背景
有数据说数据, 没数据说案例, 没案例说逻辑, 没逻辑谈理想. 已经成为数字时代的职场生存法则.
• 要陈述一个观点或结论, 没有数据支撑说话没分量, 说明你没经过仔细分析, 没过脑子.
• 实在拿不到数据, 你总得拿点案例出来, 否则就是在空谈, 没有支点.
• 没案例, 总得有底层逻辑吧, 逻辑能自洽, 也是说得通的.
• 如果连逻辑都没有想过, 那你只能用故事、理想或者理念来感染人, 如果你能忽悠(感染)成功, 并且最后确实也成功了, 也许能表达为因为相信所以看见.
场景:
• 项目上线前, 申请资源, 如何评估需要多少资源?
• 做IT部门的全年预算?
• 如何做到精准, 有理有据有节?
挑战:
• 项目往往只有业务指标(应该叫目标, 和IT预算精算还差了十万八千里), 靠经验或拍脑袋来确定IT预算, 上线后发现资源不足或严重超过预期, 造成铺张浪费.
• 难以模拟和快速产生真实的业务数据.
• 难以模拟真实的业务交互行为.
• 难以捕捉和分析性能问题的原因.
PG解决方案:
• pgbench,支持沙盘推演, 避免纸上谈兵、假大空.
◦ 一个可以近乎真实的模拟业务上线后的压力的内置benchmark program.
◦ 内置多种数据生成算法, 多种模拟业务和数据库交互的command,
◦ 同时支持根据业务定制化压测程序, 模拟真实的业务交互行为.
• awr, pg_stat_statements, 捕获和分析业务瓶颈
◦ 202104/20210415_01.md
《PostgreSQL pg_stat_statements AWR 插件pg_stat_monitor , 过去任何时间段性能分析[推荐、收藏]》◦ 202003/20200324_25.md
《PostgreSQL 活跃会话历史记录插件- pgsentinel 类似performance insight \ Oracle ASH Active Session History》◦ 201901/20190125_02.md
《PostgreSQL Oracle 兼容性之- performance insight - AWS performance insight 理念与实现解读- 珍藏级》◦
https://www.postgresql.org/docs/devel/pgstatstatements.html• 快速构建海量测试数据
◦ 202001/20200103_01.md
《PostgreSQL+MySQL 联合解决方案- 第3课视频- 如何压测PG数据库、如何瞬间构造海量测试数据》◦ 201711/20171121_01.md
《PostgreSQL 如何快速构建海量逼真测试数据》例子
重点讲一下pgbench里面的一个小点:
• 产生各种分布形态的模拟数据(高斯分布、随机分布、指数分布、长尾分布)
为了让大家更容易理解概率分布情况, 建议先了解一下以下3种绘图方式.
1、柱状图
202104/20210429_01.md
《PostgreSQL - 时序、IoT类场景- 自定义histogram函数, 绘制数据分布柱状图- cte window range width_bucket format plpgsql》CREATE OR REPLACE FUNCTION histogram(table_name_or_subquery text, column_name text, buckets int, leng int)
RETURNS TABLE(bucket int, "range" numrange, freq bigint, ratio text, bar text)
AS $func$
DECLARE
sql text;
BEGIN
sql := format('
WITH
source AS (
SELECT * FROM (%s) t
),
min_max AS (
SELECT min(%s) AS min, max(%s) AS max FROM source
histogram AS (
SELECT
width_bucket(%s, min_max.min, min_max.max+min_max.max*0.00000001, %s) AS bucket,
numrange(min(%s)::numeric, max(%s)::numeric, ''[]'') AS "range",
count(%s) AS freq
FROM source, min_max
WHERE %s IS NOT NULL
GROUP BY bucket
ORDER BY bucket
)
SELECT
bucket,
"range",
freq::bigint,
round(100 * freq::numeric/(sum(freq::numeric) over() + 1), 2)||'' %%'' as ratio,
repeat(''*'', (freq::float / (max(freq) over() + 1) * %s)::int) AS bar
FROM histogram group by bucket,"range",freq::bigint
order by bucket',
table_name_or_subquery,
column_name,
buckets,
leng
);
RETURN QUERY EXECUTE sql;
raise notice '%', sql;
END
$func$ LANGUAGE plpgsql;
select * from histogram(
'select id as x from tbl', -- 求这条SQL的结果集的柱状图
'x', -- 按这个字段的数值分布绘制柱状图, x是以上SQL的某个字段名
25, -- 均匀分布成25个bucket, 最好结果中的唯一值个数能刚好整除这个bucket
20); -- 展示进度条形式表示占比. 20是进度条的最长字符数
2、高频词
pg_catalog.pg_stats.
