| Version 85 (modified by , 5 days ago) ( diff ) |
|---|
Оптимизација на прашалници
Анализа и оптимизација на Venue_Layout
Овој поглед ја прикажува деталната физичка структура на секој објект, декомпонирајќи го просторот од ниво на локација до конкретно седиште. Со линеарно поврзување на хиерархијата Venue -> Section -> Seat, погледот овозможува брза верификација на капацитетот и распоредот, што е неопходно за логистичко планирање на настаните.
CREATE OR REPLACE VIEW "Venue_Layout" AS
SELECT v.venue_id, v.name AS venue_name, s.section_id, s.name AS section_name, st.seat_id, st.row_number, st.seat_number
FROM "Venue" v
JOIN "Section" s ON v.venue_id = s.venue_id
JOIN "Seat" st ON s.section_id = st.section_id;
Погледот е веќе најоптимално напишан со користење на постоечките уникатни констреинти и не бара дополнителни модификации.
1. Примарен филтер:
Примарен филтер за овој поглед е venue_id (ID на објектот), бидејќи најчестото пребарување е насочено кон визуелизација или вчитување на комплетната мапа на седишта за еден конкретен објект кога се купува билет.
2. Случај на употреба:
Погледот се користи при интерактивниот приказ на салата/стадионот во корисничкиот интерфејс. Кога купувачот ќе избере настан, апликацијата мора веднаш да го исцрта распоредот на седишта по секции и редови за тој објект. Перформансите тука директно влијаат врз брзината на вчитување на корисничката страница за избор на седиште.
3. Иницијално време:
- SELECT: 2.190 ms
- INSERT: 4.752 ms
- UPDATE: 0.133 ms
4. Анализа на планот на извршување (без индекси):
При SELECT операцијата, PostgreSQL паметно ги користи веќе постоечките уникатни индекси генерирани од бизнис констреинтите, овозможувајќи брз Index Scan. Планерот успешно ги мапира релациите без потреба од дополнителни оптимизации.
- SELECT
EXPLAIN ANALYZE SELECT * FROM "Venue_Layout" WHERE venue_id = 1;
| QUERY PLAN | |
|---|---|
| Nested Loop (cost\=1.01..9625.30 rows\=2264 width\=54) (actual time\=0.868..2.190 rows\=775.00 loops\=1) | |
| Buffers | shared hit\=21 read\=13 dirtied\=1 |
| -> Nested Loop (cost\=0.57..25.51 rows\=6 width\=38) (actual time\=0.622..0.627 rows\=5.00 loops\=1) | |
| Buffers | shared read\=6 |
| -> Index Scan using ""Venue_pkey"" on ""Venue"" v (cost\=0.29..8.30 rows\=1 width\=28) (actual time\=0.071..0.072 rows\=1.00 loops\=1) | |
| Index Cond | (venue_id \= 1) |
| Index Searches | 1 |
| Buffers | shared read\=3 |
| -> Index Scan using uq_section_venue_name on ""Section"" s (cost\=0.29..17.14 rows\=6 width\=18) (actual time\=0.548..0.550 rows\=5.00 loops\=1) | |
| Index Cond | (venue_id \= 1) |
| Index Searches | 1 |
| Buffers | shared read\=3 |
| -> Index Scan using uq_seat_section_number on ""Seat"" st (cost\=0.44..1590.95 rows\=901 width\=24) (actual time\=0.056..0.282 rows\=155.00 loops\=5) | |
| Index Cond | (section_id \= s.section_id) |
| Index Searches | 5 |
| Buffers | shared hit\=21 read\=7 dirtied\=1 |
| Planning | |
| Buffers | shared hit\=14 read\=22 |
| Planning Time | 5.752 ms |
| Execution Time | 2.271 ms |
- INSERT
EXPLAIN ANALYZE INSERT INTO "Seat" (seat_id, section_id, row_number, seat_number) VALUES (99999999, 1, 1, 99);
| QUERY PLAN | |
|---|---|
| Insert on ""Seat"" (cost\=0.00..0.01 rows\=0 width\=0) (actual time\=4.492..4.493 rows\=0.00 loops\=1) | |
| Buffers | shared hit\=5 read\=6 dirtied\=3 |
| -> Result (cost\=0.00..0.01 rows\=1 width\=24) (actual time\=0.001..0.001 rows\=1.00 loops\=1) | |
| Planning Time | 0.033 ms |
| Trigger for constraint fk_seat_section | time\=0.243 calls\=1 |
| Execution Time | 4.752 ms |
- UPDATE
EXPLAIN ANALYZE UPDATE "Seat" SET seat_number = 100 WHERE seat_id = 99999999;
| QUERY PLAN | |
|---|---|
| Update on ""Seat"" (cost\=0.44..8.46 rows\=0 width\=0) (actual time\=0.101..0.102 rows\=0.00 loops\=1) | |
| Buffers | shared hit\=12 |
| -> Index Scan using ""Seat_pkey"" on ""Seat"" (cost\=0.44..8.46 rows\=1 width\=10) (actual time\=0.031..0.032 rows\=1.00 loops\=1) | |
| Index Cond | (seat_id \= 99999999) |
| Index Searches | 1 |
| Buffers | shared hit\=4 |
| Planning Time | 0.125 ms |
| Execution Time | 0.133 ms |
5. Оптимизација и индексирање:
Бидејќи постоечките уникатни констреинти веќе идеално ги покриваат JOIN релациите, креирањето на дополнителни индекси е непотребно и би довело до залудно трошење на мемориски ресурси. Погледот е веќе оптимизиран. Доволно е само да се изврши:
ANALYZE "Venue"; ANALYZE "Section"; ANALYZE "Seat";
Анализа и оптимизација на User_Tickets
Овој поглед дава детален хронолошки преглед на сите купени поединечни билети по корисник, вклучувајќи ја точната платена цена, QR-кодот за влез и терминот на настанот. Преку релацијата со ставките за рефундација, погледот нуди и инстантна информација за тоа кои карти се откажани и кога се вратени парите.
CREATE OR REPLACE VIEW "User_Tickets" AS
SELECT u.user_id,
u.username,
toi.order_item_id,
t.ticket_id,
e.event_id,
e.name AS event_name,
eh.event_time,
toi.qr_code,
toi.item_price AS price_paid,
tri.refund_item_id,
tr.refund_time
FROM "User" u
JOIN "Regular_User" ru ON u.user_id = ru.user_id
JOIN "Ticket_Order" o ON ru.user_id = o.user_id
JOIN "Ticket_Order_Item" toi ON o.order_id = toi.order_id
JOIN "Ticket" t ON toi.ticket_id = t.ticket_id
JOIN "Event_Happening" eh ON t.event_happening_id = eh.event_happening_id
JOIN "Event" e ON eh.event_id = e.event_id
LEFT JOIN "Ticket_Refund_Item" tri ON toi.order_item_id = tri.order_item_id
LEFT JOIN "Ticket_Refund" tr ON tri.refund_id = tr.refund_id;
Погледот е веќе најоптимално напишан и не треба да се преуредува.
