Зачем знать алгоритмы

Who is Mr. Aksenov?

честно листал все!

не прочитал ни одной :(

делал веб-сайты и веб-движок

делал игры и 3D движок

<

делаю поисковой движок

free open source search

<<
free :(

что могу рассказать?

как устроены всякие движки

на пальцах, не по книжке!
(см. “не читатель”)

про движок СУБД (любой)

Система Управления
Базой Данных

данные – это таблицы. из строк

строки – нужно где-то хранить

это, кстати, данные – без индексов

добавляем PK, и брюки превращаются…

почему так?
разные стратегии хранения строк

MyISAM – в порядке поступления
(в конец файла)

InnoDB – хранит постранично, внутри странички – в порядке PK

(InnoDB, после добавления PK)

MyISAM – “обычное” хранение
InnoDB – т.н. “кластерное”

умеем хранить –
теперь нужно быстро искать!

SELECT * FROM users WHERE
id=123

SELECT * FROM users WHERE
lastname=‘Pupkin’

SELECT * FROM users WHERE
lastname LIKE ‘Pu%’

SELECT * FROM goods WHERE
MATCH(‘ipod’) ORDER BY price ASC

SELECT * FROM users WHERE
sex=‘F’ AND age>=18 AND age<=25

как выполнять запрос?

полный перебор? мееедленно

нас спасут…

индексы!
алгоритмы уже спешат на помощь!

смысл любого вида индекса?

быстрый поиск по ключу(-ам)

видов индексов – тоже много

hash index

R-tree index

full-text index

индекс общего назначения – типично B-tree

поиск – по равенству, диапазону
(чисел, строк, и т.п.)

дискует – страничками
(хорошо!)

используется – всеми

используется несмотря ни на что!!!

как устроено?

(B-дерево; странички; масштаб 1:72)

два вида страничек

Промежуточные = ключи + указатели на другие странички
{ key1, ptr1, key2, ptr2, …, keyN }

Листовые = ключи + соотв-е им данные (eg. row_offset)
{ key1, data1, key2, data2, … }

Промежуточные
Листовые

почему все используют этот ужас?!

во-1х – легко искать по ключу

пример – ищем Зину

ура – Зина нашлась!!!

хорошо – поиск работает…

…но он чё, всегда такой резкий?

– В жизни – под 1000 (а не 3) записей на страничку
– Два уровня страничек – 1000*1000 – миллион
– Три уровня – миллиард…
– Итого 2-3 странички max – практически всегда

почему все используют этот ужас?!

во-2х – легко обновлять

странички обычно НЕ полны

вставляем…

вставляем…

вставляем… оп-па, некуда!!

создаем новую страничку

создаем новую страничку

…и суем “ее” в родителя

это все – тоже трогаем max 2-3 странички

B-tree Kung Fu!!!

вернемся к запросам?

SELECT * FROM users WHERE id=123
1. “Ищем Зину” (rowoffset по id=123)
2. seek(rowoffset) в файле строк (.MYD)
3. read(rowdata) из файла
4. и… все – результат готов

усложним – добавим условий

SELECT * FROM users WHERE
sex=‘F’ AND age>=18 AND age<=25

индекс “в лоб” по sex?

они ВСЕ подходят по условию ‘F’!

…и нам надо прочитать с диска (!) 5,000,000+ строк…

…и для каждой лично проверить паспорт и age>=18 and age<=25?!

неселективный индекс –
косяк и западло!

sex=‘F’ AND age>=18 AND age<=25
индекс “по лбу” по age?

но – вдруг это мужики?!

мужики нам не нужны!!!