这个是analyze之后产生的, 存储了字段的高频词, 也有bucket的概率分布等信息.
3、饼图
201808/20180804_01.md
《PostgreSQL psql 绘制饼图》少量唯一值的group统计可以用来绘制饼图, 值很多的情况不适合
create or replace function gen_charts(
sql text, -- SQL，返回两列，第一列为描述，第二列为这个描述的数值
width int default 80,
height int default 25,
radius numeric default 1.0, -- 换成float8类型，打印实心饼图
colours text default '#;o:X"@+-=123456789abcdef'
) returns setof text as $$
declare
begin
return query execute format(
$_$
WITH slices AS (
SELECT CAST(ROW_NUMBER() OVER () AS INTEGER) AS slice,
name,
VALUE,
100.0 * VALUE / SUM(VALUE) OVER () AS percentage,
2*PI() * SUM(VALUE) OVER (ROWS unbounded preceding)
/ SUM(VALUE) OVER () AS radians
FROM (%s
) AS DATA(name,VALUE))
(
SELECT array_to_string(array_agg(c),'') AS pie_chart
FROM (
SELECT x, y,
CASE WHEN NOT (SQRT(pow(x, 2) + pow(y, 2))
BETWEEN %s*1/10 AND %s)
THEN ' '
ELSE SUBSTRING(%L,
(SELECT MIN(slice)
FROM slices
WHERE radians >= PI() + atan2(y,-x)),
1)
END AS c
FROM (SELECT 2.0*generate_series(0,%s)/%s-1.0) AS x(x),
(SELECT 2.0*generate_series(0,%s)/%s-1.0) AS y(y)
ORDER BY y,x
) AS xy
GROUP BY y
ORDER BY y
)
UNION ALL
SELECT repeat(SUBSTRING(%L,slice,1), 2) || ' ' ||
name || ': ' ||
VALUE || ' (' || round(percentage,0) || '%%)'
FROM slices;
$_$, sql, radius, radius, colours, width, width, height, height, colours);
return;
end;
$$ language plpgsql strict;
postgres=# select * from gen_charts('select mod(id,5),count(*) from tbl group by 1 order by 2 desc');
gen_charts
-----------------------------------------------------------------------------------
;
;;;;;;;;;;;;;;;;;;;;;;;;;;;####
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;###########
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;################
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;#####################
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;#########################
oooooo;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;############################
ooooooooooo;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;##############################
oooooooooooooooooo;;;;;;;;;;;;;;;;;;;;;;;;#################################
ooooooooooooooooooooooo;;;;;;;;;;;;;;;;;;;###################################
oooooooooooooooooooooooooooo;;;;;;;;;;;;;;#####################################
ooooooooooooooooooooooooooooooooo;;;;;;;;######################################
oooooooooooooooooooooooooooooooooooo ####################################
oooooooooooooooooooooooooooooooooooo XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
ooooooooooooooooooooooooooooooooo::::::::XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
ooooooooooooooooooooooooooooo:::::::::::::XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
ooooooooooooooooooooooo:::::::::::::::::::XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
oooooooooooooooooo::::::::::::::::::::::::XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
ooooooooooo::::::::::::::::::::::::::::::XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
oooooo:::::::::::::::::::::::::::::::::::XXXXXXXXXXXXXXXXXXXXXXXXXXXX
::::::::::::::::::::::::::::::::::::::::XXXXXXXXXXXXXXXXXXXXXXXXX
::::::::::::::::::::::::::::::::::::::XXXXXXXXXXXXXXXXXXXXX
:::::::::::::::::::::::::::::::::::XXXXXXXXXXXXXXXX
::::::::::::::::::::::::::::::::XXXXXXXXXXX
::::::::::::::::::::::::::::XXX
:
## 2: 563867 (20%)
;; 3: 563581 (20%)
oo 4: 563241 (20%)
:: 1: 562509 (20%)
XX 0: 562363 (20%)
(31 rows)
4、R绘图
201506/20150618_01.md
《生成泊松、高斯、指数、随机分布数据- PostgreSQL 9.5 new feature - pgbench improve, gaussian (standard normal) & exponential distribution》纵轴: 概率
横轴: value
1 随机分布
create unlogged table tbl (id int, info text);
为了便于观察概率分布情况, 取100个值.
