a블룸index는 다음 매개 변수를 수락합니다with절 :

이것은 블룸 색인 생성의 예입니다 :

bloom을 사용하여 tbloom에서 인덱스 BloomIdx 생성 (i1, i2, i3)
       (길이 = 80, col1 = 2, col2 = 2, col3 = 4);

인덱스는 80 비트의 시그니처 길이로 생성되며, I1 및 I2 속성은 2 비트에 매핑되었으며 4 비트에 매핑 된 속성 I3. 우리는를 생략 할 수있었습니다.길이, col1및col2기본값이 있기 때문에 사양.

다음은 Bloom Index 정의 및 사용에 대한보다 완전한 예와 동등한 BTREE 인덱스와 비교할 수 있습니다. Bloom Index는 Btree 지수보다 상당히 작으며 더 잘 수행 할 수 있습니다.

=# 테이블 tbloom을 만듭니다
   선택하다
     (random () * 10000000) :: int as i1,
     (random () * 10000000) :: int as i2,
     (random () * 10000000) :: int as i3,
     (random () * 10000000) :: int as i4,
     (random () * 10000000) :: int as i5,
     (random () * 10000000) :: int as i6
   에서
  Generate_Series (1,10000000);
100000000 선택

이 큰 테이블을 순차적으로 스캔하는 데 시간이 오래 걸립니다 :

=# analyze analyze * 선택 * tbloom에서 i2 = 898732 및 i5 = 123451;
                                              쿼리 계획                                              
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------.
 tbloom에서의 seq 스캔 (cost = 0.00..2137.14 줄 = 3 너비 = 24) (실제 시간 = 18.372..18.373 줄 = 0 루프 = 1)
   필터 : ((i2 = 898732) 및 (i5 = 123451))
   필터로 제거 된 행 : 100000
 계획 시간 : 0.400ms
 실행 시간 : 18.397ms
(5 줄)

BTREE 지수가 정의하더라도 결과는 여전히 순차적 인 스캔입니다.

=# tbloom에서 젠 토토 btreeIdx 생성 (i1, i2, i3, i4, i5, i6);
젠 토토를 만듭니다
=# select pg_size_pretty (pg_relation_size ( 'btreeidx'));
 pg_size_pretty
---------------
 3992 KB
(1 줄)
=# analyze analyze *에서 * tbloom에서 i2 = 898732 및 i5 = 123451;
                                              쿼리 계획                                              
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------.
 tbloom에서의 seq 스캔 (cost = 0.00..2137.00 행 = 2 너비 = 24) (실제 시간 = 11.880..11.881 행 = 0 루프 = 1)
   필터 : ((i2 = 898732) 및 (i5 = 123451))
   필터로 제거 된 행 : 100000
 계획 시간 : 0.154ms
 실행 시간 : 11.896ms
(5 줄)

이 유형의 검색을 처리하는 데있어서 블룸 색인을 테이블에 정의하는 것보다 낫습니다 :

=# bloom (i1, i2, i3, i4, i5, i6)을 사용하여 tbloom에서 인덱스 BloomIdx 생성;
인덱스를 만듭니다
=# select pg_size_pretty (pg_relation_size ( 'bloomidx'));
 pg_size_pretty
---------------
 1584 KB
(1 줄)
=# analyze analyze *에서 * tbloom에서 i2 = 898732 및 i5 = 123451;
                                                     쿼리 계획                                                      
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------.
 tbloom의 비트 맵 힙 스캔 (비용 = 1792.00..1799.69 행 = 2 너비 = 24) (실제 시간 = 0.388..0.388 행 = 0 루프 = 1)
   COND를 다시 확인하십시오 : ((i2 = 898732) 및 (i5 = 123451))
   인덱스 재확인으로 제거 된 행 : 25
   힙 블록 : 정확한 = 22
   - bloomidx에서 비트 맵 인덱스 스캔 (비용 = 0.00..1792.00 행 = 2 너비 = 0) (실제 시간 = 0.358..0.358 행 = 25 루프 = 1)
         색인 조건 : ((i2 = 898732) 및 (i5 = 123451))
 계획 시간 : 0.118ms
 실행 시간 : 0.412ms
(8 줄)

이제 Btree 검색의 주요 문제는 검색 조건이 주요 인덱스 열을 제한하지 않을 때 Btree가 비효율적이라는 것입니다. Btree의 더 나은 전략은 각 열에서 별도의 인덱스를 만드는 것입니다. 그러면 플래너는 다음과 같은 것을 선택합니다.

=# tbloom (i1)에서 젠 토토 btreeidx1을 만듭니다.
젠 토토를 만듭니다
=# tbloom (i2)에서 젠 토토 btreeidx2 생성;
젠 토토를 만듭니다
=# tbloom (i3)에서 젠 토토 btreeidx3 생성;
젠 토토를 만듭니다
=# tbloom (i4)에서 젠 토토 btreeidx4 생성;
젠 토토를 만듭니다
=# tbloom (i5)에서 젠 토토 btreeidx5 생성;
젠 토토를 만듭니다
=# tbloom (i6)에서 젠 토토 btreeidx6을 만듭니다.
젠 토토를 만듭니다
=# analyze analyze *에서 * tbloom에서 i2 = 898732 및 i5 = 123451;
                                                        쿼리 계획                                                         
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------.
 tbloom의 비트 맵 힙 스캔 (비용 = 24.34..32.03 행 = 2 너비 = 24) (실제 시간 = 0.036..0.037 행 = 0 루프 = 1)
   COND를 다시 확인하십시오 : ((i5 = 123451) 및 (i2 = 898732))
   - bitmapand (비용 = 24.34..24.34 행 = 2 너비 = 0) (실제 시간 = 0.033..0.034 행 = 0 루프 = 1)
         - BTREEIDX5의 비트 맵 젠 토토 스캔 (비용 = 0.00..12.04 행 = 500 너비 = 0) (실제 시간 = 0.032..0.032 행 = 0 루프 = 1)
               색인 조건 : (i5 = 123451)
         - btreeidx2의 비트 맵 젠 토토 스캔 (비용 = 0.00..12.04 행 = 500 너비 = 0) (실행되지 않음)
               색인 조건 : (i2 = 898732)
 계획 시간 : 0.531 ms
 실행 시간 : 0.072ms
(9 줄)

이 쿼리는 단일 색인 중 하나보다 훨씬 빠르지 만 젠 토토 크기로 페널티를 지불합니다. 각 단일 열 Btree 지수는 2MB를 차지하므로 필요한 총 공간은 12MB이므로 Bloom Index에서 사용하는 공간의 8 배입니다.

Bloom Indexes의 연산자 클래스에는 젠 토토 된 데이터 유형에 대한 해시 기능과 검색을위한 평등 연산자 만 필요합니다. 이 예제는에 대한 연산자 클래스 정의를 보여줍니다.텍스트데이터 유형 :

운영자 클래스 생성 Text_ops
bloom as를 사용하여 유형 텍스트의 기본값
    연산자 1 = (텍스트, 텍스트),
    함수 1 해시 텍스트 (텍스트);

Teodor Sigaev<teodor@postgrespro.ru, Postgres Professional, Moscow, 러시아

Alexander Korotkov<a.korotkov@postgrespro.ru, Postgres Professional, Moscow, 러시아

Oleg Bartunov<OBARTUNOV@postgrespro.ru, Postgres Professional, Moscow, 러시아