1. Примарен филтер:
Примарен филтер за овој поглед е user_id (ID на корисникот), бидејќи најчестото и критично пребарување е кога најавениот клиент ја отвора својата корисничка профилна страница за да ги види своите активни или минати билети.
2. Случај на употреба:
Погледот претставува јадро на апликацијата во делот за дигитални билети (My Tickets). Секојпат кога корисникот сака да го прикаже својот QR-код на билетот за некој настан, системот го извршува овој прашалник. Доцнење на овој одзив предизвикува лошо корисничко искуство и застој на влезните капии.
3. Иницијално време:
- SELECT: 676.751 ms (Исклучително бавно поради комплексноста од 9 поврзани табели и секвенцијално скенирање на огромната табела за билети).
- INSERT: 18.187 ms (Бавно извршување поради диск операции при евалуација на констреинтите).
- UPDATE: 0.071 ms (Инстантна брзина благодарение на примарниот клуч).
4. Анализа на планот на извршување (без индекси):
При селекција без индекси, базата е принудена да користи Gather операција со два дополнителни паралелни работници (Workers Planned: 2). Најголемиот проблем се јавува во тоа што се врши секвенцијално скенирање со проверка на релациите низ хард дискот, што генерира огромни 38,603 диск читања (shared read=38603). Кај INSERT операцијата, дури 17.637 ms се губат во тригерите за проверка на foreign key констреинтите бидејќи базата нема брза индексна патека до поврзаните записи.
- SELECT
EXPLAIN ANALYZE SELECT * FROM "User_Tickets" WHERE user_id = 5;
| QUERY PLAN |
|---|
| Gather (cost\=66949.49..416072.10 rows\=4 width\=145) (actual time\=667.628..676.676 rows\=0.00 loops\=1) |
| Workers Planned: 2 |
| Workers Launched: 2 |
| Buffers: shared read\=38603 |
| -> Nested Loop Left Join (cost\=65949.49..415071.70 rows\=2 width\=145) (actual time\=612.744..612.748 rows\=0.00 loops\=3) |
| Buffers: shared read\=38603 |
| -> Nested Loop Left Join (cost\=65949.07..415070.67 rows\=2 width\=145) (actual time\=612.743..612.747 rows\=0.00 loops\=3) |
| Buffers: shared read\=38603 |
| -> Nested Loop (cost\=65948.64..415069.63 rows\=2 width\=129) (actual time\=612.742..612.746 rows\=0.00 loops\=3) |
| Buffers: shared read\=38603 |
| -> Nested Loop (cost\=65948.35..415068.90 rows\=2 width\=98) (actual time\=612.742..612.745 rows\=0.00 loops\=3) |
| Buffers: shared read\=38603 |
| -> Nested Loop (cost\=65948.07..415068.27 rows\=2 width\=90) (actual time\=612.741..612.745 rows\=0.00 loops\=3) |
| Buffers: shared read\=38603 |
| -> Nested Loop (cost\=65947.63..415065.48 rows\=2 width\=82) (actual time\=612.741..612.744 rows\=0.00 loops\=3) |
| Buffers: shared read\=38603 |
| -> Parallel Hash Join (cost\=65946.77..415052.55 rows\=2 width\=62) (actual time\=612.740..612.743 rows\=0.00 loops\=3) |
| Hash Cond: (toi.order_id \= o.order_id) |
| Buffers: shared read\=38603 |
| -> Parallel Seq Scan on ""Ticket_Order_Item"" toi (cost\=0.00..326137.01 rows\=8750001 width\=62) (never executed) |
| -> Parallel Hash (cost\=65946.76..65946.76 rows\=1 width\=16) (actual time\=612.667..612.667 rows\=0.00 loops\=3) |
| Buckets: 1024 Batches: 1 Memory Usage: 0kB |
| Buffers: shared read\=38603 |
| -> Parallel Seq Scan on ""Ticket_Order"" o (cost\=0.00..65946.76 rows\=1 width\=16) (actual time\=612.428..612.428 rows\=0.00 loops\=3) |
| Filter: (user_id \= 5) |
| Rows Removed by Filter: 1750000 |
| Buffers: shared read\=38603 |
| -> Materialize (cost\=0.86..12.91 rows\=1 width\=36) (never executed) |
| -> Nested Loop (cost\=0.86..12.90 rows\=1 width\=36) (never executed) |
| -> Index Scan using ""User_pkey"" on ""User"" u (cost\=0.43..8.45 rows\=1 width\=28) (never executed) |
| Index Cond: (user_id \= 5) |
| Index Searches: 0 |
| -> Index Only Scan using ""Regular_User_pkey"" on ""Regular_User"" ru (cost\=0.43..4.45 rows\=1 width\=8) (never executed) |
| Index Cond: (user_id \= 5) |
| Heap Fetches: 0 |
| Index Searches: 0 |
| -> Index Scan using ""Ticket_pkey"" on ""Ticket"" t (cost\=0.44..1.39 rows\=1 width\=16) (never executed) |
| Index Cond: (ticket_id \= toi.ticket_id) |
| Index Searches: 0 |
| -> Index Scan using ""Event_Happening_pkey"" on ""Event_Happening"" eh (cost\=0.29..0.31 rows\=1 width\=24) (never executed) |
| Index Cond: (event_happening_id \= t.event_happening_id) |
| Index Searches: 0 |
| -> Index Scan using ""Event_pkey"" on ""Event"" e (cost\=0.29..0.37 rows\=1 width\=39) (never executed) |
| Index Cond: (event_id \= eh.event_id) |
| Index Searches: 0 |
| -> Index Scan using ""Ticket_Refund_Item_order_item_id_key"" on ""Ticket_Refund_Item"" tri (cost\=0.43..0.52 rows\=1 width\=24) (never executed) |
| Index Cond: (order_item_id \= toi.order_item_id) |
| Index Searches: 0 |
| -> Index Scan using ""Ticket_Refund_pkey"" on ""Ticket_Refund"" tr (cost\=0.42..0.52 rows\=1 width\=16) (never executed) |
| Index Cond: (refund_id \= tri.refund_id) |
| Index Searches: 0 |
| Planning: |
| Buffers: shared hit\=38 read\=57 dirtied\=3 |
| Planning Time: 29.035 ms |
| Execution Time: 676.751 ms |
- INSERT
EXPLAIN ANALYZE INSERT INTO "Ticket_Order_Item" (order_item_id, order_id, ticket_id, item_price, qr_code) VALUES (99999999, 1, 1, 1200.00, '3ebd5fa12ea8781d1e9ae4333484984a');
| QUERY PLAN |
|---|
| Insert on ""Ticket_Order_Item"" (cost\=0.00..0.01 rows\=0 width\=0) (actual time\=17.637..17.638 rows\=0.00 loops\=1) |
| Buffers: shared hit\=4 read\=3 dirtied\=1 |
| -> Result (cost\=0.00..0.01 rows\=1 width\=556) (actual time\=0.001..0.002 rows\=1.00 loops\=1) |
| Planning Time: 0.029 ms |
| Trigger for constraint fk_item_order: time\=0.342 calls\=1 |
| Trigger for constraint fk_item_ticket: time\=0.191 calls\=1 |
| Execution Time: 18.187 ms |
- UPDATE
EXPLAIN ANALYZE UPDATE "Ticket_Order_Item" SET qr_code = '3ebd5fa12ec8781d1e9ae4333484984a' WHERE order_item_id = 99999999;
| QUERY PLAN |
|---|
| Update on ""Ticket_Order_Item"" (cost\=0.44..8.46 rows\=0 width\=0) (actual time\=0.051..0.052 rows\=0.00 loops\=1) |
| Buffers: shared hit\=7 |
| -> Index Scan using ""Ticket_Order_Item_pkey"" on ""Ticket_Order_Item"" (cost\=0.44..8.46 rows\=1 width\=522) (actual time\=0.023..0.024 rows\=1.00 loops\=1) |
| Index Cond: (order_item_id \= 99999999) |
| Index Searches: 1 |
| Buffers: shared hit\=4 |
| Planning Time: 0.137 ms |
| Execution Time: 0.071 ms |
5. Оптимизација и индексирање:
За драстично кратење на времето, воведуваме B-tree индекси врз надворешните клучеви кои ја контролираат хиерархијата на релациите од корисникот па се до ставката на нарачката. Дополнително, се извршува ANALYZE за стабилизација на статистиките.