vi test.sql
\set id random(1,100)
insert into tbl values (:id, 'test');
pgbench -M prepared -n -r -P 1 -f ./test.sql -c 12 -j 12 -T 20
概率分布情况:
bucket | range | freq | ratio | bar
--------+----------+--------+--------+----------------------
1 | [1,4] | 112623 | 4.00 % | ********************
2 | [5,8] | 113083 | 4.02 % | ********************
3 | [9,12] | 112719 | 4.00 % | ********************
4 | [13,16] | 112613 | 4.00 % | ********************
5 | [17,20] | 112798 | 4.01 % | ********************
6 | [21,24] | 113045 | 4.02 % | ********************
7 | [25,28] | 112343 | 3.99 % | ********************
8 | [29,32] | 113011 | 4.01 % | ********************
9 | [33,36] | 112894 | 4.01 % | ********************
10 | [37,40] | 112040 | 3.98 % | ********************
11 | [41,44] | 112700 | 4.00 % | ********************
12 | [45,48] | 112247 | 3.99 % | ********************
13 | [49,52] | 112771 | 4.01 % | ********************
14 | [53,56] | 112284 | 3.99 % | ********************
15 | [57,60] | 112399 | 3.99 % | ********************
16 | [61,64] | 112181 | 3.98 % | ********************
17 | [65,68] | 112560 | 4.00 % | ********************
18 | [69,72] | 112514 | 4.00 % | ********************
19 | [73,76] | 112681 | 4.00 % | ********************
20 | [77,80] | 112666 | 4.00 % | ********************
21 | [81,84] | 112508 | 4.00 % | ********************
22 | [85,88] | 112864 | 4.01 % | ********************
23 | [89,92] | 113081 | 4.02 % | ********************
24 | [93,96] | 112283 | 3.99 % | ********************
25 | [97,100] | 112653 | 4.00 % | ********************
(25 rows)
2 高斯分布
truncate tbl;
\set id random_gaussian(1,100,2.5)
1 | [1,4] | 13432 | 0.46 % | *
2 | [5,8] | 21253 | 0.72 % | **
3 | [9,12] | 32501 | 1.10 % | ***
4 | [13,16] | 47288 | 1.60 % | ****
5 | [17,20] | 66095 | 2.24 % | ******
6 | [21,24] | 89577 | 3.04 % | ********
7 | [25,28] | 115935 | 3.93 % | **********
8 | [29,32] | 144387 | 4.89 % | ************
9 | [33,36] | 173053 | 5.87 % | ***************
10 | [37,40] | 198419 | 6.73 % | *****************
11 | [41,44] | 219778 | 7.45 % | ******************
12 | [45,48] | 233489 | 7.91 % | ********************
13 | [49,52] | 238105 | 8.07 % | ********************
14 | [53,56] | 234864 | 7.96 % | ********************
15 | [57,60] | 219427 | 7.44 % | ******************
16 | [61,64] | 198440 | 6.73 % | *****************
17 | [65,68] | 172913 | 5.86 % | ***************
18 | [69,72] | 144989 | 4.91 % | ************
