背景
有資料說資料, 沒資料說案例, 沒案例說邏輯, 沒邏輯談理想. 已經成為數字時代的職場生存法則.
• 要陳述一個觀點或結論, 沒有資料支撐說話沒分量, 說明你沒經過仔細分析, 沒過腦子.
• 實在拿不到資料, 你總得拿點案例出來, 否則就是在空談, 沒有支點.
• 沒案例, 總得有底層邏輯吧, 邏輯能自洽, 也是說得通的.
• 如果連邏輯都沒有想過, 那你隻能用故事、理想或者理念來感染人, 如果你能忽悠(感染)成功, 并且最後确實也成功了, 也許能表達為因為相信是以看見.
場景:
• 項目上線前, 申請資源, 如何評估需要多少資源?
• 做IT部門的全年預算?
• 如何做到精準, 有理有據有節?
挑戰:
• 項目往往隻有業務名額(應該叫目标, 和IT預算精算還差了十萬八千裡), 靠經驗或拍腦袋來确定IT預算, 上線後發現資源不足或嚴重超過預期, 造成鋪張浪費.
• 難以模拟和快速産生真實的業務資料.
• 難以模拟真實的業務互動行為.
• 難以捕捉和分析性能問題的原因.
PG解決方案:
• pgbench,支援沙盤推演, 避免紙上談兵、假大空.
◦ 一個可以近乎真實的模拟業務上線後的壓力的内置benchmark program.
◦ 内置多種資料生成算法, 多種模拟業務和資料庫互動的command,
◦ 同時支援根據業務定制化壓測程式, 模拟真實的業務互動行為.
• awr, pg_stat_statements, 捕獲和分析業務瓶頸
◦ 202104/20210415_01.md
《PostgreSQL pg_stat_statements AWR 插件pg_stat_monitor , 過去任何時間段性能分析[推薦、收藏]》◦ 202003/20200324_25.md
《PostgreSQL 活躍會話曆史記錄插件- pgsentinel 類似performance insight \ Oracle ASH Active Session History》◦ 201901/20190125_02.md
《PostgreSQL Oracle 相容性之- performance insight - AWS performance insight 理念與實作解讀- 珍藏級》◦
https://www.postgresql.org/docs/devel/pgstatstatements.html• 快速建構海量測試資料
◦ 202001/20200103_01.md
《PostgreSQL+MySQL 聯合解決方案- 第3課視訊- 如何壓測PG資料庫、如何瞬間構造海量測試資料》◦ 201711/20171121_01.md
《PostgreSQL 如何快速建構海量逼真測試資料》例子
重點講一下pgbench裡面的一個小點:
• 産生各種分布形态的模拟資料(高斯分布、随機分布、指數分布、長尾分布)
為了讓大家更容易了解機率分布情況, 建議先了解一下以下3種繪圖方式.
1、柱狀圖
202104/20210429_01.md
《PostgreSQL - 時序、IoT類場景- 自定義histogram函數, 繪制資料分布柱狀圖- 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', -- 求這條SQL的結果集的柱狀圖
'x', -- 按這個字段的數值分布繪制柱狀圖, x是以上SQL的某個字段名
25, -- 均勻分布成25個bucket, 最好結果中的唯一值個數能剛好整除這個bucket
20); -- 展示進度條形式表示占比. 20是進度條的最長字元數
2、高頻詞
pg_catalog.pg_stats.
這個是analyze之後産生的, 存儲了字段的高頻詞, 也有bucket的機率分布等資訊.
3、餅圖
201808/20180804_01.md
《PostgreSQL psql 繪制餅圖》少量唯一值的group統計可以用來繪制餅圖, 值很多的情況不适合
create or replace function gen_charts(
sql text, -- SQL，傳回兩列，第一列為描述，第二列為這個描述的數值
width int default 80,
height int default 25,
radius numeric default 1.0, -- 換成float8類型，列印實心餅圖
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繪圖
201506/20150618_01.md
《生成泊松、高斯、指數、随機分布資料- PostgreSQL 9.5 new feature - pgbench improve, gaussian (standard normal) & exponential distribution》縱軸: 機率
橫軸: value
1 随機分布
create unlogged table tbl (id int, info text);
為了便于觀察機率分布情況, 取100個值.