CREATE INDEX CONCURRENTLY idx_ticket_order_user_id ON "Ticket_Order" (user_id); CREATE INDEX CONCURRENTLY idx_toi_order_id ON "Ticket_Order_Item" (order_id); CREATE INDEX CONCURRENTLY idx_toi_ticket_id ON "Ticket_Order_Item" (ticket_id); ANALYZE "Ticket_Order"; ANALYZE "Ticket_Order_Item";
6. Резултат по оптимизација:
По воведувањето на индексите и ажурирањето на статистиката, добиен е најголемиот перформансен бенефит во системот:
- Времето за SELECT падна на неверојатни 0.073 ms, што претставува забрзување од над 9.000 пати. Читањето од диск е целосно елиминирано (shared read=0), а базата сега извршува директен и молскавично брз Index Scan во RAM меморијата користејќи само 11 мемориски буфери.
- Времето за INSERT падна на 0.655 ms (околу 27 пати побрзо), со оглед на тоа што проверката на foreign key констреинтите сега веднаш се резолвира преку новите индексни структури.
- Операцијата UPDATE ги задржа своите стабилни и конзистентни под-милисекундни перформанси (0.135 ms).
- SELECT
EXPLAIN ANALYZE SELECT * FROM "User_Tickets" WHERE user_id = 99;
| QUERY PLAN |
|---|
| Nested Loop Left Join (cost\=3.59..42.94 rows\=4 width\=145) (actual time\=0.070..0.073 rows\=0.00 loops\=1) |
| Buffers: shared hit\=11 |
| -> Nested Loop Left Join (cost\=3.17..40.87 rows\=4 width\=145) (actual time\=0.070..0.072 rows\=0.00 loops\=1) |
| Buffers: shared hit\=11 |
| -> Nested Loop (cost\=2.74..38.81 rows\=4 width\=129) (actual time\=0.070..0.071 rows\=0.00 loops\=1) |
| Buffers: shared hit\=11 |
| -> Nested Loop (cost\=2.46..37.34 rows\=4 width\=98) (actual time\=0.069..0.071 rows\=0.00 loops\=1) |
| Buffers: shared hit\=11 |
| -> Nested Loop (cost\=2.17..36.09 rows\=4 width\=90) (actual time\=0.069..0.071 rows\=0.00 loops\=1) |
| Buffers: shared hit\=11 |
| -> Nested Loop (cost\=1.73..30.51 rows\=4 width\=82) (actual time\=0.069..0.070 rows\=0.00 loops\=1) |
| Buffers: shared hit\=11 |
| -> Nested Loop (cost\=1.29..21.36 rows\=1 width\=36) (actual time\=0.069..0.069 rows\=0.00 loops\=1) |
| Buffers: shared hit\=11 |
| -> Nested Loop (cost\=0.86..12.90 rows\=1 width\=36) (actual time\=0.039..0.041 rows\=1.00 loops\=1) |
| Buffers: shared hit\=8 |
| -> Index Scan using ""User_pkey"" on ""User"" u (cost\=0.43..8.45 rows\=1 width\=28) (actual time\=0.017..0.018 rows\=1.00 loops\=1) |
| Index Cond: (user_id \= 99) |
| Index Searches: 1 |
| Buffers: shared hit\=4 |
| -> Index Only Scan using ""Regular_User_pkey"" on ""Regular_User"" ru (cost\=0.43..4.45 rows\=1 width\=8) (actual time\=0.018..0.019 rows\=1.00 loops\=1) |
| Index Cond: (user_id \= 99) |
| Heap Fetches: 0 |
| Index Searches: 1 |
| Buffers: shared hit\=4 |
| -> Index Scan using idx_ticket_order_user_id on ""Ticket_Order"" o (cost\=0.43..8.44 rows\=1 width\=16) (actual time\=0.027..0.027 rows\=0.00 loops\=1) |
| Index Cond: (user_id \= 99) |
| Index Searches: 1 |
| Buffers: shared hit\=3 |
| -> Index Scan using idx_toi_order_id on ""Ticket_Order_Item"" toi (cost\=0.44..8.89 rows\=26 width\=62) (never executed) |
| Index Cond: (order_id \= o.order_id) |
| Index Searches: 0 |
| -> Index Scan using ""Ticket_pkey"" on ""Ticket"" t (cost\=0.44..1.39 rows\=1 width\=16) (never executed) |
| Index Cond: (ticket_id \= toi.ticket_id) |
| Index Searches: 0 |
| -> Index Scan using ""Event_Happening_pkey"" on ""Event_Happening"" eh (cost\=0.29..0.31 rows\=1 width\=24) (never executed) |
| Index Cond: (event_happening_id \= t.event_happening_id) |
| Index Searches: 0 |
| -> Index Scan using ""Event_pkey"" on ""Event"" e (cost\=0.29..0.37 rows\=1 width\=39) (never executed) |
| Index Cond: (event_id \= eh.event_id) |
| Index Searches: 0 |
| -> Index Scan using ""Ticket_Refund_Item_order_item_id_key"" on ""Ticket_Refund_Item"" tri (cost\=0.43..0.52 rows\=1 width\=24) (never executed) |
| Index Cond: (order_item_id \= toi.order_item_id) |
| Index Searches: 0 |
| -> Index Scan using ""Ticket_Refund_pkey"" on ""Ticket_Refund"" tr (cost\=0.42..0.52 rows\=1 width\=16) (never executed) |
| Index Cond: (refund_id \= tri.refund_id) |
| Index Searches: 0 |
| Planning: |
| Buffers: shared hit\=295 read\=8 |
| Planning Time: 74.096 ms |
| Execution Time: 0.196 ms |
- INSERT
EXPLAIN ANALYZE INSERT INTO "Ticket_Order_Item" (order_item_id, order_id, ticket_id, item_price, qr_code) VALUES (77777777, 1, 1, 1200.00, '3ebc5fd22ec8681d1e9ae4333484984a');
| QUERY PLAN |
|---|
| Insert on ""Ticket_Order_Item"" (cost\=0.00..0.01 rows\=0 width\=0) (actual time\=0.307..0.307 rows\=0.00 loops\=1) |
| Buffers: shared hit\=12 dirtied\=3 |
| -> Result (cost\=0.00..0.01 rows\=1 width\=556) (actual time\=0.001..0.001 rows\=1.00 loops\=1) |
| Planning Time: 0.032 ms |
| Trigger for constraint fk_item_order: time\=0.200 calls\=1 |
| Trigger for constraint fk_item_ticket: time\=0.132 calls\=1 |
| Execution Time: 0.655 ms |
- UPDATE
EXPLAIN ANALYZE UPDATE "Ticket_Order_Item" SET qr_code = '3ebc5fd20ec8681d1e9ee5733484984a' WHERE order_item_id = 77777777;
| QUERY PLAN |
|---|
| Update on ""Ticket_Order_Item"" (cost\=0.44..8.46 rows\=0 width\=0) (actual time\=0.091..0.091 rows\=0.00 loops\=1) |
| Buffers: shared hit\=7 |
| -> Index Scan using ""Ticket_Order_Item_pkey"" on ""Ticket_Order_Item"" (cost\=0.44..8.46 rows\=1 width\=522) (actual time\=0.022..0.023 rows\=1.00 loops\=1) |
| Index Cond: (order_item_id \= 77777777) |
| Index Searches: 1 |
| Buffers: shared hit\=4 |
| Planning Time: 0.120 ms |
| Execution Time: 0.135 ms |
Анализа и оптимизација на Future_Events
Овој поглед служи за динамично генерирање на репертоарот, прикажувајќи ги исклучиво претстојните настани преку филтрирање на изминатите термини во однос на моменталното време на системот. Дополнително, тој ја прикажува комплетната географска адреса и локација на објектот каде ќе се одржи настанот.
