时,也可以看到比如there等词被忽略了,因为这些词是stop words(从搜索引擎的角度来看,这些词太过普通,不需要记录),当然这是可以配置的.

PG全文检索中的查询通过tsquery来表示,查询条件包含1个或多个使用and(\&)/or(|)/not(!)等操作符连接的词素.同样的,使用括号来阐明操作的优先级.

testdb=# select to_tsquery('man & (walking | running)');         to_tsquery         ---------------------------- 'man' & ( 'walk' | 'run' )(1 row)

操作符 @@ 用于全文检索

testdb=# select to_tsvector('There was a crooked man, and he walked a crooked mile') @@ to_tsquery('man & (walking | running)'); ?column? ---------- t(1 row)select to_tsvector('There was a crooked man, and he walked a crooked mile') @@ to_tsquery('man & (going | running)'); ?column? ---------- f(1 row)

GIN简介
GIN是Generalized Inverted Index通用倒排索引的简称,如熟悉搜索引擎,这个概念不难理解.它所操作的数据类型的值由元素组成而不是原子的.这样的数据类型成为复合数据类型.索引的是数据值中的元素.
举个例子,比如书末尾的索引，它为每个术语提供了一个包含该术语出现位置所对应的页面列表。访问方法(AM)需要确保索引元素的快速访问,因此这些元素存储在类似Btree中,引用包含复合值(内含元素)数据行的有序集合链接到每个元素上.有序对于数据检索并不重要(如TIDs的排序),但对于索引的内部结构很重要.
元素不会从GIN索引中删除,可能有人会认为包含元素的值可以消失/新增/变化,但组成这些元素的元素集大多是稳定的.这样的处理方式大大简化了多进程使用索引的算法.

如果TIDs不大,那么可以跟元素存储在同一个page中(称为posting list),但如果链表很大,会采用Btree这种更有效的数据结构,会存储在分开的数据页中(称为posting tree).
因此,GIN索引包含含有元素的Btree,TIDs Btree或者普通链表会链接到该Btree的叶子行上.

与前面讨论的GiST和SP-GiST索引一样，GIN为应用程序开发人员提供了接口，以支持复合数据类型上的各种操作。

举个例子,下面是表ts,为ts创建GIN索引:

testdb=# drop table if exists ts;psql: NOTICE:  table "ts" does not exist, skippingDROP TABLEtestdb=# create table ts(doc text, doc_tsv tsvector);CREATE TABLEtestdb=# truncate table ts; slitter.'),   ('I am a sheet slitter.'),  ('I slit sheets.'),  ('I am the sleekest sheet slitter that ever slit sheets.'),  ('She slits the sheet she sits on.');update ts set doc_tsv = to_tsvector(doc);create index on ts using gin(doc_tsv);TRUNCATE TABLEtestdb=# insert into ts(doc) valuestestdb-#   ('Can a sheet slitter slit sheets?'), testdb-#   ('How many sheets could a sheet slitter slit?'),testdb-#   ('I slit a sheet, a sheet I slit.'),testdb-#   ('Upon a slitted sheet I sit.'), testdb-#   ('Whoever slit the sheets is a good sheet slitter.'), testdb-#   ('I am a sheet slitter.'),testdb-#   ('I slit sheets.'),testdb-#   ('I am the sleekest sheet slitter that ever slit sheets.'),testdb-#   ('She slits the sheet she sits on.');INSERT 0 9testdb=# testdb=# update ts set doc_tsv = to_tsvector(doc);UPDATE 9testdb=# testdb=# create index on ts using gin(doc_tsv);CREATE INDEX

在这里,使用黑底(page编号 + page内偏移)而不是箭头来表示对TIDs的引用.
与常规的Btree不同,因为遍历只有一种方法,GIN索引由单向链表连接,而不是双向链表.

testdb=#  select ctid, left(doc,20), doc_tsv from ts;  ctid  |         left         |                         doc_tsv                         --------+----------------------+--------------------------------------------------------- (0,10) | Can a sheet slitter  | 'sheet':3,6 'slit':5 'slitter':4 (0,11) | How many sheets coul | 'could':4 'mani':2 'sheet':3,6 'slit':8 'slitter':7 (0,12) | I slit a sheet, a sh | 'sheet':4,6 'slit':2,8 (0,13) | Upon a slitted sheet | 'sheet':4 'sit':6 'slit':3 'upon':1 (0,14) | Whoever slit the she | 'good':7 'sheet':4,8 'slit':2 'slitter':9 'whoever':1 (0,15) | I am a sheet slitter | 'sheet':4 'slitter':5 (0,16) | I slit sheets.       | 'sheet':3 'slit':2 (0,17) | I am the sleekest sh | 'ever':8 'sheet':5,10 'sleekest':4 'slit':9 'slitter':6 (0,18) | She slits the sheet  | 'sheet':4 'sit':6 'slit':2(9 rows)

在这个例子中,sheet/slit/slitter使用Btree存储而其他元素则使用简单的链表.

