He ocurrió una solución muy rápida y sin TABLESAMPLE
. Mucho más rápido que OFFSET random()*N LIMIT 1
. Ni siquiera requiere contar la mesa.
La idea es crear un índice de expresión con datos aleatorios pero predecibles, por ejemplo md5(primary key)
.
Aquí está una prueba con 1M de datos filas de ejemplo:
create table randtest (id serial primary key, data int not null);
insert into randtest (data) select (random()*1000000)::int from generate_series(1,1000000);
create index randtest_md5_id_idx on randtest (md5(id::text));
explain analyze
select * from randtest where md5(id::text)>md5(random()::text)
order by md5(id::text) limit 1;
Resultado:
Limit (cost=0.42..0.68 rows=1 width=8) (actual time=6.219..6.220 rows=1 loops=1)
-> Index Scan using randtest_md5_id_idx on randtest (cost=0.42..84040.42 rows=333333 width=8) (actual time=6.217..6.217 rows=1 loops=1)
Filter: (md5((id)::text) > md5((random())::text))
Rows Removed by Filter: 1831
Total runtime: 6.245 ms
Esta consulta puede a veces (con cerca de 1/NUMBER_OF_ROWS probabilidad) de retorno 0 filas, por lo que debe ser revisado y volver a ejecutar. Además, las probabilidades no son exactamente las mismas: algunas filas son más probables que otras.
Para la comparación:
explain analyze SELECT id FROM randtest OFFSET random()*1000000 LIMIT 1;
resultados varían ampliamente, pero puede ser bastante malo:
Limit (cost=1442.50..1442.51 rows=1 width=4) (actual time=179.183..179.184 rows=1 loops=1)
-> Seq Scan on randtest (cost=0.00..14425.00 rows=1000000 width=4) (actual time=0.016..134.835 rows=915702 loops=1)
Total runtime: 179.211 ms
(3 rows)
hacerla sentido utilizar un N menos de 'SELECT COUNT (*)' ?, quiero decir , no usa todos los valores en la tabla sino solo una parte de ellos? – Juan
@Juan Eso depende de sus requisitos. – NPE
utilizando el 'EXPLAIN SELECT ...' con diferentes valores de N dan el mismo costo para la consulta, entonces supongo que es mejor ir por el valor máximo de N. – Juan