CREATE OR REPLACE VIEW "Future_Events" AS
SELECT
e.event_id,
e.name AS event_name,
eh.event_happening_id,
eh.event_time,
v.venue_id,
v.name AS venue_name,
v.address_street AS street,
v.address_city AS city,
v.address_country AS country
FROM "Event" e
JOIN "Event_Happening" eh ON e.event_id = eh.event_id
JOIN "Venue" v ON eh.venue_id = v.venue_id
WHERE eh.event_time > CURRENT_TIMESTAMP;
Погледот е веќе најоптимално напишан и не треба да се преуредува.
1. Примарен филтер:
Примарниот филтер е колоната event_time во табелата Event_Happening. Погледот постојано го бара само подмножеството на записи кои се во иднина.
2. Случај на употреба:
Овој поглед е „лицето“ на платформата. Се користи при вчитување на листата на претстојни настани за корисниците. Ефикасноста овде директно го дефинира времето на првично вчитување на апликацијата.
3. Иницијално време:
- SELECT: 100.080 ms (Бавно поради Seq Scan низ илјадници записи во
Event_Happeningза проверка на времето). - INSERT: 12.452 ms (Процесирањето на тригерите и запишувањето на податокот).
- UPDATE: 0.104 ms (Инстантна брзина преку primary key).
4. Анализа на планот на извршување (без индекси):
Без индекс на времето, базата мораше да прави Sequential Scan низ целата табела Event_Happening (12,973 записи), што резултираше со бавно филтрирање во меморијата (Filter: event_time > CURRENT_TIMESTAMP). Дополнително, базата трошеше непотребни 466 читања од диск за да ја провери секоја редица.
- SELECT
EXPLAIN ANALYZE SELECT * FROM "Future_Events" WHERE city = 'London';
| QUERY PLAN |
|---|
| Nested Loop (cost\=263.49..1377.68 rows\=332 width\=121) (actual time\=3.243..100.080 rows\=340.00 loops\=1) |
| Buffers: shared hit\=778 read\=844 |
| -> Hash Join (cost\=263.20..1234.31 rows\=332 width\=90) (actual time\=2.695..18.025 rows\=340.00 loops\=1) |
| Hash Cond: (eh.venue_id \= v.venue_id) |
| Buffers: shared hit\=2 read\=600 |
| -> Seq Scan on ""Event_Happening"" eh (cost\=0.00..937.09 rows\=12957 width\=32) (actual time\=0.154..12.105 rows\=12973.00 loops\=1) |
| Filter: (event_time > CURRENT_TIMESTAMP) |
| Rows Removed by Filter: 18365 |
| Buffers: shared hit\=1 read\=466 |
| -> Hash (cost\=260.00..260.00 rows\=256 width\=66) (actual time\=2.516..2.517 rows\=256.00 loops\=1) |
| Buckets: 1024 Batches: 1 Memory Usage: 33kB |
| Buffers: shared hit\=1 read\=134 |
| -> Seq Scan on ""Venue"" v (cost\=0.00..260.00 rows\=256 width\=66) (actual time\=0.222..2.393 rows\=256.00 loops\=1) |
| Filter: ((address_city)::text \= 'London'::text) |
| Rows Removed by Filter: 9744 |
| Buffers: shared hit\=1 read\=134 |
| -> Index Scan using ""Event_pkey"" on ""Event"" e (cost\=0.29..0.43 rows\=1 width\=39) (actual time\=0.237..0.237 rows\=1.00 loops\=340) |
| Index Cond: (event_id \= eh.event_id) |
| Index Searches: 340 |
| Buffers: shared hit\=776 read\=244 |
| Planning: |
| Buffers: shared hit\=31 read\=8 |
| Planning Time: 0.659 ms |
| Execution Time: 100.249 ms |
- INSERT
EXPLAIN ANALYZE INSERT INTO "Event_Happening" (event_happening_id, event_id, venue_id, event_time, duration_minutes, organizers) VALUES (99999999, 1, 1, '2026-12-31 20:00:00', 120, 'Avalon Production');
| QUERY PLAN |
|---|
| Insert on ""Event_Happening"" (cost\=0.00..0.01 rows\=0 width\=0) (actual time\=12.004..12.005 rows\=0.00 loops\=1) |
| Buffers: shared hit\=4 read\=5 dirtied\=1 |
| -> Result (cost\=0.00..0.01 rows\=1 width\=100) (actual time\=0.002..0.003 rows\=1.00 loops\=1) |
| Planning Time: 0.047 ms |
| Trigger for constraint fk_happening_event: time\=0.276 calls\=1 |
| Trigger for constraint fk_happening_venue: time\=0.134 calls\=1 |
| Execution Time: 12.452 ms |
- UPDATE
EXPLAIN ANALYZE UPDATE "Event_Happening" SET event_time = '2027-01-01 21:00:00' WHERE event_happening_id = 99999999;
| QUERY PLAN |
|---|
| Update on ""Event_Happening"" (cost\=0.29..8.30 rows\=0 width\=0) (actual time\=0.072..0.072 rows\=0.00 loops\=1) |
| Buffers: shared hit\=12 |
| -> Index Scan using ""Event_Happening_pkey"" on ""Event_Happening"" (cost\=0.29..8.30 rows\=1 width\=14) (actual time\=0.023..0.024 rows\=1.00 loops\=1) |
| Index Cond: (event_happening_id \= 99999999) |
| Index Searches: 1 |
| Buffers: shared hit\=3 |
| Planning Time: 0.089 ms |
| Execution Time: 0.104 ms |
5. Оптимизација и индексирање:
За да се елиминира потребата од пребарување на целата табела, креиравме B-tree индекс врз колоната event_time. Ова му овозможува на планерот да го лоцира временскиот „праг“ моментално.
