PostgreSQL中的索引(七)--GIN
作者：互联网
我们已经熟悉了PostgreSQL索引引擎和访问方法的接口，并讨论了hash索引、b-trees以及GiST和SP-GiST索引。这篇文章将介绍GIN索引。
GIN
GIN是广义倒排索引(Generalized Inverted Index)的缩写。这就是所谓的倒排索引。它操作的数据类型的值不是原子的，而是由元素组成的。我们将这些类型称为复合类型。索引的不是复合类型的值，而是单独的元素;每个元素都引用它出现的值。
与此方法有一个很好的类比，即图书末尾的索引，对于每个术语，它提供了出现该术语的页面列表。访问方法必须确保快速搜索索引元素，就像书中的索引一样。因此，这些元素被存储为熟悉的b树(它使用了另一种更简单的实现，但在本例中并不重要)。 对包含元素复合值的表行的有序引用集链接到每个元素。顺序性对于数据检索并不重要(TIDs的排序顺序没有太大意义)，但对于索引的内部结构很重要。
元素永远不会从GIN索引中删除。我们认为，包含元素的值可以消失、出现或变化，但组成它们的元素集或多或少是稳定的。此解决方案极大地简化了使用索引并行处理多个进程的算法。
如果TIDs列表非常小，它可以与元素放在同一个页面中(称为«the posting list»)。但如果这个列表很大，就需要一个更高效的数据结构，我们已经意识到了这一点——它还是B-tree。这样的树位于单独的数据页上(称为«the posting tree»)。
因此，GIN索引由元素的B-tree组成，而TIDs的B-tree或平面列表链接到该B-tree的叶行。
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支持复合数据类型的各种操作的接口。
全文检索
GIN的主要应用领域是加速全文检索，因此，在更详细地讨论该索引时，可以将其用作示例。
与GiST相关的文章已经提供了关于全文搜索的简单介绍，所以让我们直接切入主题，不要重复。显然，本例中的复合值是文档，而这些文档的元素是*lexemes。
让我们来看看与GiST相关的文章中的例子:
postgres=# create table ts(doc text, doc_tsv tsvector);
postgres=# insert into ts(doc) values
('Can a sheet slitter slit sheets?'),
('How many sheets could a sheet slitter slit?'),
('I slit a sheet, a sheet I slit.'),
('Upon a slitted sheet I sit.'),
('Whoever slit the sheets is a good sheet 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.');
postgres=# update ts set doc_tsv = to_tsvector(doc);
postgres=# create index on ts using gin(doc_tsv);
该索引的可能结构如图所示:
与前面所有的图不同，对表行(tid)的引用是用黑色背景上的数值(页码和页面上的位置)表示的，而不是用箭头表示的。
postgres=# select ctid, left(doc,20), doc_tsv from ts; ctid | left | doc_tsv -------+----------------------+--------------------------------------------------------- (0,1) | Can a sheet slitter | 'sheet':3,6 'slit':5 'slitter':4 (0,2) | How many sheets coul | 'could':4 'mani':2 'sheet':3,6 'slit':8 'slitter':7 (0,3) | I slit a sheet, a sh | 'sheet':4,6 'slit':2,8 (1,1) | Upon a slitted sheet | 'sheet':4 'sit':6 'slit':3 'upon':1 (1,2) | Whoever slit the she | 'good':7 'sheet':4,8 'slit':2 'slitter':9 'whoever':1 (1,3) | I am a sheet slitter | 'sheet':4 'slitter':5 (2,1) | I slit sheets. | 'sheet':3 'slit':2 (2,2) | I am the sleekest sh | 'ever':8 'sheet':5,10 'sleekest':4 'slit':9 'slitter':6 (2,3) | She slits the sheet | 'sheet':4 'sit':6 'slit':2 (9 rows)
在这个推测的示例中，所有词素的tid列表可以位于常规页面，但«sheet»、«slit»和«slits»除外。这些词素出现在许多文档中，它们的tid列表已经被放置在单个的b-tree中。
顺便问一下，我们如何知道一个词素被包含在多少文档?对于一个小的表，下面所示的«direct»技术可以实现，但是我们将进一步学习如何处理较大的表。
postgres=# select (unnest(doc_tsv)).lexeme, count(*) from ts 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)
还要注意，与常规的b-树不同，GIN索引的页是通过单向列表连接的，而不是双向列表。这就足够了，因为树遍历只有一种方式。
查询示例
执行以下查询会如何执行呢?