如果我们希望知道元素的个数,如何获取?

testdb=# select (unnest(doc_tsv)).lexeme, count(*) from tstestdb-# group by 1 order by 2 desc;  lexeme  | count ----------+------- sheet    |     9 slit     |     8 slitter  |     5 sit      |     2 upon     |     1 mani     |     1 whoever  |     1 sleekest |     1 good     |     1 could    |     1 ever     |     1(11 rows)

下面举例说明如何通过GIN索引进行扫描:

testdb=# explain(costs off)testdb-# select doc from ts where doc_tsv @@ to_tsquery('many & slitter');                        QUERY PLAN                         ----------------------------------------------------------- Seq Scan on ts   Filter: (doc_tsv @@ to_tsquery('many & slitter'::text))(2 rows)testdb=# set enable_seqscan=off;SETtestdb=# explain(costs off)select doc from ts where doc_tsv @@ to_tsquery('many & slitter');                             QUERY PLAN                              --------------------------------------------------------------------- Bitmap Heap Scan on ts   Recheck Cond: (doc_tsv @@ to_tsquery('many & slitter'::text))   ->  Bitmap Index Scan on ts_doc_tsv_idx         Index Cond: (doc_tsv @@ to_tsquery('many & slitter'::text))(4 rows)

执行此查询首先需要提取单个词素(lexeme,亦即检索键):mani/slitter.PG中有专门的API函数来完成,该函数考虑了由op class确定的数据类型和使用场景.

testdb=# select amop.amopopr::regoperator, amop.amopstrategytestdb-# from pg_opclass opc, pg_opfamily opf, pg_am am, pg_amop amoptestdb-# where opc.opcname = 'tsvector_ops'testdb-# and opf.oid = opc.opcfamilytestdb-# and am.oid = opf.opfmethodtestdb-# and amop.amopfamily = opc.opcfamilytestdb-# and am.amname = 'gin'testdb-# and amop.amoplefttype = opc.opcintype;        amopopr        | amopstrategy -----------------------+-------------- @@(tsvector,tsquery)  |            1 @@@(tsvector,tsquery) |            2(2 rows)

回到本例中,在词素Btree中,下一步会同时检索键并进入TIDs链表中,得到:
mani - (0,2)
slitter - (0,1), (0,2), (1,2), (1,3), (2,2)

对于每一个找到的TID,调用consistency function API,由此函数确定找到的行是否匹配检索键.因为查询为AND,因此只返回(0,2).

testdb=# select doc from ts where doc_tsv @@ to_tsquery('many & slitter');                     doc                     --------------------------------------------- How many sheets could a sheet slitter slit?(1 row)

Slow Update
对GIN index的列进行DML(主要是insert & update)是相当慢的,每一个文档通常包含许多需要索引的词素.因此,虽然只添加或更新一个文档,但也需要更新大量索引树.换句话说,如果多个文档同时更新,这些文档中的词素可能是一样的,因此总的消耗可能比逐个更新文档要小.
PG提供了fastupdate选项,用打开此参数后,更新将在一个单独的无序链表中处理,当这个链表超过阈值(参数:gin_pending_list_limit或索引同名存储参数)时才会对索引进行更新.这种技术也有负面影响,一是降低了查询效率(需额外扫描该链表),二是某个更新恰好碰上索引更新,那么该次更新会相对很久.

Limiting the query result
GIN AM的其中一个特性时通常会返回bitmap而不是逐个返回TID,因此执行计划都是bitmap scan.
这样的特性胡导致LIMIT子句不会太有效:

testdb=# explain verbose   select doc from ts where doc_tsv @@ to_tsquery('many & slitter');                                  QUERY PLAN                                  ------------------------------------------------------------------------------ Bitmap Heap Scan on public.ts  (cost=12.25..16.51 rows=1 width=32)   Output: doc   Recheck Cond: (ts.doc_tsv @@ to_tsquery('many & slitter'::text))   ->  Bitmap Index Scan on ts_doc_tsv_idx  (cost=0.00..12.25 rows=1 width=0)         Index Cond: (ts.doc_tsv @@ to_tsquery('many & slitter'::text))(5 rows)testdb=# explain verboseselect doc from ts where doc_tsv @@ to_tsquery('many & slitter') limit 1;                                     QUERY PLAN                                     ------------------------------------------------------------------------------------ Limit  (cost=12.25..16.51 rows=1 width=32)   Output: doc   ->  Bitmap Heap Scan on public.ts  (cost=12.25..16.51 rows=1 width=32)         Output: doc         Recheck Cond: (ts.doc_tsv @@ to_tsquery('many & slitter'::text))         ->  Bitmap Index Scan on ts_doc_tsv_idx  (cost=0.00..12.25 rows=1 width=0)               Index Cond: (ts.doc_tsv @@ to_tsquery('many & slitter'::text))(7 rows)

这是因为Bitmap Heap Scan的启动成本与Bitmap Index Scan不会差太多.

基于这样的情况,PG提供了gin_fuzzy_search_limit参数控制返回的结果行数(默认为0,即全部返回).

testdb=# show gin_fuzzy_search_limit ; gin_fuzzy_search_limit ------------------------ 0(1 row)

到此，相信大家对"PostgreSQL中的GIN索引有什么作用"有了更深的了解，不妨来实际操作一番吧！这里是网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！