19 | [73,76] | 116383 | 3.95 % | **********
20 | [77,80] | 89234 | 3.02 % | *******
21 | [81,84] | 66099 | 2.24 % | ******
22 | [85,88] | 47493 | 1.61 % | ****
23 | [89,92] | 32253 | 1.09 % | ***
24 | [93,96] | 21227 | 0.72 % | **
25 | [97,100] | 13485 | 0.46 % | *
bucket | range | freq | ratio | bar
--------+-----------+-------+--------+----------------------
1 | [1,1] | 2772 | 0.10 % | *
2 | [2,2] | 3115 | 0.11 % | *
3 | [3,3] | 3509 | 0.12 % | *
4 | [4,4] | 3943 | 0.14 % | *
5 | [5,5] | 4453 | 0.15 % | **
6 | [6,6] | 4918 | 0.17 % | **
7 | [7,7] | 5281 | 0.18 % | **
8 | [8,8] | 6079 | 0.21 % | **
9 | [9,9] | 6729 | 0.23 % | **
10 | [10,10] | 7571 | 0.26 % | ***
11 | [11,11] | 8314 | 0.29 % | ***
12 | [12,12] | 9317 | 0.32 % | ***
13 | [13,13] | 10043 | 0.35 % | ***
14 | [14,14] | 11067 | 0.38 % | ****
15 | [15,15] | 12295 | 0.42 % | ****
16 | [16,16] | 13300 | 0.46 % | *****
17 | [17,17] | 14253 | 0.49 % | *****
18 | [18,18] | 15499 | 0.54 % | *****
19 | [19,19] | 16740 | 0.58 % | ******
20 | [20,20] | 18166 | 0.63 % | ******
21 | [21,21] | 19789 | 0.68 % | *******
22 | [22,22] | 20970 | 0.72 % | *******
23 | [23,23] | 22950 | 0.79 % | ********
24 | [24,24] | 24604 | 0.85 % | ********
25 | [25,25] | 25854 | 0.89 % | *********
26 | [26,26] | 27707 | 0.96 % | *********
27 | [27,27] | 29553 | 1.02 % | **********
28 | [28,28] | 31101 | 1.07 % | ***********
29 | [29,29] | 32583 | 1.13 % | ***********
30 | [30,30] | 34714 | 1.20 % | ************
31 | [31,31] | 36389 | 1.26 % | ************
32 | [32,32] | 37939 | 1.31 % | *************
33 | [33,33] | 39881 | 1.38 % | **************
34 | [34,34] | 41757 | 1.44 % | **************
35 | [35,35] | 43436 | 1.50 % | ***************
36 | [36,36] | 45062 | 1.56 % | ***************
37 | [37,37] | 46501 | 1.61 % | ****************
38 | [38,38] | 47971 | 1.66 % | ****************
39 | [39,39] | 49850 | 1.72 % | *****************
40 | [40,40] | 51173 | 1.77 % | *****************
41 | [41,41] | 52545 | 1.81 % | ******************
42 | [42,42] | 53146 | 1.84 % | ******************
43 | [43,43] | 54303 | 1.88 % | *******************
44 | [44,44] | 54906 | 1.90 % | *******************
45 | [45,45] | 56245 | 1.94 % | *******************
46 | [46,46] | 57177 | 1.97 % | ********************
47 | [47,47] | 57219 | 1.98 % | ********************
48 | [48,48] | 58151 | 2.01 % | ********************
49 | [49,49] | 58306 | 2.01 % | ********************
50 | [50,50] | 57975 | 2.00 % | ********************