либо опять читать ненужные строки (мужиков) – либо…

покрывающий (covering) индекс
по обоим полям

список нужных строк – ясен сразу

чтений с диска – минимум
скорости – максимум

бонус – сортировка по age

кстати, про сортировку…

SELECT * FROM users WHERE
sex=‘F’ AND age>=18 AND age<=25
ORDER BY hotness DESC LIMIT 10

как выполнять? есть варианты

налево – read_index(WHERE) + read_rows + sort_rows(ORDER)

индекс
данные
сортировка
результат

read_index – мало и быстро

10K*( 1+4+8 bytes ) = 130 KB
5-10 ms/seek, 50+ MB/s read

read_random_rows – медленно!
10K*5-10 ms/seek = 50-100 sec…

sort_rows – обычно быстро
10K*0.1-1 KB/row = 1-10 MB (in RAM)

мораль – все зло от random rows!

(еще от sort_rows, если их много)

… sex=‘F’ AND age>=18 AND age<=25
ORDER BY hotness DESC LIMIT 10

направо – read_fat_index(WHERE) + sort_index(ORDER) + LIMIT + read_less_rows + sort_rows

нужен утолщенный
INDEX ( sex, age, hotness )

вместе с поиском по sex, age – сразу узнаем hotness (+40 KB)

sort ( 10K * [ hotness, rowptr ] )

read_rows – почти не нужен
(10 строк результата…)

sort_rows – вообще не нужен

PROFIT?

не панацея – даже в теории

INDEX ( sex, age, hotness )
WHERE sex=‘F’ ORDER BY hotness LIMIT 10

в теории – обработать 50% индекса
затем – прочитать 10 строк (пф!)

INDEX ( sex, age, hotness )
1M rows, ~20 MB, 50% = ~10 MB

INDEX ( sex, age, hotness )
WHERE sex=‘F’ AND hotness>0 ORDER BY age LIMIT 10

в теории – читаем индекс линейно –
пока не заполним limit

что на практике?

welcome to real world

CREATE TABLE usertest (
id INTEGER PRIMARY KEY NOT NULL, sex ENUM ('m','f'),
age INTEGER NOT NULL,
hotness INTEGER NOT NULL,
name VARCHAR(255) NOT NULL, INDEX(sex,age,hotness) )

500,000 записей
56 MB данных (.ibd файл)
32 MB innodb_buffer_pool
age \in [18.. 80]
hotness \in [-5.. 5]

mysql> explain select * from usertest
where sex='f' and age>=18 and age<=25
order by hotness desc limit 10 \G
*************************** 1. row ***************************
id: 1
select_type: SIMPLE
table: usertest
type: ref
possible_keys: sex
key: sex
key_len: 2
ref: const
rows: 25119
Extra: Using where; Using filesort
1 row in set (0.00 sec)

filesort – НЕ про временный файл
filesort – про “сортировку строк”

Using where – проверка условия НЕ по индексу – ?!!

запрос проще, точно по индексу?

mysql> explain select * from usertest
where sex='f' and age=18
order by hotness desc limit 10 \G
*************************** 1. row ***************************
id: 1
select_type: SIMPLE
table: usertest
type: ref
possible_keys: sex
key: sex
key_len: 6
ref: const,const
rows: 10386
Extra: Using where (bug #30733, 30 aug 2007?)
1 row in set (0.00 sec)

проверим экспериментально!!!

mysql> select * from usertest where sex='f' and
age>=18 and age<=25
order by hotness desc limit 10;
...
10 rows in set (23.05 sec)
mysql> select * from usertest where sex='f' and
age=18
order by hotness desc limit 10;
...
10 rows in set (0.05 sec)

причина?

mysql> explain select * from usertest
where sex='f' and age>=18 and age<=25
order by hotness desc limit 10 \G
*************************** 1. row ***************************
id: 1
select_type: SIMPLE
table: usertest
type: ref
possible_keys: sex
key: sex
key_len: 2 ? используется только начало, поле “sex”!!!
ref: const
rows: 25119
Extra: Using where; Using filesort ? так и есть :(
1 row in set (0.00 sec)

MySQL не умеет сортировать элементы индекса :(

сортировка “по индексу” – только если индекс гарантирует порядок

1) в куске индекса sex=F, 18<=age<=25
порядок hotness desc НЕ гарантирован

2) optimizer лажанул, 18<=age<=25
считается НЕ по индексу (а могло бы)

(теория говорит – можно лучше!)