postgres=# 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)
单个词素(搜索键)首先从查询中提取:«mani»和«slitter»。这是由一个专门的API函数来完成的，它考虑到由操作符类决定的数据类型和策略:
postgres=# select amop.amopopr::regoperator, amop.amopstrategy
from pg_opclass opc, pg_opfamily opf, pg_am am, pg_amop amop
where opc.opcname = 'tsvector_ops'
and opf.oid = opc.opcfamily
and am.oid = opf.opfmethod
and amop.amopfamily = opc.opcfamily
and am.amname = 'gin'
and amop.amoplefttype = opc.opcintype;
amopopr | amopstrategy
-----------------------+--------------
@@(tsvector,tsquery) | 1 matching search query
@@@(tsvector,tsquery) | 2 synonym for @@ (for backward compatibility)
(2 rows)
在词素的b-树中，我们接下来找到这两个键，并遍历tid的列表。我们得到:
对于«mani»-(0,2)。
对于«slitter»-(0,1),(0,2),(1,2),(1,3),(2,2)。
最后，对于找到的每个TID，将调用一个API一致性函数，该函数必须确定找到的哪一行与搜索查询匹配。由于我们查询中的lexemes是由布尔«and»连接的，所以返回的唯一一行是(0,2):
| | | consistency
| | | function
TID | mani | slitter | slit & slitter
-------+------+---------+----------------
(0,1) | f | T | f
(0,2) | T | T | T
(1,2) | f | T | f
(1,3) | f | T | f
(2,2) | f | T | f
结果是:
postgres=# select doc from ts where doc_tsv @@ to_tsquery('many & slitter');
doc
---------------------------------------------
How many sheets could a sheet slitter slit?
(1 row)
如果我们将这种方法与已经讨论过的GiST方法进行比较，那么GIN用于全文搜索的优势就很明显了。但这里还有比表面上看到的更多的东西。
slow update的问题
问题是GIN索引中的数据插入或更新非常慢。每个文档通常包含许多要建立索引的词素。因此，当只添加或更新一个文档时，我们必须大规模地更新索引树。
另一方面，如果同时更新几个文档，它们的一些词素可能是相同的，那么总的工作量将比逐个更新文档时要小。
GIN索引有«fastupdate»存储参数，我们可以在创建和更新索引时指定:
postgres=# create index on ts using gin(doc_tsv) with (fastupdate = true);
打开此参数后，更新将在一个单独的无序列表中累积(在各个连接的页上)。 当这个列表足够大或在vacuuming期间，所有累积的更新都会立即对索引进行。要考虑的列表«large enough»是由«gin_pending_list_limit»配置参数决定的，或者由索引的同名存储参数决定的。
但是这种方法也有缺点:首先，搜索速度变慢(因为除了树之外还需要查看无序列表)，其次，如果无序列表已经溢出，下一次更新可能会意外地花费很多时间。
部分匹配的检索
我们可以在全文搜索中使用部分匹配。例如，考虑以下查询:
gin=# select doc from ts where doc_tsv @@ to_tsquery('slit:*');
doc
--------------------------------------------------------
Can a sheet slitter slit sheets?
How many sheets could a sheet slitter slit?
I slit a sheet, a sheet I slit.
Upon a slitted sheet I sit.
Whoever slit the sheets is a good sheet 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.
