前言

针对PostgreSQL进行压测，有很多相关的工具。有同学又要问了，为何还要再搞一个？比如，pgbench, sysbench之类的，已经很强大了。是的，它们都很强大。但有时候，在一些特殊的场景，可能自己构造一个更能接近真实的生产环境。

这里，我半写，半借助于ChatGPT，搞出一个代码片段来模拟启动一段多线程并发SQL请求，作用于PostgreSQL数据库。然后，你可以对请求执行完以后的结果进行观测，尤其是表膨胀，受影响记录条数之类的。

基于此，我们还可以进行持续改造，快速用于工作之中。

实作

需求：

实现一段代码，读取一个sql文件，然后分段分批执行，并且是以多线程（比如10个线程，go里边可能就是协程，非常高效）去执行这个SQL中的所有SQL语句。再加一个时间限制，比如持续执行120秒。

实现:

package main

import (
    "bufio"
    "context"
    "database/sql"
    "fmt"
    "io"
    "os"
    "strings"
    "sync"
    "time"
    _ "github.com/lib/pq"
)

const (
    host     = "localhost"
    port     =  5555
    user     = "postgres"
    password = "password"
    dbname   = "mydb"
)

func execute_sqls(ctx context.Context, sqls []string, wg *sync.WaitGroup, thread int) {
    defer wg.Done()

    psqlInfo := fmt.Sprintf("host=%s port=%d user=%s password=%s dbname=%s sslmode=disable", host, port, user, password, dbname)
    db, err := sql.Open("postgres", psqlInfo)
    if err != nil {
        panic(err)
    }
    defer db.Close()

    start := time.Now()

    for {
        for _, sql := range sqls {
            select {
            case <-ctx.Done():
                elapsed := time.Since(start)
                fmt.Printf("Thread %d stopped. It executed SQLs for %s \n", thread, elapsed)
                return
            default:
                _, err := db.Exec(sql)
                if err != nil {
                    fmt.Println(err)
                }
            }
        }
    }
}

func read_sqls(file string) []string {
    f, err := os.Open(file)
    if err != nil {
        panic(err)
    }
    defer f.Close()

    sqls := make([]string, 0)
    r := bufio.NewReader(f)

    for {
        line, err := r.ReadString(';')
        if err == io.EOF {
            break
        } else if err != nil {
            panic(err)
        }

        sql := strings.TrimSpace(line)
        if sql != "" {
            sqls = append(sqls, sql)
        }
    }

    return sqls
}

func main() {
    filepath := "file.sql" // Replace with your file path
    numThreads := 10  // Number of threads

    sqls := read_sqls(filepath)

    var wg sync.WaitGroup
    ctx, cancel := context.WithTimeout(context.Background(), 60*time.Second) // 60 seconds

    for i := 0; i < numThreads; i++ {
        wg.Add(1)
        go execute_sqls(ctx, sqls, &wg, i)
    }
    wg.Wait()

    cancel()
    fmt.Println("All goroutines stopped")
}

上边的代码，关于输入文件：file.sql,  线程数：10， 运行时间：60秒，都是硬编码进去的。你可以根据实际情况，进行参数化。

体验：

在你的go环境已经安装了"github.com/lib/pq"等必备包之后（go get github.com/lib/pq)，就可以直接执行了。我们准备一个pg的基本环境。database: mydb,  端口：5555, 就用postgres用户及相应密码（仅用于测试目的），不缀述。

目标表的准备：

\c mydb
create table t(id int, col2 varchar(32));

file.sql文件内容如下：

insert into t values ((10000*random())::int, md5(random()::varchar));
with updates as (select (10000*random())::int as id) update t set col2 = 'update' || updates.id from updates where t.id=updates.id returning updates.id;

这个测试的代码片段，就是插入一条随机记录，并且再随机更新一条记录，使用CTE语法，把对应的id值返回来，有可能找不到对应的记录，就返回的是空值。在并发大的情况下，update语句慢慢就起作用了。这样就可以反复执行。

来看看效果：

go run ./stress.go

hread 7 stopped. It executed SQLs for 59.999324s 
Thread 1 stopped. It executed SQLs for 1m0.000756208s 
Thread 2 stopped. It executed SQLs for 1m0.000604792s 
Thread 4 stopped. It executed SQLs for 1m0.001703583s 
Thread 0 stopped. It executed SQLs for 1m0.008518875s 
Thread 9 stopped. It executed SQLs for 1m0.008456083s 
Thread 5 stopped. It executed SQLs for 1m0.007964375s 
Thread 6 stopped. It executed SQLs for 1m0.007968292s 
Thread 3 stopped. It executed SQLs for 1m0.008145042s 
Thread 8 stopped. It executed SQLs for 1m0.008202209s 
All goroutines stopped