51 | [51,51] | 58419 | 2.02 % | ********************
52 | [52,52] | 58561 | 2.02 % | ********************
53 | [53,53] | 58121 | 2.01 % | ********************
54 | [54,54] | 57767 | 1.99 % | ********************
55 | [55,55] | 56827 | 1.96 % | *******************
56 | [56,56] | 56762 | 1.96 % | *******************
57 | [57,57] | 55026 | 1.90 % | *******************
58 | [58,58] | 54578 | 1.88 % | *******************
59 | [59,59] | 52974 | 1.83 % | ******************
60 | [60,60] | 52356 | 1.81 % | ******************
61 | [61,61] | 51089 | 1.76 % | *****************
62 | [62,62] | 49518 | 1.71 % | *****************
63 | [63,63] | 48436 | 1.67 % | *****************
64 | [64,64] | 46651 | 1.61 % | ****************
65 | [65,65] | 44896 | 1.55 % | ***************
66 | [66,66] | 43576 | 1.50 % | ***************
67 | [67,67] | 41402 | 1.43 % | **************
68 | [68,68] | 39948 | 1.38 % | **************
69 | [69,69] | 38070 | 1.31 % | *************
70 | [70,70] | 36540 | 1.26 % | ************
71 | [71,71] | 34686 | 1.20 % | ************
72 | [72,72] | 32937 | 1.14 % | ***********
73 | [73,73] | 31284 | 1.08 % | ***********
74 | [74,74] | 29431 | 1.02 % | **********
75 | [75,75] | 27559 | 0.95 % | *********
76 | [76,76] | 25754 | 0.89 % | *********
77 | [77,77] | 24428 | 0.84 % | ********
78 | [78,78] | 22623 | 0.78 % | ********
79 | [79,79] | 20849 | 0.72 % | *******
80 | [80,80] | 19831 | 0.68 % | *******
81 | [81,81] | 18070 | 0.62 % | ******
82 | [82,82] | 16890 | 0.58 % | ******
83 | [83,83] | 15677 | 0.54 % | *****
84 | [84,84] | 14462 | 0.50 % | *****
85 | [85,85] | 13420 | 0.46 % | *****
86 | [86,86] | 12338 | 0.43 % | ****
87 | [87,87] | 10995 | 0.38 % | ****
88 | [88,88] | 10231 | 0.35 % | ***
89 | [89,89] | 9213 | 0.32 % | ***
90 | [90,90] | 8337 | 0.29 % | ***
91 | [91,91] | 7535 | 0.26 % | ***
92 | [92,92] | 6751 | 0.23 % | **
93 | [93,93] | 6222 | 0.21 % | **
94 | [94,94] | 5479 | 0.19 % | **
95 | [95,95] | 4958 | 0.17 % | **
96 | [96,96] | 4339 | 0.15 % | *
97 | [97,97] | 3870 | 0.13 % | *
98 | [98,98] | 3453 | 0.12 % | *
99 | [99,99] | 3063 | 0.11 % | *
100 | [100,100] | 2777 | 0.10 % | *
(100 rows)
参数说明:
threshold >= 2.0
高斯分布（正态分布）的概率峰值出现在min,max的数学期望值即(max + min) / 2.0。
约67%的值分布在以min,max数学期望为中心的1.0 / threshold 这个区间。
约95%的值分布在以min,max数学期望为中心的2.0 / threshold 这个区间。
所以threshold越大，数据数据越集中在min,max的数学期望附近。
3 指数分布
\set id random_exponential(1,100,3.0)
bucket | range | freq | ratio | bar
--------+----------+--------+---------+-----------------
