如何解决用递归或函数替换 SELECT 中的迭代 INSERT 以遍历 Postgres 中的路径
在我的架构中,一个数据集有许多cfiles,而一个cfile有一个数据集。每个 cfile 也有一些动态属性值存储在 jsonb 中。
小提琴 here
SELECT * FROM datasets;
id | name
----+----------
1 | Dataset1
2 | Dataset2
SELECT * FROM cfiles WHERE dataset_id=1;
id | dataset_id | path | property_values
----+------------+-----------------------------+----------------------------------------------------------
1 | 1 | dir_i/file1.txt | {"Project": "ProjW","Sample Names": ["sampA","sampB"]}
2 | 1 | dir_i/dir_j/file2.txt | {"Project": "ProjX","sampC"]}
3 | 1 | dir_i/dir_j/dir_k/file3.txt | {"Project": "ProjY","Sample Names": ["sampD"]}
4 | 1 | dir_m/file4.txt | {"Project": "ProjZ","Sample Names": ["sampE"]}
INSERT into agg_prop_vals(dataset_id,path,sample_names,projects)
SELECT disTINCT
cfiles.dataset_id,'.' as path,-- ** path specific:
-- 'dir_i/dir_j/' as path,h."Sample Names",h."Project"
FROM (
SELECT
dataset_id,string_agg(disTINCT "Sample Names",'; ' ORDER BY "Sample Names") as "Sample Names",string_agg(disTINCT "Project",'; ' ORDER BY "Project") as "Project"
FROM (
SELECT
cfiles.dataset_id as dataset_id,property_values ->> 'Project' as "Project",jsonb_array_elements_text(property_values -> 'Sample Names') as "Sample Names"
FROM cfiles
WHERE cfiles.dataset_id=1
-- ** path specific:
-- AND cfiles.path LIKE 'dir_i/dir_j/%'
) g GROUP BY dataset_id
) h
JOIN cfiles ON (cfiles.dataset_id=h.dataset_id)
WHERE cfiles.dataset_id=1
ON CONFLICT (dataset_id,path)
DO UPDATE SET
sample_names = excluded.sample_names,projects = excluded.projects
SELECT * FROM agg_prop_vals;
dataset_id | path | sample_names | projects
------------+--------------------+-----------------------------------+----------------------------
1 | . | sampA; sampB; sampC; sampD; sampE | ProjW; ProjX; ProjY; ProjZ
现在这对于获取每个数据集的聚合值非常有用,但我现在也想获取每个数据集+路径的值,所以是这样的: >
SELECT * FROM agg_prop_vals;
dataset_id | path | sample_names | projects
------------+--------------------+-----------------------------------+----------------------------
1 | . | sampA; sampB; sampC; sampD; sampE | ProjW; ProjX; ProjY; ProjZ
1 | dir_i/ | sampA; sampB; sampC; sampD | ProjW; ProjX; ProjY
1 | dir_i/dir_j/ | sampA; sampC; sampD | ProjX; ProjY
1 | dir_i/dir_j/dir_k/ | sampD | ProjY
1 | dir_m/ | sampE | ProjZ
一次对一个数据集进行所有处理,因此我很乐意迭代数据集(因此 WHERE cfiles.dataset_id=1
可以被忽略/在此示例中视为常量)。我遇到的问题是遍历路径。
我可以对数据集中的每个路径运行上述相同的查询(例如取消注释 ** path specific:
),但是当单个数据集中有数千个子路径时,这可能需要长达一个小时。例如:
("SELECT disTINCT SUBSTRING(path,'(.*\/).*') FROM cfiles WHERE dataset_id=1").each do |sub_path|
aggregate_query(sub_path)
end
但这也是低效的,因为它不是在每个级别使用已经计算的子目录聚合,而是在每个级别再次对所有子 cfile 执行查询。
即计算:
dataset_id | path | sample_names | projects
------------+--------------------+-----------------------------------+----------------------------
1 | . | sampA; sampB; sampC; sampD; sampE | ProjW; ProjX; ProjY; ProjZ
它应该添加顶级子目录的预先计算的聚合:
dataset_id | path | sample_names | projects
------------+--------------------+-----------------------------------+----------------------------
1 | dir_i/ | sampA; sampB; sampC; sampD | ProjW; ProjX; ProjY
加:
dataset_id | path | sample_names | projects
------------+--------------------+-----------------------------------+----------------------------
1 | dir_m/ | sampE | ProjZ
而不是再次遍历所有子 cfile。
有什么方法可以用某种查询或 PL/sql 替换迭代,这些查询或 PL/sql 使用递归或函数遍历目录路径并相应地填充 agg_prop_vals
表?