1分钟跑完之后，我们看到这样的部分记录结果：

mydb=# select * from t limit 10;
  id  |    col2
------+------------
 4792 | update4792
 3416 | update3416
 9290 | update9290
  887 | update887
 8778 | update8778
 7472 | update7472
 4602 | update4602
 3454 | update3454
 2604 | update2604
 1990 | update1990
(10 rows)

总记录条数：

mydb=# select count(*) from t;
 count
--------
 126056
(1 row)

引申：可以认为单个C+U操作，10个线程并发，1分钟入库12.6万。

表大小：

mydb=# select pg_total_relation_size('t');
 pg_total_relation_size
------------------------
                8372224
(1 row)

使用下边的SQL看看相关指标：

WITH cteTableInfo AS 
(
    SELECT 
        COUNT(1) AS ct
        ,SUM(length(t::text)) AS TextLength  
        ,'public.t'::regclass AS TableName  
    FROM public.t AS t  
)
,cteRowSize AS 
(
   SELECT ARRAY [pg_relation_size(TableName)
               , pg_relation_size(TableName, 'vm')
               , pg_relation_size(TableName, 'fsm')
               , pg_table_size(TableName)
               , pg_indexes_size(TableName)
               , pg_total_relation_size(TableName)
               , TextLength
             ] AS val
        , ARRAY ['Relation Size'
               , 'Visibility Map'
               , 'Free Space Map'
               , 'Table Included Toast Size'
               , 'Indexes Size'
               , 'Total Relation Size'
               , 'Live Row Byte Size'
             ] AS Name
   FROM cteTableInfo
)
SELECT 
    unnest(name) AS Description
    ,unnest(val) AS Bytes
    ,pg_size_pretty(unnest(val)) AS BytesPretty
    ,unnest(val) / ct AS bytes_per_row
FROM cteTableInfo, cteRowSize

UNION ALL SELECT '------------------------------', NULL, NULL, NULL
UNION ALL SELECT 'TotalRows', ct, NULL, NULL FROM cteTableInfo
UNION ALL SELECT 'LiveTuples', pg_stat_get_live_tuples(TableName), NULL, NULL FROM cteTableInfo
UNION ALL SELECT 'DeadTuples', pg_stat_get_dead_tuples(TableName), NULL, NULL FROM cteTableInfo;

结果:

          description           |  bytes  | bytespretty | bytes_per_row
--------------------------------+---------+-------------+---------------
 Relation Size                  | 8339456 | 8144 kB     |            66
 Visibility Map                 |    8192 | 8192 bytes  |             0
 Free Space Map                 |   24576 | 24 kB       |             0
 Table Included Toast Size      | 8372224 | 8176 kB     |            66
 Indexes Size                   |       0 | 0 bytes     |             0
 Total Relation Size            | 8372224 | 8176 kB     |            66
 Live Row Byte Size             | 2338451 | 2284 kB     |            18
 ------------------------------ |         |             |
 TotalRows                      |  126056 |             |
 LiveTuples                     |  126056 |             |
 DeadTuples                     |   12274 |             |
(11 rows)

里边有涉及到的死元组为12274行。

mydb=# create extension pgstattuple;
CREATE EXTENSION

mydb=# select * from pgstattuple('public.t') \gx
-[ RECORD 1 ]------+--------
table_len          | 8339456
tuple_count        | 126056
tuple_len          | 5125646
tuple_percent      | 61.46
dead_tuple_count   | 12110
dead_tuple_len     | 483172
dead_tuple_percent | 5.79
free_space         | 1451672
free_percent       | 17.41

这两种统计结果也都比较接近。

当你针对相同的表，进行随机多次测试，发现上边的值也会不断变化（update的命中率会越来越高）。

总结：

本文的目的，只是作一个抛砖引玉，可以随时使用go, python甚至rust去构建一个小的压缩环境，对各种复杂的压力环境进行模拟，并得出相关结论。当然，作为一个团队，可以开发出使用Java之类的接近业务逻辑的工具也是可以的。也有的测试团队，原意使用JMeter + jdbc来构建测试套集，都不失为一种方式。这类工具，是介于pgbench 和 真实业务场景压测之间的一种使用方式。哪个更方便，就可以用哪个。

上边的代码片段，稍加改造，就可以用到实际的实验当中。

关于表膨胀，可以看看我前边的文章：

也聊聊PostgreSQL中的空间膨胀与AutoVacuum

PG中的一例简单的update看表膨胀