CREATE INDEX CONCURRENTLY idx_event_happening_time ON "Event_Happening" (event_time); ANALYZE "Event_Happening";
6. Резултат по оптимизација:
Со воведувањето на индексот, базата премина на Bitmap Index Scan, што значи дека ја чита само релевантната мапа на записи наместо целиот диск.
- Времето за SELECT падна на 8.451 ms, што е приближно 12 пати побрзо.
- Времето за INSERT падна на 0.458 ms (околу 27 пати побрзо), бидејќи индексната структура се ажурира ефикасно.
- SELECT
EXPLAIN ANALYZE SELECT * FROM "Future_Events" WHERE city = 'Berlin';
| QUERY PLAN |
|---|
| Nested Loop (cost\=509.90..1246.42 rows\=96 width\=121) (actual time\=2.527..8.451 rows\=114.00 loops\=1) |
| Buffers: shared hit\=981 |
| -> Hash Join (cost\=509.62..1204.96 rows\=96 width\=90) (actual time\=2.504..7.880 rows\=114.00 loops\=1) |
| Hash Cond: (eh.venue_id \= v.venue_id) |
| Buffers: shared hit\=639 |
| -> Bitmap Heap Scan on ""Event_Happening"" eh (cost\=248.69..910.02 rows\=12955 width\=32) (actual time\=0.722..3.795 rows\=12973.00 loops\=1) |
| Recheck Cond: (event_time > CURRENT_TIMESTAMP) |
| Heap Blocks: exact\=467 |
| Buffers: shared hit\=504 |
| -> Bitmap Index Scan on idx_event_happening_time (cost\=0.00..245.45 rows\=12955 width\=0) (actual time\=0.656..0.656 rows\=12976.00 loops\=1) |
| Index Cond: (event_time > CURRENT_TIMESTAMP) |
| Index Searches: 1 |
| Buffers: shared hit\=37 |
| -> Hash (cost\=260.00..260.00 rows\=74 width\=66) (actual time\=1.770..1.771 rows\=74.00 loops\=1) |
| Buckets: 1024 Batches: 1 Memory Usage: 15kB |
| Buffers: shared hit\=135 |
| -> Seq Scan on ""Venue"" v (cost\=0.00..260.00 rows\=74 width\=66) (actual time\=0.011..1.739 rows\=74.00 loops\=1) |
| Filter: ((address_city)::text \= 'Berlin'::text) |
| Rows Removed by Filter: 9926 |
| Buffers: shared hit\=135 |
| -> Index Scan using ""Event_pkey"" on ""Event"" e (cost\=0.29..0.43 rows\=1 width\=39) (actual time\=0.004..0.004 rows\=1.00 loops\=114) |
| Index Cond: (event_id \= eh.event_id) |
| Index Searches: 114 |
| Buffers: shared hit\=342 |
| Planning: |
| Buffers: shared hit\=40 |
| Planning Time: 0.547 ms |
| Execution Time: 8.502 ms |
- INSERT
EXPLAIN ANALYZE INSERT INTO "Event_Happening" (event_happening_id, event_id, venue_id, event_time, duration_minutes, organizers) VALUES (88888888, 1, 1, '2028-05-15 19:30:00', 90, 'Berlin Concerts GmbH');
| QUERY PLAN |
|---|
| Insert on ""Event_Happening"" (cost\=0.00..0.01 rows\=0 width\=0) (actual time\=0.275..0.275 rows\=0.00 loops\=1) |
| Buffers: shared hit\=12 dirtied\=2 |
| -> Result (cost\=0.00..0.01 rows\=1 width\=100) (actual time\=0.001..0.001 rows\=1.00 loops\=1) |
| Planning Time: 0.031 ms |
| Trigger for constraint fk_happening_event: time\=0.109 calls\=1 |
| Trigger for constraint fk_happening_venue: time\=0.058 calls\=1 |
| Execution Time: 0.458 ms |
- UPDATE
EXPLAIN ANALYZE UPDATE "Event_Happening" SET event_time = '2028-05-16 20:00:00' WHERE event_happening_id = 88888888;
| QUERY PLAN |
|---|
| Update on ""Event_Happening"" (cost\=0.29..8.30 rows\=0 width\=0) (actual time\=0.073..0.073 rows\=0.00 loops\=1) |
| Buffers: shared hit\=14 |
| -> Index Scan using ""Event_Happening_pkey"" on ""Event_Happening"" (cost\=0.29..8.30 rows\=1 width\=14) (actual time\=0.022..0.023 rows\=1.00 loops\=1) |
| Index Cond: (event_happening_id \= 88888888) |
| Index Searches: 1 |
| Buffers: shared hit\=3 |
| Planning Time: 0.107 ms |
| Execution Time: 0.119 ms |
Анализа и оптимизација на Available_Tickets
Овој поглед овозможува моментален увид во инвентарот на достапни слободни седишта за активните настани. Во него е имплементирана комплексна логика која ја калкулира крајната продажна цена во реално време, земајќи го предвид актуелниот процент на попуст за тековниот временски период во кој се наоѓа купувачот.
CREATE OR REPLACE VIEW "Available_Tickets" AS
SELECT
t.ticket_id,
ROUND(
t.base_price * (1 - COALESCE(ep.price_discount_percent, 0) / 100.0),
2
) AS price,
e.event_id,
e.name AS event_name,
eh.event_happening_id,
eh.event_time,
v.name AS venue_name,
s.name AS section_name,
st.row_number,
st.seat_number
FROM "Ticket" t
JOIN "Event_Happening" eh ON t.event_happening_id = eh.event_happening_id
JOIN "Event" e ON eh.event_id = e.event_id
JOIN "Venue" v ON eh.venue_id = v.venue_id
JOIN "Seat" st ON t.seat_id = st.seat_id
JOIN "Section" s ON st.section_id = s.section_id
LEFT JOIN "Event_Period" ep ON eh.event_happening_id = ep.event_happening_id
AND CURRENT_DATE BETWEEN ep.start_date AND ep.end_date
WHERE t.is_available = TRUE;
Погледот е веќе најоптимално напишан и не треба да се преуредува.
1. Примарен филтер:
Погледот се потпира на два филтера: event_happening_id (за специфичниот настани) и is_available (за статусот на билетот).
2. Случај на употреба:
Ова е клучниот поглед што се користи во моментот кога корисникот сака да купи билет. Брзината овде директно го намалува ризикот од "Race Condition" - односно, двајца корисници да се обидат да го резервираат истото место истовремено поради доцнење на податоците.
