Leistungsprüfung S. 99
Identifizieren Sie langsame Abfragen, verstehen Sie EXPLAIN ANALYZE, Indizierungsstrategien und die 5 Anti-Patterns, die Postgres in der Produktion töten.
Vor der Optimierung messen#
Eine Prüfung beginnt mit Zahlen. Das Studio stellt p50/p95/p99 nach Endpunkt und Abfrage bereit. Erfassen Sie vor jeder Änderung eine 7-Tage-Basislinie.
Die CLI-Befehle aura db slow-queries und aura db stats fragen pg_stat_statements und Datenbankpool-/Größenmetriken für Ihr verknüpftes Projekt ab, bezogen auf Ihr Projekt (auch verfügbar in Studio › Datenbank und Protokolle). aura db inspect indexes|tables|locks listet die Indexnutzung (wobei die nicht verwendeten markiert sind), Tabellengrößen und tote Zeilen sowie blockierende Sperren auf – die Diagnose, die /raw nicht ausführen kann, weil es Systemkataloge ablehnt.
# Die 10 teuersten Abfragen (Gesamtzeit)
aura db slow-queries --limit 10
# Verbindungen und Datenbankgröße (Endpunktlatenzen: Studio › Protokolle)
aura db stats
pg_stat_statements in Echtzeit#
pg_stat_statements wird bei jedem neuen Projekt installiert und vorinstalliert. Es aggregiert jede normalisierte Abfrage (es werden keine Literalwerte gespeichert) mit mean_exec_time, calls und rows. /raw liest es nicht direkt – die Ansicht ist Cluster-weit – verwenden Sie daher die oben genannten Befehle, die nur die Abfragen Ihres Projekts zurückgeben, oder Studio › Datenbank.
aura db slow-queries --limit 10 --json
aura db inspect indexes # idx_scan = 0 und nicht eindeutig/primär → unbenutzt
Lesen Sie den Plan wie ein Profi#
Eine Abfrage, die länger als das Anweisungs-Timeout des Projekts (10 s) läuft, wird mit STATEMENT_TIMEOUT (HTTP 504) / „Anweisung wegen Anweisungs-Timeout abbrechen“ in aura db raw abgebrochen: Reduzieren Sie die Arbeit oder teilen Sie sie auf.
Der Plan sagt Ihnen , warum die Abfrage langsam ist. Die 4 Signale, auf die Sie achten sollten:
Seq Scanfür Tabelle > 10.000 Zeilen → fehlender Indexrows (estimated) ≠ rows (actual)um ±10× → veraltete Statistiken,analyze table_nameNested Loopauf mehr als 100.000 Zeilen → Hash-Join bevorzugt, möglicherweise fehlt ein WHEREMaterializeoderSort Method: external merge→ RAM erschöpft,work_memsoll erhöht werden
explain (analyze, buffers, format json)
select * from orders
where customer_id = 'abc' and created_at > now() - interval '30 days';
Wann, was, wie#
- B-Baum (Standard): Gleichheit, Bereich, Reihenfolge nach. 80 % der Fälle.
- GIN: Volltextsuche, JSONB, Tabellen.
using gin (to_tsvector('french', body)). - GiST: Bereichstypen, Ausschlussbeschränkungen, Ähnlichkeitssuche (
pg_trgm). - HNSW (pgvector): Vektorsuche, > 100.000 Vektoren.
- Teilweise: allgemeine Bedingungen,
where deleted_at is nullfür vorläufiges Löschen. - Überdeckt:
include (...), um die Suche in der Tabelle zu vermeiden.
Jeder Index verlangsamt INSERT/UPDATE/DELETE (~5-15 % pro Index). Nicht verwendete Indizes löschen – aura db inspect indexes listet sie auf (nie gescannt, nicht eindeutig, nicht primär).
Was tötet Postgres in der Produktion?#
- N+1 Abfragen – Führen Sie einen Join durch oder verwenden Sie
!innerim SDK anstelle einer Schleife - Paginierung nach OFFSET – über 1000 hinaus Cursor-basiert verwenden (
where id > last_seen) - SELECT * für große Tabellen – Fordern Sie nur die erforderlichen Spalten an
- Lange Transaktionen – diese blockieren VACUUM und verursachen Aufblähungen. Halten Sie < 1 Sekunde
- Nicht indizierte RLS Richtlinien – wenn Ihre Richtlinie
tenant_id = auth.tenant()verwendet, indizieren Sietenant_id