1 | [1,4] | 353424 | 11.91 % | ***************
2 | [5,8] | 312966 | 10.55 % | *************
3 | [9,12] | 277325 | 9.34 % | ************
4 | [13,16] | 246483 | 8.31 % | **********
5 | [17,20] | 218639 | 7.37 % | *********
6 | [21,24] | 193728 | 6.53 % | ********
7 | [25,28] | 172174 | 5.80 % | *******
8 | [29,32] | 152792 | 5.15 % | ******
9 | [33,36] | 135425 | 4.56 % | ******
10 | [37,40] | 119895 | 4.04 % | *****
11 | [41,44] | 106444 | 3.59 % | *****
12 | [45,48] | 94220 | 3.17 % | ****
13 | [49,52] | 83763 | 2.82 % | ****
14 | [53,56] | 74046 | 2.50 % | ***
15 | [57,60] | 66040 | 2.23 % | ***
16 | [61,64] | 58151 | 1.96 % | **
17 | [65,68] | 51363 | 1.73 % | **
18 | [69,72] | 45887 | 1.55 % | **
19 | [73,76] | 40873 | 1.38 % | **
20 | [77,80] | 35882 | 1.21 % | **
21 | [81,84] | 32248 | 1.09 % | *
22 | [85,88] | 28587 | 0.96 % | *
23 | [89,92] | 25010 | 0.84 % | *
24 | [93,96] | 22546 | 0.76 % | *
25 | [97,100] | 19815 | 0.67 % | *
threshold > 0
(threshold越大，随机值接近min的概率越大，反之，threshold越小，随机值接近max的概率越大)
threshold 越接近0，则越趋于随机分布，而不是指数分布。
长尾分布
\set id random_zipfian(1, 100, 1.001)
bucket | range | freq | ratio | bar
--------+----------+--------+---------+----------------------
1 | [1,4] | 911700 | 40.21 % | ********************
2 | [5,8] | 276736 | 12.21 % | ******
3 | [9,12] | 168646 | 7.44 % | ****
4 | [13,16] | 121354 | 5.35 % | ***
5 | [17,20] | 94427 | 4.16 % | **
6 | [21,24] | 78154 | 3.45 % | **
7 | [25,28] | 66173 | 2.92 % | *
8 | [29,32] | 57071 | 2.52 % | *
9 | [33,36] | 50582 | 2.23 % | *
10 | [37,40] | 45865 | 2.02 % | *
11 | [41,44] | 40835 | 1.80 % | *
12 | [45,48] | 37525 | 1.66 % | *
13 | [49,52] | 34916 | 1.54 % | *
14 | [53,56] | 32284 | 1.42 % | *
15 | [57,60] | 29811 | 1.31 % | *
16 | [61,64] | 28028 | 1.24 % | *
17 | [65,68] | 26214 | 1.16 % | *
18 | [69,72] | 24556 | 1.08 % | *
19 | [73,76] | 23285 | 1.03 % | *
20 | [77,80] | 22211 | 0.98 % |
21 | [81,84] | 21089 | 0.93 % |
22 | [85,88] | 20134 | 0.89 % |
23 | [89,92] | 19093 | 0.84 % |
24 | [93,96] | 18686 | 0.82 % |
25 | [97,100] | 17964 | 0.79 % |
threshold 取值范围: [1.001, 1000]
k 的概率为k+1 的((k+1)/k)^threshold 次方
threshold越大, 概率曲线越陡峭, 头部值(begin值)出现概率越高. 递弱代偿线越陡峭.
For example, random_zipfian(1, ..., 2.5) produces the value
1 about (2/1)^2.5 = 5.66 times more frequently than 2,
2 about (3/2)^2.5 = 2.76 times more frequently than 3,
and so on.
今天只讲了关于随机数据生成的其中一种方法, PG里面生成随机数据还有大把的方法, 包括自己写函数或inline code, 结合内置的srf函数等(如generate_series).
海量数据的生成方法、各处场景的压测, 请参考末尾文章.