3. Иницијално време:
- SELECT: 79.398 ms (Релативно бавно поради Bitmap Heap Scan и Filter операција врз табела со илјадници записи).
- INSERT: 18.031 ms (Високо време поради проверките на констреинтите при вметнување нови билети).
- UPDATE: 0.125 ms (Инстантна брзина преку primary key).
4. Анализа на планот на извршување (без индекси):
Без композитен индекс, базата користеше Bitmap Heap Scan за пребарување на билетите. Иако го пронаоѓаше настанот, таа мораше да прави дополнителна проверка во меморијата (Filter: is_available) и да отфрла огромен број записи (Rows Removed by Filter: 374). Ова трошеше 754 читања од диск.
- SELECT
EXPLAIN ANALYZE SELECT * FROM "Available_Tickets" WHERE event_happening_id = 1;
| QUERY PLAN |
|---|
| Nested Loop (cost\=2838.67..2934.30 rows\=357 width\=125) (actual time\=77.881..79.398 rows\=360.00 loops\=1) |
| Buffers: shared hit\=36 read\=754 dirtied\=1 |
| -> Nested Loop Left Join (cost\=5.31..45.04 rows\=1 width\=79) (actual time\=3.244..3.250 rows\=1.00 loops\=1) |
| Buffers: shared hit\=8 read\=5 |
| -> Nested Loop (cost\=0.86..24.91 rows\=1 width\=75) (actual time\=2.758..2.763 rows\=1.00 loops\=1) |
| Buffers: shared hit\=8 read\=1 |
| -> Nested Loop (cost\=0.57..16.61 rows\=1 width\=63) (actual time\=0.020..0.024 rows\=1.00 loops\=1) |
| Buffers: shared hit\=6 |
| -> Index Scan using ""Event_Happening_pkey"" on ""Event_Happening"" eh (cost\=0.29..8.30 rows\=1 width\=32) (actual time\=0.013..0.016 rows\=1.00 loops\=1) |
| Index Cond: (event_happening_id \= 1) |
| Index Searches: 1 |
| Buffers: shared hit\=3 |
| -> Index Scan using ""Event_pkey"" on ""Event"" e (cost\=0.29..8.30 rows\=1 width\=39) (actual time\=0.005..0.005 rows\=1.00 loops\=1) |
| Index Cond: (event_id \= eh.event_id) |
| Index Searches: 1 |
| Buffers: shared hit\=3 |
| -> Index Scan using ""Venue_pkey"" on ""Venue"" v (cost\=0.29..8.30 rows\=1 width\=28) (actual time\=2.734..2.734 rows\=1.00 loops\=1) |
| Index Cond: (venue_id \= eh.venue_id) |
| Index Searches: 1 |
| Buffers: shared hit\=2 read\=1 |
| -> Bitmap Heap Scan on ""Event_Period"" ep (cost\=4.45..20.12 rows\=1 width\=12) (actual time\=0.481..0.481 rows\=0.00 loops\=1) |
| Recheck Cond: (event_happening_id \= 1) |
| Filter: ((CURRENT_DATE >\= start_date) AND (CURRENT_DATE <\= end_date)) |
| Rows Removed by Filter: 4 |
| Heap Blocks: exact\=1 |
| Buffers: shared read\=4 |
| -> Bitmap Index Scan on uq_period_happening_name (cost\=0.00..4.45 rows\=4 width\=0) (actual time\=0.088..0.088 rows\=4.00 loops\=1) |
| Index Cond: (event_happening_id \= 1) |
| Index Searches: 1 |
| Buffers: shared read\=3 |
| -> Merge Join (cost\=2833.37..2881.23 rows\=357 width\=31) (actual time\=74.625..75.812 rows\=360.00 loops\=1) |
| Merge Cond: (st.seat_id \= t.seat_id) |
| Buffers: shared hit\=28 read\=749 dirtied\=1 |
| -> Nested Loop (cost\=0.74..1196963.53 rows\=20753208 width\=18) (actual time\=0.227..1.135 rows\=734.00 loops\=1) |
| Buffers: shared hit\=23 read\=2 |
| -> Index Scan using ""Seat_pkey"" on ""Seat"" st (cost\=0.44..671104.56 rows\=20753208 width\=24) (actual time\=0.024..0.343 rows\=734.00 loops\=1) |
| Index Searches: 1 |
| Buffers: shared hit\=8 read\=2 |
| -> Memoize (cost\=0.30..0.32 rows\=1 width\=10) (actual time\=0.001..0.001 rows\=1.00 loops\=734) |
| Cache Key: st.section_id |
| Cache Mode: logical |
| Hits: 729 Misses: 5 Evictions: 0 Overflows: 0 Memory Usage: 1kB |
| Buffers: shared hit\=15 |
| -> Index Scan using ""Section_pkey"" on ""Section"" s (cost\=0.29..0.31 rows\=1 width\=10) (actual time\=0.009..0.009 rows\=1.00 loops\=5) |
| Index Cond: (section_id \= st.section_id) |
| Index Searches: 5 |
| Buffers: shared hit\=15 |
| -> Sort (cost\=2830.84..2831.74 rows\=357 width\=29) (actual time\=74.391..74.441 rows\=360.00 loops\=1) |
| Sort Key: t.seat_id |
| Sort Method: quicksort Memory: 41kB |
| Buffers: shared hit\=5 read\=747 dirtied\=1 |
| -> Bitmap Heap Scan on ""Ticket"" t (cost\=22.15..2815.71 rows\=357 width\=29) (actual time\=1.866..73.806 rows\=360.00 loops\=1) |
| Recheck Cond: (event_happening_id \= 1) |
| Filter: is_available |
| Rows Removed by Filter: 374 |
| Heap Blocks: exact\=744 |
| Buffers: shared hit\=5 read\=747 dirtied\=1 |
| -> Bitmap Index Scan on uq_ticket_happening_seat (cost\=0.00..22.06 rows\=733 width\=0) (actual time\=1.599..1.599 rows\=744.00 loops\=1) |
| Index Cond: (event_happening_id \= 1) |
| Index Searches: 1 |
| Buffers: shared hit\=4 read\=4 |
| Planning: |
| Buffers: shared hit\=59 read\=8 |
| Planning Time: 1.571 ms |
| Execution Time: 79.504 ms |
- INSERT
EXPLAIN ANALYZE INSERT INTO "Ticket" (ticket_id, event_happening_id, seat_id, base_price, is_available) VALUES (99999999, 1, 99999, 1500.00, TRUE);
| QUERY PLAN |
|---|
| Insert on ""Ticket"" (cost\=0.00..0.01 rows\=0 width\=0) (actual time\=16.622..16.622 rows\=0.00 loops\=1) |
| Buffers: shared hit\=8 read\=3 dirtied\=2 |
| -> Result (cost\=0.00..0.01 rows\=1 width\=41) (actual time\=0.001..0.002 rows\=1.00 loops\=1) |
| Planning Time: 0.028 ms |
| Trigger for constraint fk_ticket_seat: time\=1.188 calls\=1 |
| Trigger for constraint fk_ticket_happening: time\=0.202 calls\=1 |
| Execution Time: 18.031 ms |
- UPDATE
EXPLAIN ANALYZE UPDATE "Ticket" SET is_available = FALSE WHERE ticket_id = 99999999;
| QUERY PLAN |
|---|
| Update on ""Ticket"" (cost\=0.44..8.46 rows\=0 width\=0) (actual time\=0.086..0.087 rows\=0.00 loops\=1) |
| Buffers: shared hit\=7 |
| -> Index Scan using ""Ticket_pkey"" on ""Ticket"" (cost\=0.44..8.46 rows\=1 width\=7) (actual time\=0.036..0.038 rows\=1.00 loops\=1) |
| Index Cond: (ticket_id \= 99999999) |
| Index Searches: 1 |
| Buffers: shared hit\=4 |
| Planning Time: 0.254 ms |
| Execution Time: 0.125 ms |
5. Оптимизација и индексирање:
За да се елиминира потребата од скенирање на сите билети (вклучително и оние што веќе се продадени), го имплементиравме овој индекс:
CREATE INDEX CONCURRENTLY idx_ticket_available_happening ON "Ticket" (event_happening_id) WHERE is_available = TRUE; ANALYZE "Ticket";
6. Резултат по оптимизација:
Со индексот, времето на извршување драматично се подобри:
- Времето за SELECT падна на 1.800 ms, што е 44 пати побрзо. Базата сега користи директна патека до податоците и нема „филтрирање“ на отфрлени редици.
