PGConf.Russia 2025

Бывает, что бизнес-логика реализована в БД. При этом всем известно, что поддержка и разработка бизнес-логики идёт намного проще, если она покрыта тестами. В свою очередь тесты бэка считают БД внешним ресурсом и не всегда работают с «живой» БД. В этом докладе будет рассмотрена доработанная библиотека pgTap. Эта разработка может организовать не только юнит-тестирование и CI кода в БД, но даже ускорит саму разработку.

В докладе расскажем о ручной миграции хранимых процедур и табличных функций из MS SQL Server в PL/pgSQL. Мы сознательно выбрали ручной перевод вместо использования расширений PostgreSQL с автоматической конвертацией. Причина — сложная бизнес-логика в коде T-SQL, для которой мы хотели получить чистый, читаемый PL/pgSQL-код.

В исходном T-SQL коде использовались:

• Комбинация хранимых процедур и табличных функций
• Табличные переменные и пользовательские табличные типы
• Рекурсивные Common Table Expressions (CTE)
• Опциональные параметры

Миграция потребовала:

• Приведения имен к стандартам PostgreSQL
• Переименования параметров и локальных переменных
• Маппинг табличных типов
• Маппинг табличных параметров в массивы
• Маппинг табличных возвращаемых типов в SETOF-запись
• Перевод логики между массивами и таблицами

В докладе мы пройдем путь миграции цепочки зависимых T-SQL-функций в PL/pgSQL, разберем особенности и обойдем подводные камни обоих языков

Почему пулеры играют ключевую роль в процессе эксплуатации базы данных PostgreSQL? Обсудим проблемы, с которыми столкнулись при использовании и внедрении существующих пулеров, и преимущества, которые мы получили, создав собственный пулер.

При нагрузочном тестировании PostgreSQL бенчмарки замеряют время исполнения запроса (latency). Для более объективного результата запрос выполняется большое количество раз — из этого получается некоторый набор latency. Для оценки производительности PostgreSQL на данном запросе можно использовать стандартные методы, такие как медиана или среднее, но мы предлагаем использовать более комплексный подход. Как показала практика, такие выборки часто бывают мультимодальными и состоят из различных распределений с некоторыми параметрами. 

В таких случаях стандартных методов становится недостаточно, необходимо анализировать составляющие по отдельности. Результатом работы является инструмент, позволяющий автоматически проводить статистический анализ результата бенчмарка с учетом особенностей каждого набора данных, в том числе выявлять мультимодальность, количество и границы преобладания каждой моды, а также параметры распределений.