参考
pgbench
https://www.postgresql.org/docs/devel/pgbench.html201711/20171107_48.md
《HTAP数据库PostgreSQL 场景与性能测试之47 - (OLTP多模优化) 空间应用- 高并发空间位置更新、多属性KNN搜索并测（含空间索引）末端配送、新零售类项目》201711/20171107_47.md
《HTAP数据库PostgreSQL 场景与性能测试之46 - (OLTP) 大json字段的高并发更新》201711/20171107_46.md
《HTAP数据库PostgreSQL 场景与性能测试之45 - (OLTP) 数据量与性能的线性关系(10亿+无衰减), 暨单表多大需要分区》201711/20171107_45.md
《[未完待续] HTAP数据库PostgreSQL 场景与性能测试之44 - (OLTP) 空间应用- 空间包含查询(输入多边形包含表内空间对象)》201711/20171107_44.md
《HTAP数据库PostgreSQL 场景与性能测试之43 - (OLTP+OLAP) unlogged table 含索引多表批量写入》201711/20171107_43.md
《HTAP数据库PostgreSQL 场景与性能测试之42 - (OLTP+OLAP) unlogged table 不含索引多表批量写入》201711/20171107_42.md
《HTAP数据库PostgreSQL 场景与性能测试之41 - (OLTP+OLAP) 含索引多表批量写入》201711/20171107_41.md
《HTAP数据库PostgreSQL 场景与性能测试之40 - (OLTP+OLAP) 不含索引多表批量写入》201711/20171107_40.md
《HTAP数据库PostgreSQL 场景与性能测试之39 - (OLTP+OLAP) logged & unlogged table 含索引多表单点写入》201711/20171107_39.md
《HTAP数据库PostgreSQL 场景与性能测试之38 - (OLTP+OLAP) logged & unlogged table 不含索引多表单点写入》201711/20171107_38.md
《HTAP数据库PostgreSQL 场景与性能测试之37 - (OLTP+OLAP) 含索引单表批量写入》201711/20171107_37.md
《HTAP数据库PostgreSQL 场景与性能测试之36 - (OLTP+OLAP) 不含索引单表批量写入》201711/20171107_36.md
《HTAP数据库PostgreSQL 场景与性能测试之35 - (OLTP+OLAP) 含索引单表单点写入》201711/20171107_35.md
《HTAP数据库PostgreSQL 场景与性能测试之34 - (OLTP+OLAP) 不含索引单表单点写入》201711/20171107_34.md
《HTAP数据库PostgreSQL 场景与性能测试之33 - (OLAP) 物联网- 线性字段区间实时统计》201711/20171107_33.md
《HTAP数据库PostgreSQL 场景与性能测试之32 - (OLTP) 高吞吐数据进出(堆存、行扫、无需索引) - 阅后即焚(JSON + 函数流式计算)》201711/20171107_32.md
《HTAP数据库PostgreSQL 场景与性能测试之31 - (OLTP) 高吞吐数据进出(堆存、行扫、无需索引) - 阅后即焚(读写大吞吐并测)》201711/20171107_31.md
《HTAP数据库PostgreSQL 场景与性能测试之30 - (OLTP) 秒杀- 高并发单点更新》201711/20171107_30.md
《HTAP数据库PostgreSQL 场景与性能测试之29 - (OLTP) 空间应用- 高并发空间位置更新（含空间索引）》201711/20171107_29.md
《HTAP数据库PostgreSQL 场景与性能测试之28 - (OLTP) 高并发点更新》201711/20171107_28.md
《HTAP数据库PostgreSQL 场景与性能测试之27 - (OLTP) 物联网- FEED日志, 流式处理与阅后即焚(CTE)》201711/20171107_27.md
《HTAP数据库PostgreSQL 场景与性能测试之26 - (OLTP) NOT IN、NOT EXISTS 查询》201711/20171107_26.md
《HTAP数据库PostgreSQL 场景与性能测试之25 - (OLTP) IN , EXISTS 查询》201711/20171107_25.md
