Postgres 18: CREATE FOREIGN TABLE LIKE. Можно не тянуть схему удалённой таблицы и просто создать её дубликат по месту.

CREATE FOREIGN TABLE sales (
    LIKE archive_sales INCLUDING DEFAULTS INCLUDING CONSTRAINTS
)
SERVER archive
OPTIONS (schema_name 'public', table_name 'sales_24');

По сути, ты клонируешь структуру существующей таблицы через LIKE, включая значения по умолчанию и ограничения, и сразу привязываешь её к удалённой таблице через foreign server.

👉 @SQLPortal

Подготовлен свежий сборник из 40 SQL-вопросов для технических собеседований. В него вошли все ключевые темы, которые обычно проверяют на позиции, связанные с базами данных

👉 @SQLPortal

Доступ к атрибутам JSON, хранящимся в Oracle AI Database, можно организовать через простую точечную нотацию или через функции семейства JSON_VALUE.

Точечная нотация выглядит как <alias>.<column>.<path>.<to><attr> и позволяет обращаться к атрибутам прямо из SQL.

Аналогичный доступ можно оформить через JSON_VALUE(column, '$.<path>.<to><attr>'). Разница в том, что точечная нотация вернёт NULL, если не сможет обработать путь, а JSON_VALUE позволяет задавать поведение при ошибках и управлять типами возвращаемых данных.

JSON можно хранить в колонках VARCHAR2/CLOB/BLOB и проверять с помощью ограничения IS JSON. Для выборки подойдут как точечная нотация, так и JSON_VALUE, JSON_QUERY или JSON_TABLE.

Пример:

CREATE TABLE json_data ( data BLOB CHECK ( data IS JSON ) );

INSERT INTO json_data VALUES
( ' { array : [ 1, 2, 3 ], string : "text", date : "2023-01-01" }' );

SELECT j.data.array[0] string_number,   -- по умолчанию varchar2(4000)
       JSON_VALUE ( data, '$.array[2]' RETURNING NUMBER ) number_number,
       JSON_VALUE ( data, '$.date' ) string_date,
       JSON_VALUE ( data, '$.date' RETURNING NUMBER DEFAULT 0 ON ERROR ) not_number
FROM   json_data j
WHERE  j.data.string = 'text';

STRING_NUMBER   NUMBER_NUMBER   STRING_DATE   NOT_NUMBER
--------------  --------------  ------------  ----------
1               3               2023-01-01    0

👉 @SQLPortal

Ты правда шаришь в SQL? 😊

Какой запрос вернёт накопительный итог продаж по дате?

A.

SELECT Date, SUM(Amount)
FROM Sales GROUP BY Date;

B.

SELECT Date, SUM(Amount) OVER (ORDER BY Date)
FROM Sales;

C.

SELECT Date, RUNNING(Amount) FROM Sales;

👉 @SQLPortal

Postgres 18 получил поддержку виртуальных вычисляемых колонок. Вычисляемые STORED-колонки в Postgres уже были несколько версий подряд.

Вычисляемые колонки позволяют:
• создавать колонку на основе других данных
• ссылаться на значения из других колонок
• заранее считать колляции или любые вычисления в базе, а не в приложении

Синтаксис GENERATED ALWAYS AS открывает выражение, а в конце указывается режим VIRTUAL или STORED.
Виртуальные вычисляемые колонки пересчитываются при каждом чтении, поэтому не подходят для тяжёлых вычислений. Для таких случаев лучше использовать STORED-колонку или даже expression index. Но они удобны, когда значение нужно редко и его логично вычислять на лету.

Пример:

CREATE TABLE products (
id serial PRIMARY KEY,
price numeric,
tax_rate numeric DEFAULT 0.05,
total_price numeric GENERATED ALWAYS AS (price * (1 + tax_rate)) VIRTUAL
);

👉 @SQLPortal

Postgres 18 меняет дефолтные настройки целостности данных

В новом релизе опция data checksums теперь включена по умолчанию. Раньше админам нужно было явно передавать --data-checksums при initdb, иначе кластер поднимался без проверки страниц на тихую порчу. Теперь достаточно обычного initdb -D /data/pg18 — каждая 8KB-страница таблиц и индексов получает checksum, который проверяется при чтении. Это тот же механизм, на который опирается pgBackRest при валидации бэкапов.

При этом меняются и правила игры для апгрейдов через pg_upgrade: старый и новый кластеры должны быть подняты с одинаковыми настройками checksums. Если ваш текущий кластер без checksums, прямой апгрейд на «дефолтный» Postgres 18 провалится. Временный обходной путь — инициализировать новый кластер с флагом --no-data-checksums, чтобы выровнять конфигурацию. Более правильная стратегия будет, заранее включить checksums с помощью pg_checksums (да, с даунтаймом), а в больших инсталляциях сначала включать их на реплике и переключаться уже на неё.

В итоге checksums из рекомендованной опции превращаются в норму по умолчанию. Если вы до сих пор жили без них, самое время заложить в план обслуживания включение checksums и пересмотреть сценарии major-апгрейдов Postgres.

