Lunes, 16 de noviembre de 2026
Portada de las 21:50
Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Programación · boringsql.com

Cómo elige filas TABLESAMPLE

Un artículo de boringsql explica cómo funciona TABLESAMPLE en PostgreSQL, la cláusula SQL para consultar solo una muestra de una tabla grande. Su tesis: no elige filas, sino direcciones físicas (páginas y line pointers), lo que explica por qué SYSTEM es rápido pero sesgado con datos ordenados.

Foto: vía boringsql.com

Leer el artículo aquíArtículo original (boringsql.com) 0 comentarios en Hacker News

Escucha la noticia3 min

El autor parte de una tabla orders de dos millones de filas (18.085 páginas de 8 kB, 141 MB). Contar los pedidos «shipped» sin índice obliga a leer todas las páginas: 56 ms. En una tabla de 1 TB con 134 millones de páginas, cada consulta exploratoria leería todo el disco. TABLESAMPLE, parte del estándar SQL, va en la cláusula FROM y ejecuta el resto de la consulta solo sobre un subconjunto de páginas.

Con TABLESAMPLE SYSTEM (1), la misma cuenta lee 177 páginas en 0,829 ms y, multiplicada por 100, estima 492.000 pedidos frente a los 500.000 reales. El tamaño de la muestra no es fijo: cinco semillas dieron entre 18.107 y 20.416 filas. Para un número exacto de filas existe tsm_system_rows, en contrib. Las filas salen en orden físico y los totales (count, sum) hay que escalarlos a mano; medias, ratios y extremos se leen tal cual.

El problema aparece con min(created_at): como las filas se insertaron en orden temporal, la muestra SYSTEM se queda a entre 44 minutos y casi cinco horas del valor real, y dos ejecuciones coinciden al segundo. La causa, según el autor, es que ambos métodos integrados aplican un hash al ctid (página y número de line pointer) junto con una semilla y se quedan con lo que cae bajo un umbral del 1 %. SYSTEM lanza una moneda por página y toma todas sus filas; BERNOULLI, una por line pointer, por lo que debe abrir todas las páginas. Por eso SYSTEM tarda 1,2 ms y BERNOULLI 10,4 ms.

Una página contiene unas 107 filas consecutivas en el tiempo, así que la muestra SYSTEM son unas 200 tiras cortas de la línea temporal, no 20.000 segundos dispersos. Con 200 semillas, avg(created_at) con SYSTEM oscila diez veces más que con BERNOULLI; una muestra de 20.000 filas tiene una precisión cercana a la de una de 200. En una tabla barajada (orders_shuffled) el problema desaparece, y BERNOULLI sobre la tabla ordenada funciona igual de bien. Las columnas sin relación con la posición física, como un importe aleatorio, promedian igual con ambos métodos. El autor avisa de que afecta a columnas de tiempo, ids crecientes y datos cargados por lotes. El texto termina con la sección sobre REPEATABLE, que fija la semilla y por tanto las direcciones, aunque que sigan conteniendo las mismas filas depende de lo que le pase a la tabla (por ejemplo, tras añadir 200.000 filas SYSTEM conservó todas las de la muestra original).

En Hacker News

«Tablesample Picks Rows» · puesto 29 · 4 puntos · enviado por surprisetalk

Lo que dicen los comentarios

El post tiene 3 puntos y todavía no tiene comentarios, así que no hay debate que contar.

Pregunta sobre esta noticia

Respuestas automáticas a partir de las noticias de El Autómata, sus fuentes y la radio. Pueden contener errores: comprueba los enlaces.

Fuentes

Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.