《HTAP数据库PostgreSQL 场景与性能测试之24 - (OLTP) 物联网- 时序数据并发写入(含时序索引BRIN)》201711/20171107_24.md
《HTAP数据库PostgreSQL 场景与性能测试之23 - (OLAP) 并行计算》201711/20171107_23.md
《HTAP数据库PostgreSQL 场景与性能测试之22 - (OLTP) merge insert|upsert|insert on conflict|合并写入》201711/20171107_22.md
《HTAP数据库PostgreSQL 场景与性能测试之21 - (OLTP+OLAP) 排序、建索引》201711/20171107_21.md
《HTAP数据库PostgreSQL 场景与性能测试之20 - (OLAP) 用户画像圈人场景- 多个字段任意组合条件筛选与透视》201711/20171107_20.md
《HTAP数据库PostgreSQL 场景与性能测试之19 - (OLAP) 用户画像圈人场景- 数组相交查询与聚合》201711/20171107_19.md
《HTAP数据库PostgreSQL 场景与性能测试之18 - (OLAP) 用户画像圈人场景- 数组包含查询与聚合》201711/20171107_18.md
《HTAP数据库PostgreSQL 场景与性能测试之17 - (OLTP) 数组相似查询》201711/20171107_17.md
《HTAP数据库PostgreSQL 场景与性能测试之16 - (OLTP) 文本特征向量- 相似特征(海明...)查询》201711/20171107_16.md
《HTAP数据库PostgreSQL 场景与性能测试之15 - (OLTP) 物联网- 查询一个时序区间的数据》201711/20171107_15.md
《HTAP数据库PostgreSQL 场景与性能测试之14 - (OLTP) 字符串搜索- 全文检索》201711/20171107_14.md
《HTAP数据库PostgreSQL 场景与性能测试之13 - (OLTP) 字符串搜索- 相似查询》201711/20171107_13.md
《HTAP数据库PostgreSQL 场景与性能测试之12 - (OLTP) 字符串搜索- 前后模糊查询》201711/20171107_12.md
《HTAP数据库PostgreSQL 场景与性能测试之11 - (OLTP) 字符串搜索- 后缀查询》201711/20171107_11.md
《HTAP数据库PostgreSQL 场景与性能测试之10 - (OLTP) 字符串搜索- 前缀查询》201711/20171107_10.md
《HTAP数据库PostgreSQL 场景与性能测试之9 - (OLTP) 字符串模糊查询- 含索引实时写入》201711/20171107_09.md
《HTAP数据库PostgreSQL 场景与性能测试之8 - (OLTP) 多值类型(数组)含索引实时写入》201711/20171107_08.md
《HTAP数据库PostgreSQL 场景与性能测试之7 - (OLTP) 全文检索- 含索引实时写入》201711/20171107_07.md
《HTAP数据库PostgreSQL 场景与性能测试之6 - (OLTP) 空间应用- KNN查询（搜索附近对象，由近到远排序输出）》201711/20171107_06.md
《HTAP数据库PostgreSQL 场景与性能测试之5 - (OLTP) 空间应用- 空间包含查询(表内多边形包含输入空间对象)》201711/20171107_05.md
《HTAP数据库PostgreSQL 场景与性能测试之4 - (OLAP) 大表OUTER JOIN统计查询》201711/20171107_49.md
《HTAP数据库PostgreSQL 场景与性能测试之3.1 - (OLAP) 大表JOIN统计查询-10亿join 1亿agg》201711/20171107_04.md
《HTAP数据库PostgreSQL 场景与性能测试之3 - (OLAP) 大表JOIN统计查询》201711/20171107_03.md
《HTAP数据库PostgreSQL 场景与性能测试之2 - (OLTP) 多表JOIN》201711/20171107_02.md
《HTAP数据库PostgreSQL 场景与性能测试之1 - (OLTP) 点查》202001/20200103_01.md
201711/20171121_01.md
![2021年危险化学品经营单位安全管理人员考试题库及危险化学品经营单位安全管理人员考试技巧[图]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)