(9 rows)
这个查询将会找到包含以«slit»开头的词素的文档。在这个例子中，这样的词素是«slit»和«slitter»。
即使没有索引，查询也可以正常工作，但GIN还允许加速以下搜索:
postgres=# explain (costs off)
select doc from ts where doc_tsv @@ to_tsquery('slit:*');
QUERY PLAN
-------------------------------------------------------------
Bitmap Heap Scan on ts
Recheck Cond: (doc_tsv @@ to_tsquery('slit:*'::text))
-> Bitmap Index Scan on ts_doc_tsv_idx
Index Cond: (doc_tsv @@ to_tsquery('slit:*'::text))
(4 rows)
这里，所有在搜索查询中指定前缀的词素都在树中查找，并由布尔«or»连接。
频繁和不频繁的词素(lexemes)
为了观察索引是如何在实时数据上工作的，让我们以«pgsql-hacker»电子邮件的归档为例，我们在讨论GiST时已经使用过了。这个版本的存档包含356125条消息，其中包含发送日期、主题、作者和文本。
fts=# alter table mail_messages add column tsv tsvector; fts=# update mail_messages set tsv = to_tsvector(body_plain); NOTICE: word is too long to be indexed DETAIL: Words longer than 2047 characters are ignored. ... UPDATE 356125 fts=# create index on mail_messages using gin(tsv);
让我们假设一个出现在许多文档中的词素。使用«unnest»的查询将无法在如此大的数据量上工作，正确的技术是使用«ts_stat»函数，它提供关于词素表的信息，它们所出现的文档数量，以及总出现次数。
fts=# select word, ndoc
from ts_stat('select tsv from mail_messages')
order by ndoc desc limit 3;
word | ndoc
-------+--------
re | 322141
wrote | 231174
use | 176917
(3 rows)
让我们选择«wrote»。
我们将采用一些在开发者邮件中不常见的词，比如«tattoo»:
fts=# select word, ndoc from ts_stat('select tsv from mail_messages') where word = 'tattoo';
word | ndoc
--------+------
tattoo | 2
(1 row)
有没有同时出现这两个词的文档?似乎有:
fts=# select count(*) from mail_messages where tsv @@ to_tsquery('wrote & tattoo');
count
-------
1
(1 row)
出现了如何执行此查询的问题。如果我们得到两个词素的tid列表(如上所述)，那么搜索显然效率低下:我们将不得不遍历超过20万个值，最终只留下一个值。幸运的是，使用planner统计数据，算法知道«wrote»经常出现，而«tatoo»很少出现。因此，执行对不常见的词的搜索，然后检查检索到的两个文档是否有«wrote»词。这一点在查询中很清楚，它执行得很快:
fts=# \timing on
fts=# select count(*) from mail_messages where tsv @@ to_tsquery('wrote & tattoo');
count
-------
1
(1 row)
Time: 0,959 ms
仅搜索«wrote»就需要相当长的时间:
fts=# select count(*) from mail_messages where tsv @@ to_tsquery('wrote');
count
--------
231174
(1 row)
Time: 2875,543 ms (00:02,876)
这种优化当然不仅适用于两个词，而且适用于更复杂的情况。
限制查询结果
GIN访问方法的一个特性是结果总是作为位图返回:该方法不能按TID返回结果。正因为如此，本文中的所有查询计划都使用bitmap scan。
因此，使用LIMIT子句对索引扫描结果进行限制并不是很有效。注意操作的预测成本(«Limit»节点的«cost»字段):
fts=# explain (costs off)
select * from mail_messages where tsv @@ to_tsquery('wrote') limit 1;
QUERY PLAN
-----------------------------------------------------------------------------------------
Limit (cost=1283.61..1285.13 rows=1)
-> Bitmap Heap Scan on mail_messages (cost=1283.61..209975.49 rows=137207)
Recheck Cond: (tsv @@ to_tsquery('wrote'::text))
-> Bitmap Index Scan on mail_messages_tsv_idx (cost=0.00..1249.30 rows=137207)
Index Cond: (tsv @@ to_tsquery('wrote'::text))
(5 rows)
估计成本为1285.13，比构建整个位图1249.30(位图索引扫描节点的«cost»字段)的成本略高。
因此，索引具有限制结果数量的特殊功能。阈值在«gin_fuzzy_search_limit»配置参数中指定，默认为零(不存在限制)。但是我们可以设置阈值:
fts=# set gin_fuzzy_search_limit = 1000;
fts=# select count(*) from mail_messages where tsv @@ to_tsquery('wrote');
