PostgreSQL / 系统课时

监控统计维护状态

监控统计维护状态

统计维护是否健康,不能只看“最近有没有跑过 ANALYZE”。本课用 PostgreSQL 统计视图同时观察最近分析时间、分析后的修改量、当前分析进度和关键统计对象,把这些信号组合成可以持续告警的维护基线。

学习目标

  • 从统计视图识别分析时间、修改量与执行次数
  • 判断关键表是“统计过旧”还是“统计内容不足”
  • 建立可持续采集的统计维护健康信号

先看表级维护信号

pg_stat_user_tables 是监控入口。last_analyze 与 last_autoanalyze 表示最近的手动和自动分析时间,n_mod_since_analyze 是自上次分析以来修改行数的估算值,两个 analyze count 则帮助判断维护机制是否持续工作。

sql
SELECT
  schemaname,
  relname,
  n_live_tup,
  n_mod_since_analyze,
  round(
    100.0 * n_mod_since_analyze / GREATEST(n_live_tup, 1),
    2
  ) AS modified_pct,
  GREATEST(last_analyze, last_autoanalyze) AS last_analyzed,
  analyze_count,
  autoanalyze_count
FROM pg_stat_user_tables
ORDER BY modified_pct DESC NULLS LAST
LIMIT 20;

预期输出中的数值和时间会随实例变化:

text
 schemaname | relname | n_live_tup | n_mod_since_analyze | modified_pct | last_analyzed | analyze_count | autoanalyze_count
------------+---------+------------+---------------------+--------------+---------------+---------------+------------------
 public     | orders  | <VALUE>    | <VALUE>             | <VALUE>      | <TIME>        | <VALUE>       | <VALUE>

n_live_tup 和 n_mod_since_analyze 都是估算值。关键表如果修改比例持续升高且 last_analyzed 越来越旧,通常说明分析跟不上变化;如果分析时间很新但计划仍明显误估,则应检查统计内容,而不是反复执行 ANALYZE。

检查正在运行的 ANALYZE

一次分析持续异常久时,可用 pg_stat_progress_analyze 查看当前阶段和采样进度;没有正在运行的 ANALYZE 时,该视图返回空集。

sql
SELECT
  pid,
  relid::regclass AS relation,
  phase,
  sample_blks_scanned,
  sample_blks_total,
  ext_stats_computed,
  ext_stats_total
FROM pg_stat_progress_analyze;

预期输出:

text
 pid   | relation      | phase                 | sample_blks_scanned | sample_blks_total | ext_stats_computed | ext_stats_total
-------+---------------+-----------------------+---------------------+-------------------+--------------------+----------------
 <PID> | public.orders | acquiring sample rows | <VALUE>             | <VALUE>           | <VALUE>            | <VALUE>

若当前没有分析任务,预期结果为:

text
(0 rows)

phase 适合判断当前工作阶段,不适合直接换算剩余时间。任务长期停留时,再结合 I/O、锁等待和 autovacuum worker 压力排查。

检查关键统计对象

以下为片段示例,假设要监控的关键表是 public.orders;在其他环境中替换模式名和表名。先看关键列的 MCV、直方图和相关性是否符合已有基线。

sql
SELECT
  attname,
  null_frac,
  n_distinct,
  cardinality(most_common_freqs) AS mcv_items,
  cardinality(histogram_bounds) AS histogram_bins,
  correlation
FROM pg_stats
WHERE schemaname = 'public'
  AND tablename = 'orders'
ORDER BY attname;

预期输出中的统计值取决于真实数据分布:

text
 attname     | null_frac | n_distinct | mcv_items | histogram_bins | correlation
-------------+-----------+------------+-----------+----------------+------------
 customer_id | <VALUE>   | <VALUE>    | <VALUE>   | <VALUE>        | <VALUE>
 status      | <VALUE>   | <VALUE>    | <VALUE>   | <VALUE>        | <VALUE>

如果业务依赖多列相关性,再检查扩展统计对象是否存在:

sql
SELECT
  statistics_name,
  attnames,
  kinds
FROM pg_stats_ext
WHERE schemaname = 'public'
  AND tablename = 'orders'
ORDER BY statistics_name;

预期结果为每个可见扩展统计对象一行;没有定义时返回空集:

text
 statistics_name | attnames | kinds
-----------------+----------+--------
 <VALUE>         | <VALUE>  | <VALUE>

MCV 或直方图项数较少并不自动代表异常,低基数列本来就不需要很多桶。监控应为少数关键列和扩展统计对象建立基线,关注相同数据规模下的异常变化。

形成可持续健康信号

生产监控至少保留四类信号:最近分析年龄、分析后修改比例、ANALYZE 执行次数变化、关键统计对象是否存在。阈值不要全库统一,而应按关键表策略设定;大表、高频变更表和批处理表需要不同边界。

告警还应区分“统计太旧”和“统计不够表达分布”:前者通过更及时的自动或手动 ANALYZE 修复,后者需要调整列级统计目标或扩展统计对象。只有把两类问题分开,监控信号才真正能指导治理动作。

按自己的节奏,确认真正理解。

目录与阅读设置

记录一个想法

监控统计维护状态

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通