- Времето за INSERT падна на 0.628 ms (околу 28 пати побрзо), бидејќи констреинтите сега побрзо ги потврдуваат постојните записи.
- SELECT
EXPLAIN ANALYZE SELECT * FROM "Available_Tickets" WHERE event_happening_id = 2;
| QUERY PLAN |
|---|
| Nested Loop (cost\=1436.93..1541.30 rows\=363 width\=125) (actual time\=0.899..1.800 rows\=360.00 loops\=1) |
| Buffers: shared hit\=402 |
| -> Nested Loop Left Join (cost\=5.31..45.04 rows\=1 width\=79) (actual time\=0.078..0.081 rows\=1.00 loops\=1) |
| Buffers: shared hit\=13 |
| -> Nested Loop (cost\=0.86..24.91 rows\=1 width\=75) (actual time\=0.031..0.034 rows\=1.00 loops\=1) |
| Buffers: shared hit\=9 |
| -> Nested Loop (cost\=0.57..16.61 rows\=1 width\=63) (actual time\=0.025..0.027 rows\=1.00 loops\=1) |
| Buffers: shared hit\=6 |
| -> Index Scan using ""Event_Happening_pkey"" on ""Event_Happening"" eh (cost\=0.29..8.30 rows\=1 width\=32) (actual time\=0.016..0.017 rows\=1.00 loops\=1) |
| Index Cond: (event_happening_id \= 2) |
| Index Searches: 1 |
| Buffers: shared hit\=3 |
| -> Index Scan using ""Event_pkey"" on ""Event"" e (cost\=0.29..8.30 rows\=1 width\=39) (actual time\=0.005..0.005 rows\=1.00 loops\=1) |
| Index Cond: (event_id \= eh.event_id) |
| Index Searches: 1 |
| Buffers: shared hit\=3 |
| -> Index Scan using ""Venue_pkey"" on ""Venue"" v (cost\=0.29..8.30 rows\=1 width\=28) (actual time\=0.005..0.005 rows\=1.00 loops\=1) |
| Index Cond: (venue_id \= eh.venue_id) |
| Index Searches: 1 |
| Buffers: shared hit\=3 |
| -> Bitmap Heap Scan on ""Event_Period"" ep (cost\=4.45..20.12 rows\=1 width\=12) (actual time\=0.043..0.043 rows\=0.00 loops\=1) |
| Recheck Cond: (event_happening_id \= 2) |
| Filter: ((CURRENT_DATE >\= start_date) AND (CURRENT_DATE <\= end_date)) |
| Rows Removed by Filter: 4 |
| Heap Blocks: exact\=1 |
| Buffers: shared hit\=4 |
| -> Bitmap Index Scan on uq_period_happening_name (cost\=0.00..4.45 rows\=4 width\=0) (actual time\=0.008..0.008 rows\=4.00 loops\=1) |
| Index Cond: (event_happening_id \= 2) |
| Index Searches: 1 |
| Buffers: shared hit\=3 |
| -> Merge Join (cost\=1431.62..1488.09 rows\=363 width\=31) (actual time\=0.815..1.498 rows\=360.00 loops\=1) |
| Merge Cond: (st.seat_id \= t.seat_id) |
| Buffers: shared hit\=389 |
| -> Nested Loop (cost\=0.74..1197017.90 rows\=20753360 width\=18) (actual time\=0.177..0.692 rows\=735.00 loops\=1) |
| Buffers: shared hit\=25 |
| -> Index Scan using ""Seat_pkey"" on ""Seat"" st (cost\=0.44..671106.84 rows\=20753360 width\=24) (actual time\=0.009..0.188 rows\=735.00 loops\=1) |
| Index Searches: 1 |
| Buffers: shared hit\=10 |
| -> Memoize (cost\=0.30..0.32 rows\=1 width\=10) (actual time\=0.000..0.000 rows\=1.00 loops\=735) |
| Cache Key: st.section_id |
| Cache Mode: logical |
| Hits: 730 Misses: 5 Evictions: 0 Overflows: 0 Memory Usage: 1kB |
| Buffers: shared hit\=15 |
| -> Index Scan using ""Section_pkey"" on ""Section"" s (cost\=0.29..0.31 rows\=1 width\=10) (actual time\=0.003..0.004 rows\=1.00 loops\=5) |
| Index Cond: (section_id \= st.section_id) |
| Index Searches: 5 |
| Buffers: shared hit\=15 |
| -> Sort (cost\=1429.07..1429.98 rows\=363 width\=29) (actual time\=0.629..0.658 rows\=360.00 loops\=1) |
| Sort Key: t.seat_id |
| Sort Method: quicksort Memory: 41kB |
| Buffers: shared hit\=364 |
| -> Bitmap Heap Scan on ""Ticket"" t (cost\=7.25..1413.64 rows\=363 width\=29) (actual time\=0.088..0.525 rows\=360.00 loops\=1) |
| Recheck Cond: ((event_happening_id \= 2) AND is_available) |
| Heap Blocks: exact\=361 |
| Buffers: shared hit\=364 |
| -> Bitmap Index Scan on idx_ticket_available_happening (cost\=0.00..7.16 rows\=363 width\=0) (actual time\=0.038..0.038 rows\=361.00 loops\=1) |
| Index Cond: (event_happening_id \= 2) |
| Index Searches: 1 |
| Buffers: shared hit\=3 |
| Planning: |
| Buffers: shared hit\=100 read\=2 |
| Planning Time: 8.763 ms |
| Execution Time: 1.992 ms |
- INSERT
EXPLAIN ANALYZE INSERT INTO "Ticket" (ticket_id, event_happening_id, seat_id, base_price, is_available) VALUES (88888888, 2, 77777, 1800.00, TRUE);
| QUERY PLAN |
|---|
| Insert on ""Ticket"" (cost\=0.00..0.01 rows\=0 width\=0) (actual time\=0.304..0.304 rows\=0.00 loops\=1) |
| Buffers: shared hit\=15 dirtied\=2 |
| -> Result (cost\=0.00..0.01 rows\=1 width\=41) (actual time\=0.001..0.001 rows\=1.00 loops\=1) |
| Planning Time: 0.029 ms |
| Trigger for constraint fk_ticket_seat: time\=0.201 calls\=1 |
| Trigger for constraint fk_ticket_happening: time\=0.107 calls\=1 |
| Execution Time: 0.628 ms |
- UPDATE
EXPLAIN ANALYZE UPDATE "Ticket" SET is_available = FALSE WHERE ticket_id = 88888888;
| QUERY PLAN |
|---|
| Update on ""Ticket"" (cost\=0.44..8.46 rows\=0 width\=0) (actual time\=0.098..0.098 rows\=0.00 loops\=1) |
| Buffers: shared hit\=14 |
| -> Index Scan using ""Ticket_pkey"" on ""Ticket"" (cost\=0.44..8.46 rows\=1 width\=7) (actual time\=0.026..0.028 rows\=1.00 loops\=1) |
| Index Cond: (ticket_id \= 88888888) |
| Index Searches: 1 |
| Buffers: shared hit\=4 |
| Planning Time: 0.125 ms |
| Execution Time: 0.155 ms |
Анализа и оптимизација на Event_Overall_Ratings
Овој материјализиран поглед врши брза статистичка анализа на задоволството на публиката преку пресметување на просечната оцена за секој настан поединечно. Со оглед на тоа што користи агрегациски функции (COUNT и AVG), тој е зачуван како материјализиран поглед со цел да се избегне постојано пресметување и да се зачуваат перформансите на базата.