count
-------
5746
(1 row)
fts=# set gin_fuzzy_search_limit = 10000;
fts=# select count(*) from mail_messages where tsv @@ to_tsquery('wrote');
count
-------
14726
(1 row)
我们可以看到，查询返回的行数因参数值的不同而不同(如果使用索引访问)。限制并不严格:可以返回比指定的多的行，这就证明了参数名中有«fuzzy»部分是正确的。
紧凑表示(Compact representation)
在其他方面，gin索引还是很好的，因为它们很紧凑。首先，如果一个相同的lexeme出现在多个文档中(这是通常的情况)，那么它只存储在索引中一次。 其次，TID以有序的方式存储在索引中，这使我们能够使用简单的压缩:列表中存储的下一个TID实际上是与前一个TID是不同点;这通常是一个很小的数字，需要比完整的6字节TID少得多的位。
为了了解其大小，让我们从消息的文本构建B-tree。但肯定不是公平的比较:
·GIN构建在不同的数据类型上(«tsvector»而不是«text»)，«tsvector»更小 ·同时，b-树的消息大小必须缩短到大约2kb。
我们继续:
fts=# create index mail_messages_btree on mail_messages(substring(body_plain for 2048));
我们还将建立GiST索引：
fts=# create index mail_messages_gist on mail_messages using gist(tsv);
在«vacuum full»后索引的大小:
fts=# select pg_size_pretty(pg_relation_size('mail_messages_tsv_idx')) as gin,
pg_size_pretty(pg_relation_size('mail_messages_gist')) as gist,
pg_size_pretty(pg_relation_size('mail_messages_btree')) as btree;
gin | gist | btree
--------+--------+--------
179 MB | 125 MB | 546 MB
(1 row)
由于紧凑性，我们可以尝试在从Oracle迁移的过程中使用GIN索引来替代位图索引(为了便于理解，我提供了Lewis的文章的参考)。作为规则，位图索引用于仅有少数唯一值的字段，这对于GIN也是非常好的。并且，如第一篇文章所示，PostgreSQL可以动态地基于任何索引(包括GIN)构建位图。
GiST还是GIN
对于许多数据类型，GiST和GIN都可以使用操作符类，这就产生了使用哪个索引的问题。也许，我们已经可以得出一些结论了。
通常，GIN在准确性和搜索速度上优于GiST。如果数据更新不频繁，并且需要快速搜索，那么很可能使用GIN。
另一方面，如果数据是密集更新的，那么更新GIN的开销可能会显得太大。在这种情况下，我们将不得不比较这两种选择。
Arrays
使用GIN的另一个例子是数组的索引。在这种情况下，数组元素进入索引，这允许加速对数组的一些操作:
postgres=# select amop.amopopr::regoperator, amop.amopstrategy
from pg_opclass opc, pg_opfamily opf, pg_am am, pg_amop amop
where opc.opcname = 'array_ops'
and opf.oid = opc.opcfamily
and am.oid = opf.opfmethod
and amop.amopfamily = opc.opcfamily
and am.amname = 'gin'
and amop.amoplefttype = opc.opcintype;
amopopr | amopstrategy
-----------------------+--------------
&&(anyarray,anyarray) | 1 intersection
@>(anyarray,anyarray) | 2 contains array
<@(anyarray,anyarray) | 3 contained in array
=(anyarray,anyarray) | 4 equality
(4 rows)
我们的演示数据库有带有航班信息的«routes»视图。在其他视图中，该视图包含«days_of_week»列——发生航班时的工作日数组。例如，从伏努科沃到格伦齐克的航班在周二、周四和周日起飞:
demo=# select departure_airport_name, arrival_airport_name, days_of_week
from routes
where flight_no = 'PG0049';
departure_airport_name | arrival_airport_name | days_of_week
------------------------+----------------------+--------------
Vnukovo | Gelendzhik | {2,4,7}
(1 row)
为了构建索引，让我们将视图“物化”到一个表中:
demo=# create table routes_t as select * from routes; demo=# create index on routes_t using gin(days_of_week);
现在我们可以用这个索引来了解周二、周四和周日的所有航班:
demo=# explain (costs off) select * from routes_t where days_of_week = ARRAY[2,4,7];
QUERY PLAN
-----------------------------------------------------------
Bitmap Heap Scan on routes_t
Recheck Cond: (days_of_week = '{2,4,7}'::integer[])
-> Bitmap Index Scan on routes_t_days_of_week_idx