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
機率分布情況:
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)
參數說明:
threshold >= 2.0
高斯分布（正态分布）的機率峰值出現在min,max的數學期望值即(max + min) / 2.0。
約67%的值分布在以min,max數學期望為中心的1.0 / threshold 這個區間。
約95%的值分布在以min,max數學期望為中心的2.0 / threshold 這個區間。
是以threshold越大，資料資料越集中在min,max的數學期望附近。
3 指數分布
\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，随機值接近min的機率越大，反之，threshold越小，随機值接近max的機率越大)
threshold 越接近0，則越趨于随機分布，而不是指數分布。
長尾分布
\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 取值範圍: [1.001, 1000]
k 的機率為k+1 的((k+1)/k)^threshold 次方
threshold越大, 機率曲線越陡峭, 頭部值(begin值)出現機率越高. 遞弱代償線越陡峭.
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.
今天隻講了關于随機資料生成的其中一種方法, PG裡面生成随機資料還有大把的方法, 包括自己寫函數或inline code, 結合内置的srf函數等(如generate_series).
海量資料的生成方法、各處場景的壓測, 請參考末尾文章.
參考
pgbench
https://www.postgresql.org/docs/devel/pgbench.html201711/20171107_48.md
《HTAP資料庫PostgreSQL 場景與性能測試之47 - (OLTP多模優化) 空間應用- 高并發空間位置更新、多屬性KNN搜尋并測（含空間索引）末端配送、新零售類項目》201711/20171107_47.md
《HTAP資料庫PostgreSQL 場景與性能測試之46 - (OLTP) 大json字段的高并發更新》201711/20171107_46.md
《HTAP資料庫PostgreSQL 場景與性能測試之45 - (OLTP) 資料量與性能的線性關系(10億+無衰減), 暨單表多大需要分區》201711/20171107_45.md
《[未完待續] HTAP資料庫PostgreSQL 場景與性能測試之44 - (OLTP) 空間應用- 空間包含查詢(輸入多邊形包含表内空間對象)》201711/20171107_44.md
《HTAP資料庫PostgreSQL 場景與性能測試之43 - (OLTP+OLAP) unlogged table 含索引多表批量寫入》201711/20171107_43.md
《HTAP資料庫PostgreSQL 場景與性能測試之42 - (OLTP+OLAP) unlogged table 不含索引多表批量寫入》201711/20171107_42.md
《HTAP資料庫PostgreSQL 場景與性能測試之41 - (OLTP+OLAP) 含索引多表批量寫入》201711/20171107_41.md
《HTAP資料庫PostgreSQL 場景與性能測試之40 - (OLTP+OLAP) 不含索引多表批量寫入》201711/20171107_40.md
《HTAP資料庫PostgreSQL 場景與性能測試之39 - (OLTP+OLAP) logged & unlogged table 含索引多表單點寫入》201711/20171107_39.md
《HTAP資料庫PostgreSQL 場景與性能測試之38 - (OLTP+OLAP) logged & unlogged table 不含索引多表單點寫入》201711/20171107_38.md
《HTAP資料庫PostgreSQL 場景與性能測試之37 - (OLTP+OLAP) 含索引單表批量寫入》201711/20171107_37.md
《HTAP資料庫PostgreSQL 場景與性能測試之36 - (OLTP+OLAP) 不含索引單表批量寫入》201711/20171107_36.md
《HTAP資料庫PostgreSQL 場景與性能測試之35 - (OLTP+OLAP) 含索引單表單點寫入》201711/20171107_35.md
《HTAP資料庫PostgreSQL 場景與性能測試之34 - (OLTP+OLAP) 不含索引單表單點寫入》201711/20171107_34.md
《HTAP資料庫PostgreSQL 場景與性能測試之33 - (OLAP) 物聯網- 線性字段區間實時統計》201711/20171107_33.md
《HTAP資料庫PostgreSQL 場景與性能測試之32 - (OLTP) 高吞吐資料進出(堆存、行掃、無需索引) - 閱後即焚(JSON + 函數流式計算)》201711/20171107_32.md
《HTAP資料庫PostgreSQL 場景與性能測試之31 - (OLTP) 高吞吐資料進出(堆存、行掃、無需索引) - 閱後即焚(讀寫大吞吐并測)》201711/20171107_31.md
《HTAP資料庫PostgreSQL 場景與性能測試之30 - (OLTP) 秒殺- 高并發單點更新》201711/20171107_30.md
