一、查询表、模式及字段信息1、查询指定模式下的所有表selecttablename,*frompg_tableswhereschemaname='ods';2、查询指定模式下的表名及字段SELECT C.relname, A.attnameASNAME, format_type(A.atttypid,A.atttypmod)ASTYPE, col_description(A.attrelid,A.attnum)ASCOMMENTFROM pg_classASC, pg_attributeASA, pg_tablesASBWHEREA.attrelid=C.oidandC.relname=B.t
一、查询表、模式及字段信息1、查询指定模式下的所有表selecttablename,*frompg_tableswhereschemaname='ods';2、查询指定模式下的表名及字段SELECT C.relname, A.attnameASNAME, format_type(A.atttypid,A.atttypmod)ASTYPE, col_description(A.attrelid,A.attnum)ASCOMMENTFROM pg_classASC, pg_attributeASA, pg_tablesASBWHEREA.attrelid=C.oidandC.relname=B.t
数据库优化是一个综合工程，不仅仅是需要DBA参与，更重要的是研发设计人员针对PG数据库的特点来进行相关的优化设计。不过对于DBA来说，一旦接到上线和运维任务，基本上都是木已成舟，软件设计方面留下的坑已经挖好，DBA的作为已经十分有限了。不过既然要干运维，那么少不了就要参与优化。PG的优化工作该如何开展呢？今天我从几个主要的方面聊聊PG优化的几个常见的角度。针对PG数据库，只要做好了下面几个方面的优化工作，那么运维起来也就比较省心了。 硬件资源问题：如果数据库服务器硬件资源不足，例如CPU、内存、磁盘IO等，会导致系统性能下降，响应时间变慢。 操作系统配置不合理：如果操作系统没有针对PG
数据库优化是一个综合工程，不仅仅是需要DBA参与，更重要的是研发设计人员针对PG数据库的特点来进行相关的优化设计。不过对于DBA来说，一旦接到上线和运维任务，基本上都是木已成舟，软件设计方面留下的坑已经挖好，DBA的作为已经十分有限了。不过既然要干运维，那么少不了就要参与优化。PG的优化工作该如何开展呢？今天我从几个主要的方面聊聊PG优化的几个常见的角度。针对PG数据库，只要做好了下面几个方面的优化工作，那么运维起来也就比较省心了。 硬件资源问题：如果数据库服务器硬件资源不足，例如CPU、内存、磁盘IO等，会导致系统性能下降，响应时间变慢。 操作系统配置不合理：如果操作系统没有针对PG
PostgreSQL作为当下流行的数据库，不少开发者因其开源、可靠、可扩展等特性把它应用到实际的生产环境中，帮助无数PostgreSQL厂商的Percona编制了一个最常见错误的列表。即使你认为自己已经正确地安装配置PostgreSQL，或许仍会发现此列表对于验证你的安装配置大有裨益。原文链接：https://www.infoworld.com/article/3681655/10-common-postgresql-mistakes-and-how-to-avoid-them.html PostgreSQL旨在应对广泛的使用场景，但具有极大灵活性的同时也有不利的一面。使用时应注意不要犯本文所
PostgreSQL作为当下流行的数据库，不少开发者因其开源、可靠、可扩展等特性把它应用到实际的生产环境中，帮助无数PostgreSQL厂商的Percona编制了一个最常见错误的列表。即使你认为自己已经正确地安装配置PostgreSQL，或许仍会发现此列表对于验证你的安装配置大有裨益。原文链接：https://www.infoworld.com/article/3681655/10-common-postgresql-mistakes-and-how-to-avoid-them.html PostgreSQL旨在应对广泛的使用场景，但具有极大灵活性的同时也有不利的一面。使用时应注意不要犯本文所
背景随着移动设备的普及，越来越多的业务具备了时空属性，例如快递，试试跟踪包裹、快递员位置。例如实体，具备了空间属性。例如餐饮配送，送货员位置属性。例如车辆，实时位置。等等。其中两大需求包括：1、对象位置实时跟踪，例如实时查询某个位点附近、或某个多边形区域内的送货员。2、对象位置轨迹记录和分析。结合地图，分析轨迹，结合路由算法，预测、生成最佳路径等。DEMO以快递配送为例，GPS设备实时上报快递员轨迹，写入位置跟踪系统，同时将轨迹记录永久保存到轨迹分析系统。由于快递员可能在配送过程中停留时间较长（比如在某个小区配送时），上报的多条位置可能变化并不大，同时考虑到数据库更新消耗，以及位置的时效性
背景随着移动设备的普及，越来越多的业务具备了时空属性，例如快递，试试跟踪包裹、快递员位置。例如实体，具备了空间属性。例如餐饮配送，送货员位置属性。例如车辆，实时位置。等等。其中两大需求包括：1、对象位置实时跟踪，例如实时查询某个位点附近、或某个多边形区域内的送货员。2、对象位置轨迹记录和分析。结合地图，分析轨迹，结合路由算法，预测、生成最佳路径等。DEMO以快递配送为例，GPS设备实时上报快递员轨迹，写入位置跟踪系统，同时将轨迹记录永久保存到轨迹分析系统。由于快递员可能在配送过程中停留时间较长（比如在某个小区配送时），上报的多条位置可能变化并不大，同时考虑到数据库更新消耗，以及位置的时效性
背景在物联网、监控、传感器、金融等应用领域，数据在时间维度上流式的产生，而且数据量非常庞大。例如我们经常看到的性能监控视图，就是很多点在时间维度上描绘的曲线。又比如金融行业的走势数据等等。我们想象一下，如果每个传感器或指标每100毫秒产生1个点，一天就是864000个点。而传感器或指标是非常多的，例如有100万个传感器或指标，一天的量就接近一亿的量。假设我们要描绘一个时间段的图形，这么多的点，渲染估计都要很久。那么有没有好的压缩算法，即能保证失真度，又能很好的对数据进行压缩呢？旋转门压缩算法原理旋转门压缩算法（SDT）是一种直线趋势化压缩算法,其本质是通过一条由起点和终点确定的直线代替一系
背景在物联网、监控、传感器、金融等应用领域，数据在时间维度上流式的产生，而且数据量非常庞大。例如我们经常看到的性能监控视图，就是很多点在时间维度上描绘的曲线。又比如金融行业的走势数据等等。我们想象一下，如果每个传感器或指标每100毫秒产生1个点，一天就是864000个点。而传感器或指标是非常多的，例如有100万个传感器或指标，一天的量就接近一亿的量。假设我们要描绘一个时间段的图形，这么多的点，渲染估计都要很久。那么有没有好的压缩算法，即能保证失真度，又能很好的对数据进行压缩呢？旋转门压缩算法原理旋转门压缩算法（SDT）是一种直线趋势化压缩算法,其本质是通过一条由起点和终点确定的直线代替一系