Index Cond: (days_of_week = '{2,4,7}'::integer[])
(4 rows)
似乎有六种查询额结果:
demo=# select flight_no, departure_airport_name, arrival_airport_name, days_of_week from routes_t where days_of_week = ARRAY[2,4,7];
flight_no | departure_airport_name | arrival_airport_name | days_of_week
-----------+------------------------+----------------------+--------------
PG0005 | Domodedovo | Pskov | {2,4,7}
PG0049 | Vnukovo | Gelendzhik | {2,4,7}
PG0113 | Naryan-Mar | Domodedovo | {2,4,7}
PG0249 | Domodedovo | Gelendzhik | {2,4,7}
PG0449 | Stavropol | Vnukovo | {2,4,7}
PG0540 | Barnaul | Vnukovo | {2,4,7}
(6 rows)
该查询是如何执行的? 和上面描述的完全一样:
1.从数组{2,4,7}中提取元素(搜索关键字)。显然，这些是«2»、«4»和«7»的值。
2.在元素树中找到提取的键，并为每个键选择TIDs列表。
3.在找到的所有TIDs中，一致性函数从查询中选择与操作符匹配的TIDs。 For =操作符，只有那些tid与所有三个列表中出现的匹配(换句话说，初始数组必须包含所有元素)。但这是不够的:它还需要数组不包含任何其他值，我们不能用索引检查这个条件。 因此，在这种情况下，access method要求索引引擎重新检查与表一起返回的所有tid。
有趣的是，有些策略(例如，«contains in array»)不能检查任何内容，而必须重新检查表中找到的所有tid。
但是，如果我们需要知道周二、周四和周日从莫斯科起飞的航班，该怎么办呢? 索引将不支持附加条件，它将进入«Filter»列。
demo=# explain (costs off)
select * from routes_t where days_of_week = ARRAY[2,4,7] and departure_city = 'Moscow';
QUERY PLAN
-----------------------------------------------------------
Bitmap Heap Scan on routes_t
Recheck Cond: (days_of_week = '{2,4,7}'::integer[])
Filter: (departure_city = 'Moscow'::text)
-> Bitmap Index Scan on routes_t_days_of_week_idx
Index Cond: (days_of_week = '{2,4,7}'::integer[])
(5 rows)
在这里，这是可以的(无论如何索引只选择6行)，但如果附加条件增加了选择能力，则需要这样的支持。但是，我们不能仅仅创建索引:
demo=# create index on routes_t using gin(days_of_week,departure_city); ERROR: data type text has no default operator class for access method "gin" HINT: You must specify an operator class for the index or define a default operator class for the data type.
但是“btree_gin”扩展将提供帮助，它添加了模拟普通b树工作的GIN操作符类。
demo=# create extension btree_gin;
demo=# create index on routes_t using gin(days_of_week,departure_city);
demo=# explain (costs off)
select * from routes_t where days_of_week = ARRAY[2,4,7] and departure_city = 'Moscow';
QUERY PLAN
---------------------------------------------------------------------
Bitmap Heap Scan on routes_t
Recheck Cond: ((days_of_week = '{2,4,7}'::integer[]) AND
(departure_city = 'Moscow'::text))
-> Bitmap Index Scan on routes_t_days_of_week_departure_city_idx
Index Cond: ((days_of_week = '{2,4,7}'::integer[]) AND
(departure_city = 'Moscow'::text))
(4 rows)
JSONB
具有内置GIN支持的复合数据类型的另一个示例是JSON。为了处理JSON值，目前定义了一些操作符和函数，其中一些可以使用索引来加速:
postgres=# select opc.opcname, amop.amopopr::regoperator, amop.amopstrategy as str
from pg_opclass opc, pg_opfamily opf, pg_am am, pg_amop amop
where opc.opcname in ('jsonb_ops','jsonb_path_ops')
and opf.oid = opc.opcfamily
and am.oid = opf.opfmethod
and amop.amopfamily = opc.opcfamily
and am.amname = 'gin'
and amop.amoplefttype = opc.opcintype;
opcname | amopopr | str