其他要点:
- 我无法重组/规范现有的
datasets
或cfiles
表,但我可以更改agg_prop_vals
表并添加其他表 - 我不一定需要使用
ON CONFLICT
块进行更新插入 - 我可以在应用程序中将其拆分
解决方法
我将把大约 27k 行的“find /lib /bin /etc”的输出加载到一个表中...
BEGIN;
CREATE TABLE _files( path TEXT NOT NULL );
\copy _files (path) from 'files.txt';
CREATE TABLE files(
id SERIAL PRIMARY KEY,path TEXT NOT NULL,dataset_id INTEGER NOT NULL,attrib TEXT[] NOT NULL
);
INSERT INTO files (path,dataset_id,attrib) SELECT path,n,ARRAY[RIGHT(path,1),RIGHT(path,2)]
FROM _files CROSS JOIN (SELECT generate_series(1,10) n) n;
COMMIT;
VACUUM ANALYZE files;
CREATE INDEX files_dataset ON files(dataset_id);
我添加了一个 generate_series 来将文件数乘以 10。
“attrib”列包含两个文本值,它们将作为您的“样本”。
我假设路径中没有双斜线,并且所有路径都不以斜线结尾。如果不是这种情况,您必须将其放在查询中的适当位置:
regexp_replace( regexp_replace( path,'(//+)','/','g' ),'/$','')
然后让我们添加一个 parent_path 列。 Postgres 正则表达式很慢,所以这需要一段时间。
CREATE TEMPORARY TABLE fp AS
SELECT *,regexp_replace( path,'/[^/]+$','' ) AS parent_path
FROM files WHERE dataset_id=1;
旁注:要在 SQL 中对路径/树进行建模,您可以使用 parent_id,或者只是将路径粘贴在列中,但在这种情况下,数组比字符串更有效,因为它易于访问元素。
我在文件表中添加了一个“属性”列,类型为 TEXT[],它对上面聚合 sample_names 和项目的查询结果进行建模。这是一个数组,因为我们稍后必须将其拆开。
所以。现在我们必须构建一个目录树,包括其中没有文件的目录,这些目录不在上面生成的 parent_path 中,这意味着它们必须通过递归查询生成。因为 SQL 是 SQL,它不是从根开始,而是从完整路径开始,然后反过来。
CREATE TEMPORARY TABLE dirs (
path TEXT UNIQUE NOT NULL,parent_path TEXT NOT NULL,attrib1 TEXT[] NULL,attrib2 TEXT[] NULL );
INSERT INTO dirs (path,parent_path)
WITH RECURSIVE pdirs AS (SELECT * FROM
(SELECT parent_path AS path,regexp_replace( parent_path,'' ) AS parent_path FROM fp
) x1
UNION SELECT * FROM
(SELECT parent_path AS path,'' ) AS parent_path FROM pdirs
) x2 WHERE path != '' OR parent_path != ''
) SELECT * FROM pdirs ORDER BY path;
不是,对于表 fp 中的每一行,分解每一行中的 attrib 数组,删除重复项,然后将其重新组合成一个数组。有两种方法可以做到这一点……第一种更快,但需要临时表上的索引。所以,让我们使用第二个。
SELECT dirs.path,(SELECT array_agg(a) FROM (SELECT DISTINCT unnest(attrib) a FROM fp WHERE fp.parent_path=dirs.path) x) FROM dirs;
SELECT parent_path,array_agg(DISTINCT att) FROM (SELECT parent_path,unnest(attrib) att FROM fp) x GROUP BY parent_path;
现在,“只是”递归地对表目录执行相同的操作以将属性沿路径传播……两次,一次用于示例,一次用于项目,因为在查询中不能多次引用递归 CTE ...
WITH RECURSIVE rdirs AS (
SELECT dirs.*,attrib FROM
(SELECT parent_path,array_agg(DISTINCT att) attrib FROM (SELECT parent_path,unnest(attrib) att FROM fp) x GROUP BY parent_path) AS x
JOIN dirs ON (dirs.path=x.parent_path)
UNION ALL
SELECT dirs.*,unnest(attrib) att FROM rdirs) x GROUP BY parent_path) AS x
JOIN dirs ON (dirs.path=x.parent_path)
WHERE dirs.path != '' OR dirs.parent_path != ''
)
UPDATE dirs
SET attrib1=rdirs.attrib
FROM rdirs
WHERE dirs.path=rdirs.path;
因此,您对项目列再次执行(相应地更改列名),临时表目录应包含所需的结果!
如果您喜欢挑战,很可能只用一个查询而不用临时表来完成所有这些工作!
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。