👉 @SQLPortal

Работаешь с массивами? Оператор ANY позволяет проверить список и увидеть, совпадает ли хоть один элемент.

SELECT * FROM products
WHERE 'Red' = ANY(colors);

color = 'red' срабатывает только для одиночного значения

'Red' = ANY(...) работает, когда у тебя колонка со списком вроде ['red', 'blue', 'green']

👉 @SQLPortal

SQL Case Files

Изучай SQL, параллельно разбирая детективные расследования.

Пиши запросы, чтобы узнать больше о подозреваемых, находить улики и закрывать дела.

Играть здесь: https://sqlcasefiles.com

👉 @SQLPortal

DuckLake теперь поддерживает встраивание данных для каталогов PostgreSQL и SQLite! Можно обойти проблему мелких файлов в lakehouse с любым каталогом, который поддерживает DuckLake.

Обнови расширение DuckLake в любом клиенте на DuckDB 1.4.x, чтобы использовать эту фичу.

P.S. Не забудь сделать flush!

👉 @SQLPortal

Продвинутый планировщик задач, который живёт в экосистеме PostgreSQL

Утилита полностью управляемая через базу без серверных конфигов. Поддерживает пайплайны задач, запуск SQL и внешних команд, умные ретраи после сбоев и контроль параллельного запуска тяжёлых джобов.

👉 @SQLPortal

SelfDB — самостоятельно размещенный BaaS как альтернатива Supabase, ориентированная на тех, кто хочет держать базу, схемы и запросы под полным контролем, а не прятать всё за абстракциями

👉 @SQLPortal

Совет по SQL:

Работа с оператором ORDER BY.

👉 @SQLPortal

Чтобы быстро освежить в голове SQL-паттерны, которые постоянно встречаются в аналитике и задачах на данных. Удобно как мини-шпаргалка перед собесом, тестовым или когда нужно быстро накидать запрос и не тупить на синтаксисе. ⛄️

👉 @SQLPortal

До Postgres 18 планировщик не рассматривал многоколонные B-tree индексы, если в запросе не использовался их самый левый столбец.
С появлением skip scan многоколонный индекс теперь может использоваться для выполнения запросов по любому из столбцов.

👉 @SQLPortal

Зимняя уборка в Postgres: посмотрите на самые медленные запросы — где не хватает индексов или есть простор для оптимизации.

В туториале по анализу производительности запросов:

- как использовать pg_stat_statements
- примеры SQL для поиска самых медленных запросов — можно просто скопировать 😉

👉 @SQLPortal

Хорошие новости для пользователей Postgres под конец года. Команда TimescaleDB выпустила и открыла исходники расширения pg_textsearch.

В Postgres уже есть встроенный полнотекстовый поиск, а это расширение делает его более современным и продвинутым за счёт добавления ранжирования BM25.

👉 @SQLPortal

Зимняя уборка в Postgres: проверь неиспользуемые индексы и удали их.
Это ускорит записи, снизит расход памяти и освободит место на диске на следующий год.

👉 @SQLPortal

☝️☝️☝️

👉 @SQLPortal

Хочешь наглядно разобраться в устройстве Oracle AI Database:

- процессы
- память
- объекты
- файлы

Загляни в документацию с диаграммами технической архитектуры.

Там есть интерактивные схемы: можно кликать и смотреть, как компоненты связаны между собой.

Либо открыть все диаграммы сразу здесь

👉 @SQLPortal

Обобщённые инвертированные индексы (GIN) - мощный инструмент в Postgres.

Они хороши тем, что переворачивают привычную модель индексации.

Вместо логики вида: строка с ID 2 содержит значение "become a database expert", индекс хранит обратное соответствие: токен "database" указывает на строки с ID 1, 2 и 3, а "expert" — на строку с ID 2.

GIN-индексу на вход подаётся набор значений для каждой строки, которую нужно проиндексировать. Каждое уникальное значение становится ключом в индексе и сопоставляется с набором CTID (идентификаторов кортежей строк), в которых это значение встречается.

У такого подхода есть несколько сценариев применения, и один из самых популярных - полнотекстовый поиск. В MySQL для этого есть отдельный тип индекса FULLTEXT, а в Postgres похожая функциональность строится на более универсальных GIN-индексах.

Как это выглядит на практике:

(a) Добавляем колонку tsvector в таблицу:

CREATE TABLE post (
    author TEXT,
    publish_date DATE,
    content TEXT NOT NULL,
    search_vector tsvector
);

(b) Заполняем её лексемами (нормализованными словами):

UPDATE post
SET search_vector =
    to_tsvector('english', content);

(c) Создаём GIN-индекс по лексемам:

CREATE INDEX post_search_idx
ON post USING GIN(search_vector);

(d) И выполняем запросы:

SELECT * FROM post
WHERE search_vector @@
      to_tsquery('english', 'database & expert');

В итоге получаем быстрый и гибкий полнотекстовый поиск прямо внутри Postgres, без отдельных движков и костылей.

👉 @SQLPortal