проверяем дальше!

mysql> explain select * from usertest
where sex='f' order by hotness desc limit 10 \G
...
key: sex
key_len: 2
ref: const
rows: 226072
Extra: Using where; Using filesort
mysql> explain select * from usertest
where sex='f' order by hotness desc limit 10 \G
...
10 rows in set (20.25 sec)

и последний запрос

mysql> explain select * from usertest where sex='f' and hotness>0 order by age asc limit 10 \G
...
key: sex
key_len: 2
ref: const
rows: 226072
Extra: Using where; Using filesort
mysql> select * from usertest where sex='f' and hotness>0 order by age asc limit 10;
...
10 rows in set (0.25 sec)

итого

теория была оптимистична…

…реальность внесла коррективы.

не учли детали реализации

1. нету “досортировки” индекса
(MySQL specific)

2. limit обрабатывается… так себе
(MySQL specific)

3. optimizer ошибается
(везде и у всех)

про ошибки optimizer и спасительный full-scan

mysql> select * from usertest where sex='f' order by hotness desc limit 10;
...
10 rows in set (20.25 sec)
mysql> select * from usertest ignore index(sex) where sex='f' order by hotness desc limit 10;
...
10 rows in set (0.55 sec)

10,000 x 10 ms = 100 sec
100,000 x 1KB / 50 M/s = 2 sec

мораль: random IO очень плохо
(водка яд водка яд водка яд)

про “обработку” limit

теория – приоритетная очередь

технически – heap

или просто double buffer

ключевое свойство –
в памяти храним только top-N

LIMIT 10 – надо хранить 10 строк

LIMIT 130,10 – надо 140

практика – MySQL vs. LIMIT

выбрать и отсортировать ВСЕ (*)
* – всегда, когда индекс не гарантирует точный порядок

выбрать OK – избежать нельзя

сортировать все плохо…

лишний удар по CPU/RAM/IO :(

как убирать mysql сортировку?

строить более другие индексы

ставить более другой софт

умеет и “обычный” поиск!

трюки про WHERE вместо LIMIT
(я не пробовал, но говорят, возможно)

…именно в таком порядке.

более практический пример?

импортируем дамп Wikipedia

XML дамп → 2 толстые таблицы
хочется – а) одну б) тонкую!

INSERT INTO mycontent
SELECT t.old_id, p.page_id, UNIX_TIMESTAMP(p.page_touched), p.page_len, p.page_title, COMPRESS(t.old_text)
FROM text t, page p
WHERE t.old_id=p.page_latest
AND page_namespace=0 AND page_is_redirect=0;
15 GB text, 0.5 GB page, ~4.5M rows
tps=~200, bi/bo=~1 MB/sec
~200 MB .MYD in ~20 mins, ETA 10+ hrs

mysql> EXPLAIN SELECT t.old_id, ... \G
********************** 1. row **********************
table: page
type: ref
key: name_title
ref: const
rows: 4435392
Extra: Using where
********************** 2. row **********************
table: text
type: eq_ref
key: PRIMARY
ref: wiki.p.page_latest
rows: 1

что хотим?
scan 15 GB text, join 0.5 GB page

почему не выходит?
… FROM text t, page p WHERE t.old_id=p.page_latest

решение – index(page_latest)

еще пришлось STRAIGHT_JOIN
(optimizer опять лажанул!)

результат – 40 минут, включая CREATE INDEX

так зачем же знать алгоритмы?

“did we learn something today?”

как устроено B-дерево

как работает индекс

как работают выборки

зачем нужны full-scans

как работает сортировка с LIMIT

чего можно добиться в идеале – в теории

…и как оно, бывает, не работает – на практике!

а толку?!

чего ждать от БД

чего не ждать

как и что тестировать

как объяснять потом результаты

в итоге –
как заставлять таки работать

…БЫСТРО работать.