为什么vacuum后表还是继续膨胀？

Posted 2021-06-30 华为云

摘要： 对于更新和删除操作频繁的表，会存在大量垃圾数据，导致磁盘空间的浪费和查询扫描时额外的IO开销，需要定期执行清理操作(vacuum)来控制行存表以及表上索引的膨胀。本文将对vacuum的原理以及影响vacuum效果的因素进行简单介绍。

本文分享自华为云社区《为什么vacuum后表还是继续膨胀？》，原文作者：大威天龙:-。

vacuum简介 :

对于GaussDB中的行存表，在更新元组或者删除元组后，旧版本的数据仍然存在，仅在元组头信息中标记了删除或更新的事务号(xmax)。对于更新和删除操作频繁的表，会存在大量垃圾数据，导致磁盘空间的浪费和查询扫描时额外的IO开销，需要定期执行清理操作(vacuum)来控制行存表以及表上索引的膨胀。

vacuum 操作的内部原理:

Vacuum 的主要步骤：

1.移除死亡元组并对满足条件的老元组执行frozen操作。

2.移除指向死亡元组的索引元组，更新对应表的fsm 和 vm 文件

• • FSM: free space map 空闲空间映射文件，插入数据时会根据该文件来选择合适的page.
  • VM: visibility map 可见性映射文件，后续vacuum时会根据该文件来选择是否扫描某个page,提高vacuum效率；同时在进行index-only-scan时也会使用该文件来提高可见性判断的效率）。

3.更新统计数据pg_stat_all_tables。 Linepointer 不会被移除，用于在之后复用。
示意图如下：

vacuum 之前

vacuum 之后

为什么vacuum后表还是继续膨胀

影响vacuum效果的因素

1、Oldestxmin的推进
vacuum 只能清理掉当前全局存活的最老事务(OldestXmin)之前的事务所产生的垃圾数据，所以如果仍然存在老事务的话（比如长事务或者长sql的存在）,新事务所产生的垃圾数据并不会被vacuum立即清理。例如：

会话1：新建表row_tbl并插入一条数据，起一个事务先不提交

gaussdb=# create table row_tbl(a int, b int);
CREATE TABLE
gaussdb=# insert into row_tbl values(1,1);
INSERT 0 1
gaussdb=# begin;
BEGIN
gaussdb=# SELECT txid_current_snapshot();
 txid_current_snapshot
-----------------------
 210115:210115:
(1 row)
gaussdb=# SELECT txid_current();
 txid_current
--------------
       210115
(1 row)

会话2：删除数据后做vacuum清理操作，再次插入数据，数据也没有复用之前空间；查询视图可以发现垃圾数据并没有被清理掉。

gaussdb=# select ctid,* from row_tbl;
 ctid  | a | b
-------+---+---
 (0,1) | 1 | 1
(1 row)
gaussdb=# delete row_tbl;
DELETE 1
gaussdb=# SELECT txid_current_snapshot();
 txid_current_snapshot
-----------------------
 210115:210122:
(1 row)
gaussdb=# vacuum row_tbl;
VACUUM
gaussdb=# insert into row_tbl values(2,2);
INSERT 0 1
gaussdb=# select ctid,* from row_tbl;
 ctid  | a | b
-------+---+---
 (0,2) | 2 | 2
(1 row)
gaussdb=# select n_dead_tup, last_vacuum from pg_stat_all_tables where relname='row_tbl';
 n_dead_tup |          last_vacuum
------------+-------------------------------
          1 | 2021-06-10 20:04:58.987631+08
(1 row)

会话1：将会话1的事务结束再执行vacuum，查询视图可以发现没有死亡元组，插入数据可以发现复用了旧的空间(即ctid是(0,1)的空间)。

gaussdb=# SELECT txid_current_snapshot();
 txid_current_snapshot
-----------------------
 210136:210136:
(1 row)
gaussdb=# vacuum row_tbl;
VACUUM
gaussdb=# select n_dead_tup, last_vacuum from pg_stat_all_tables where relname='row_tbl';
 n_dead_tup |          last_vacuum
------------+-------------------------------
          0 | 2021-06-10 20:09:10.516564+08
(1 row)
gaussdb=# insert into row_tbl values(3,3);
INSERT 0 1
gaussdb=# select ctid,* from row_tbl;
 ctid  | a | b
-------+---+---
 (0,1) | 3 | 3
 (0,2) | 2 | 2
(2 rows)

2、LinePointer状态还未处于unused

元组被删除后，只有当vacuum将元组的LinePointer(或者叫item pointer, 指向具体的元组)置为LP_UNUSED状态后，该LinePointer才有可能在新插入数据时复用。

3、Fsm还未生成
插入数据时，依赖fsm文件来选择可用的page，如果fsm没有生成则会导致使用新的page而不是复用旧的。

4、批量导入
在旧版本Gaussdb中，对表进行批量插入数据的操作时，会直接申请新的page来插入数据。所以在某些场景下虽然vacuum后清理了脏数据，但由于业务场景以批量插入为主，导致vacuum对膨胀的控制效果并不理想。目前已经支持批量插入数据时对空间的复用。

一些建议与总结

1. 尽量避免长事务，可以通过视图pg_running_xacts查看是否有老事务没有结束或者两阶段事务残留
2. 定期做vacuum来及时回收垃圾空间
3. 对于已经膨胀的索引可以通过reindex来缩小大小。
4. vacuum能清理垃圾数据，但无法将这些空间还给操作系统，对于已经膨胀的表只能通过vacuum full来缩小大小。

想了解GuassDB(DWS)更多信息，欢迎微信搜索“GaussDB DWS”关注微信公众号，和您分享最新最全的PB级数仓黑科技~

点击关注，第一时间了解华为云新鲜技术~