----------------+------------------+-----
jsonb_ops | ?(jsonb,text) | 9 top-level key exists
jsonb_ops | ?|(jsonb,text[]) | 10 some top-level key exists
jsonb_ops | ?&(jsonb,text[]) | 11 all top-level keys exist
jsonb_ops | @>(jsonb,jsonb) | 7 JSON value is at top level
jsonb_path_ops | @>(jsonb,jsonb) | 7
(5 rows)
正如我们所看到的，有两个操作符类可用:«jsonb_ops»和«jsonb_path_ops»。
第一个操作符类«jsonb_ops»默认使用的。所有键、值和数组元素都作为初始JSON文档的元素到达索引。每个元素都添加了一个属性，它指示该元素是否为键(这是«exists»策略所需要的，它区分键和值)。
例如，让我们用JSON表示«routes»中的几行:
demo=# create table routes_jsonb as
select to_jsonb(t) route
from (
select departure_airport_name, arrival_airport_name, days_of_week
from routes
order by flight_no limit 4
) t;
demo=# select ctid, jsonb_pretty(route) from routes_jsonb;
ctid | jsonb_pretty
-------+-------------------------------------------------
(0,1) | { +
| "days_of_week": [ +
| 1 +
| ], +
| "arrival_airport_name": "Surgut", +
| "departure_airport_name": "Ust-Ilimsk" +
| }
(0,2) | { +
| "days_of_week": [ +
| 2 +
| ], +
| "arrival_airport_name": "Ust-Ilimsk", +
| "departure_airport_name": "Surgut" +
| }
(0,3) | { +
| "days_of_week": [ +
| 1, +
| 4 +
| ], +
| "arrival_airport_name": "Sochi", +
| "departure_airport_name": "Ivanovo-Yuzhnyi"+
| }
(0,4) | { +
| "days_of_week": [ +
| 2, +
| 5 +
| ], +
| "arrival_airport_name": "Ivanovo-Yuzhnyi", +
| "departure_airport_name": "Sochi" +
| }
(4 rows)
demo=# create index on routes_jsonb using gin(route);
索引看起来如下:
现在，像这样的查询，例如，可以使用索引执行:
demo=# explain (costs off)
select jsonb_pretty(route)
from routes_jsonb
where route @> '{"days_of_week": [5]}';
QUERY PLAN
---------------------------------------------------------------
Bitmap Heap Scan on routes_jsonb
Recheck Cond: (route @> '{"days_of_week": [5]}'::jsonb)
-> Bitmap Index Scan on routes_jsonb_route_idx
Index Cond: (route @> '{"days_of_week": [5]}'::jsonb)
(4 rows)
从JSON文档的根开始，@>操作符检查指定的路由(“days_of_week”:[5])是否出现。这里查询将返回一行:
demo=# select jsonb_pretty(route) from routes_jsonb where route @> '{"days_of_week": [5]}';
jsonb_pretty
------------------------------------------------
{ +
"days_of_week": [ +
2, +
5 +
], +
"arrival_airport_name": "Ivanovo-Yuzhnyi",+
"departure_airport_name": "Sochi" +
}
(1 row)
查询执行如下:
1.在搜索查询(“days_of_week”:[5])中提取元素(搜索键):«days_of_week»和«5»。
2.在元素树中找到提取的键，并为每个键选择tid列表:对于«5»-(0,4)，对于«days_of_week»-(0,1)，(0,2)，(0,3)，(0,4)。
3.在找到的所有TIDs中，一致性函数从查询中选择与操作符匹配的TIDs。 对于@>操作符，不包含来自搜索查询的所有元素的文档将不能确定，因此只剩下(0,4)。 但是我们仍然需要重新检查表中剩下的TID，因为从索引中不清楚找到的元素在JSON文档中出现的顺序。
要了解其他操作符的更多细节，可以阅读文档。
除了处理JSON的传统操作外，«jsquery»扩展早就可用了，它定义了一种功能更丰富的查询语言(当然，还支持GIN索引)。此外，2016年发布了新的SQL标准，定义了自己的一套操作和查询语言«SQL/JSON path»。这个标准的实现已经完成，我们相信它会出现在PostgreSQL 11中。
内部原理
我们可以使用“pageinspect”扩展查看GIN索引内部。
fts=# create extension pageinspect;
来自meta页面的信息显示了一般的统计数据:
fts=# select * from gin_metapage_info(get_raw_page('mail_messages_tsv_idx',0));