《HTAP資料庫PostgreSQL 場景與性能測試之29 - (OLTP) 空間應用- 高并發空間位置更新（含空間索引）》201711/20171107_29.md
《HTAP資料庫PostgreSQL 場景與性能測試之28 - (OLTP) 高并發點更新》201711/20171107_28.md
《HTAP資料庫PostgreSQL 場景與性能測試之27 - (OLTP) 物聯網- FEED日志, 流式處理與閱後即焚(CTE)》201711/20171107_27.md
《HTAP資料庫PostgreSQL 場景與性能測試之26 - (OLTP) NOT IN、NOT EXISTS 查詢》201711/20171107_26.md
《HTAP資料庫PostgreSQL 場景與性能測試之25 - (OLTP) IN , EXISTS 查詢》201711/20171107_25.md
《HTAP資料庫PostgreSQL 場景與性能測試之24 - (OLTP) 物聯網- 時序資料并發寫入(含時序索引BRIN)》201711/20171107_24.md
《HTAP資料庫PostgreSQL 場景與性能測試之23 - (OLAP) 并行計算》201711/20171107_23.md
《HTAP資料庫PostgreSQL 場景與性能測試之22 - (OLTP) merge insert|upsert|insert on conflict|合并寫入》201711/20171107_22.md
《HTAP資料庫PostgreSQL 場景與性能測試之21 - (OLTP+OLAP) 排序、建索引》201711/20171107_21.md
《HTAP資料庫PostgreSQL 場景與性能測試之20 - (OLAP) 使用者畫像圈人場景- 多個字段任意組合條件篩選與透視》201711/20171107_20.md
《HTAP資料庫PostgreSQL 場景與性能測試之19 - (OLAP) 使用者畫像圈人場景- 數組相交查詢與聚合》201711/20171107_19.md
《HTAP資料庫PostgreSQL 場景與性能測試之18 - (OLAP) 使用者畫像圈人場景- 數組包含查詢與聚合》201711/20171107_18.md
《HTAP資料庫PostgreSQL 場景與性能測試之17 - (OLTP) 數組相似查詢》201711/20171107_17.md
《HTAP資料庫PostgreSQL 場景與性能測試之16 - (OLTP) 文本特征向量- 相似特征(海明...)查詢》201711/20171107_16.md
《HTAP資料庫PostgreSQL 場景與性能測試之15 - (OLTP) 物聯網- 查詢一個時序區間的資料》201711/20171107_15.md
《HTAP資料庫PostgreSQL 場景與性能測試之14 - (OLTP) 字元串搜尋- 全文檢索》201711/20171107_14.md
《HTAP資料庫PostgreSQL 場景與性能測試之13 - (OLTP) 字元串搜尋- 相似查詢》201711/20171107_13.md
《HTAP資料庫PostgreSQL 場景與性能測試之12 - (OLTP) 字元串搜尋- 前後模糊查詢》201711/20171107_12.md
《HTAP資料庫PostgreSQL 場景與性能測試之11 - (OLTP) 字元串搜尋- 字尾查詢》201711/20171107_11.md
《HTAP資料庫PostgreSQL 場景與性能測試之10 - (OLTP) 字元串搜尋- 字首查詢》201711/20171107_10.md
《HTAP資料庫PostgreSQL 場景與性能測試之9 - (OLTP) 字元串模糊查詢- 含索引實時寫入》201711/20171107_09.md
《HTAP資料庫PostgreSQL 場景與性能測試之8 - (OLTP) 多值類型(數組)含索引實時寫入》201711/20171107_08.md
《HTAP資料庫PostgreSQL 場景與性能測試之7 - (OLTP) 全文檢索- 含索引實時寫入》201711/20171107_07.md
《HTAP資料庫PostgreSQL 場景與性能測試之6 - (OLTP) 空間應用- KNN查詢（搜尋附近對象，由近到遠排序輸出）》201711/20171107_06.md
《HTAP資料庫PostgreSQL 場景與性能測試之5 - (OLTP) 空間應用- 空間包含查詢(表内多邊形包含輸入空間對象)》201711/20171107_05.md
《HTAP資料庫PostgreSQL 場景與性能測試之4 - (OLAP) 大表OUTER JOIN統計查詢》201711/20171107_49.md
《HTAP資料庫PostgreSQL 場景與性能測試之3.1 - (OLAP) 大表JOIN統計查詢-10億join 1億agg》201711/20171107_04.md
《HTAP資料庫PostgreSQL 場景與性能測試之3 - (OLAP) 大表JOIN統計查詢》201711/20171107_03.md
《HTAP資料庫PostgreSQL 場景與性能測試之2 - (OLTP) 多表JOIN》201711/20171107_02.md
《HTAP資料庫PostgreSQL 場景與性能測試之1 - (OLTP) 點查》202001/20200103_01.md
201711/20171121_01.md
![2021年危險化學品經營機關安全管理人員考試題庫及危險化學品經營機關安全管理人員考試技巧[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)