CREATE MATERIALIZED VIEW "Event_Overall_Ratings" AS
SELECT
e.event_id,
e.name AS event_name,
eh.event_happening_id,
eh.event_time,
COUNT(ehr.rating_id) AS total_reviews,
COALESCE(ROUND(AVG(ehr.rating), 2), 0.00) AS average_rating
FROM "Event" e
JOIN "Event_Happening" eh ON e.event_id = eh.event_id
LEFT JOIN "Event_Happening_Rating" ehr ON eh.event_happening_id = ehr.event_happening_id
GROUP BY e.event_id, e.name, eh.event_happening_id, eh.event_time;
Погледот е веќе најоптимално напишан и не треба да се преуредува.
1. Примарен филтер:
event_happening_id (за специфични оценки по настан) или event_id (за севкупни оценки на серија настани).
2. Случај на употреба:
Прикажување на рејтингот на настанот во „Event Details“ страницата или генерирање на листа на „Најдобро оценети настани“ за администраторите.
3. Оптимизација:
Овој поглед е оптимално напишан со LEFT JOIN и GROUP BY, што овозможува агрегација на сите оценки во еден чекор. Не бара индексирање бидејќи податоците се веќе пресметани и зачувани во материјализираната форма.
Анализа и оптимизација на User_Order_History
Овој материјализиран поглед генерира финансиски профил и историја на нарачки за секој корисник, сумирајќи ги направените трошоци на ниво на главна нарачка. Тој нуди брз увид во точниот број на купени ставки, бројот на рефундирани билети како и вкупната сума на вратени пари по нарачка без оптоварување на трансакциските табели.
CREATE MATERIALIZED VIEW "User_Order_History" AS
SELECT u.user_id,
u.username,
o.order_id,
o.order_time,
o.order_amount,
COALESCE(items.total_items_ordered, 0) AS total_items_ordered,
COALESCE(items.total_items_refunded, 0) AS total_items_refunded,
COALESCE(items.total_amount_refunded, 0.00) AS total_amount_refunded
FROM "User" u
JOIN "Regular_User" ru ON u.user_id = ru.user_id
JOIN "Ticket_Order" o ON ru.user_id = o.user_id
LEFT JOIN (
SELECT
toi.order_id,
COUNT(toi.order_item_id) AS total_items_ordered,
COUNT(tri.refund_item_id) AS total_items_refunded,
SUM(COALESCE(tri.item_price, 0.00)) AS total_amount_refunded
FROM "Ticket_Order_Item" toi
LEFT JOIN "Ticket_Refund_Item" tri ON toi.order_item_id = tri.order_item_id
GROUP BY toi.order_id
) items ON o.order_id = items.order_id;
Погледот е веќе најоптимално напишан и не треба да се преуредува.
1. Примарен филтер:
user_id (за преглед на лична историја на нарачки).
2. Случај на употреба:
Овозможување на корисниците да ги видат сите свои минати купувања, како и следење на статусот на рефундациите.
3. Оптимизација:
Користењето на под-прашалник (Subquery) за агрегација на Ticket_Order_Item е најчист начин за пресметка на total_items_refunded. Бидејќи ова е аналитички поглед, тој е дизајниран да ја избегне сложената логика во реално време, па затоа е најдобро да остане непроменет.
Анализа и оптимизација на Venue_Occupancy_Report
Овој комплексен аналитички поглед ја мери успешноста на продажбата преку споредба на бројот на продадени карти со максималниот капацитет на седишта во салата. Крајниот резултат дава прецизен процент на пополнетост за секој термин на настан, што е клучен бизнис индикатор за менаџерите и организаторите.
CREATE MATERIALIZED VIEW "Venue_Occupancy_Report" AS
SELECT e.event_id,
e.name AS event_name,
eh.event_happening_id,
eh.event_time,
v.name AS venue_name,
v.number_of_seats AS total_venue_capacity,
COALESCE(stats.sold_count, 0) AS tickets_sold,
ROUND((COALESCE(stats.sold_count, 0)::NUMERIC / v.number_of_seats::NUMERIC) * 100, 2) AS occupancy_percentage
FROM "Event" e
JOIN "Event_Happening" eh ON e.event_id = eh.event_id
JOIN "Venue" v ON eh.venue_id = v.venue_id
LEFT JOIN (
SELECT t.event_happening_id, COUNT(toi.order_item_id) AS sold_count
FROM "Ticket_Order_Item" toi
JOIN "Ticket" t ON toi.ticket_id = t.ticket_id
GROUP BY t.event_happening_id
) stats ON eh.event_happening_id = stats.event_happening_id
GROUP BY e.event_id, e.name, eh.event_happening_id, eh.event_time, v.name, v.number_of_seats, stats.sold_count;
Погледот е веќе најоптимално напишан и не треба да се преуредува.
1. Примарен филтер:
event_happening_id или venue_name (за известување за конкретни локации).
2. Случај на употреба:
Бизнис извештаи за менаџерите на објектите за следење на „Occupancy Rate“ (процент на исполнетост) на капацитетите.
3. Оптимизација:
Овој поглед прави комплексна математичка пресметка (sold_count / total_venue_capacity). Материјализацијата тука е клучна бидејќи пресметката не се извршува при секое барање, туку само кога се освежува погледот.
Note:
See TracWiki
for help on using the wiki.