-[ RECORD 1 ]----+-----------
pending_head | 4294967295
pending_tail | 4294967295
tail_free_size | 0
n_pending_pages | 0
n_pending_tuples | 0
n_total_pages | 22968
n_entry_pages | 13751
n_data_pages | 9216
n_entries | 1423598
version | 2
页面结构提供了访问方法(access method)存储其信息的特殊区域;这个区域对于像vacuum这样的普通程序是«opaque»的。«gin_page_opaque_info»函数显示了GIN的数据。例如，我们可以了解到索引页的集合:
fts=# select flags, count(*)
from generate_series(1,22967) as g(id), -- n_total_pages
gin_page_opaque_info(get_raw_page('mail_messages_tsv_idx',g.id))
group by flags;
flags | count
------------------------+-------
{meta} | 1 meta page
{} | 133 internal page of element B-tree
{leaf} | 13618 leaf page of element B-tree
{data} | 1497 internal page of TID B-tree
{data,leaf,compressed} | 7719 leaf page of TID B-tree
(5 rows)
«gin_leafpage_items»函数提供存储在page {data,leaf,compressed}的tid信息:
fts=# select * from gin_leafpage_items(get_raw_page('mail_messages_tsv_idx',2672));
-[ RECORD 1 ]---------------------------------------------------------------------
first_tid | (239,44)
nbytes | 248
tids | {"(239,44)","(239,47)","(239,48)","(239,50)","(239,52)","(240,3)",...
-[ RECORD 2 ]---------------------------------------------------------------------
first_tid | (247,40)
nbytes | 248
tids | {"(247,40)","(247,41)","(247,44)","(247,45)","(247,46)","(248,2)",...
...
这里请注意，TIDs树的leave页面实际上包含指向表行的经过压缩的小指针列表，而不是单个指针。
属性
让我们看看GIN access method的属性
amname | name | pg_indexam_has_property --------+---------------+------------------------- gin | can_order | f gin | can_unique | f gin | can_multi_col | t gin | can_exclude | f
有趣的是，GIN支持创建多列索引。但是，与常规b-树不同的是，多列索引将仍然存储单个元素，并且将为每个元素标明列号。
以下索引层属性可用:
name | pg_index_has_property ---------------+----------------------- clusterable | f index_scan | f bitmap_scan | t backward_scan | f
注意，不支持按TID(索引扫描)返回结果;只能进行位图扫描。
也不支持Backward扫描:该特性对index-scan only扫描至关重要，但对位图扫描不支持。
列层属性如下:
name | pg_index_column_has_property --------------------+------------------------------ asc | f desc | f nulls_first | f nulls_last | f orderable | f distance_orderable | f returnable | f search_array | f search_nulls | f
这里没有可用的内容:没有排序(这很明显)，没有使用索引作为覆盖(因为文档本身没有存储在索引中)，没有空值操作(因为它对复合类型的元素没有意义)。
其他数据类型
还有一些扩展为某些数据类型添加了对GIN的支持。
·“pg_trgm”使我们能够通过比较有多少相等的三字母序列(三元组合)可用来确定单词的«likeness»。添加了两个操作符类«gist_trgm_ops»和«gin_trgm_ops»，它们支持各种操作符，包括通过LIKE和正则表达式进行比较。我们可以将此扩展与全文搜索一起使用，以便建议纠正拼写错误的单词选项。 ·“hstore”实现«key-value»存储。对于该数据类型，可以使用用于各种访问方法的操作符类，包括GIN。然而，随着«jsonb»数据类型的引入，也就没有使用«hstore»的理由了。 ·“intarray”扩展了整数数组的功能。索引支持包括GiST以及GIN(«gin__int_ops» 操作符类)。
这两个扩展已经在上面提到过:
·“btree_gin”添加了对常规数据类型的GIN支持，以便它们可以与复合类型一起在多列索引中使用。 ·“jsquery”定义了一种用于JSON查询的语言和一个用于支持该语言的索引的操作符类。 这个扩展不包括在标准的PostgreSQL交付中。
原文地址：https://habr.com/en/company/postgrespro/blog/448746/
标签：PostgreSQL,--,days,索引,slit,sheet,tsv,GIN 来源： https://www.cnblogs.com/abclife/p/13485422.html