GROUP BY未走并行需先检查执行计划是否有Gather节点;常见原因包括表太小、统计信息陈旧、max_parallel_workers_per_gather为0、含不支持并行的构造,或work_mem不足导致磁盘聚合。

GROUP BY为什么没走并行?先看执行计划里有没有Gather节点
PostgreSQL 14 的 GROUP BY 要触发并行,必须满足两个硬性条件:优化器生成的计划中出现 Gather 节点,且该节点下有 Parallel Seq Scan 或 Parallel Index Scan 子节点。如果 EXPLAIN (ANALYZE, VERBOSE) 输出里只有普通 Seq Scan 或 HashAggregate,说明并行根本没被考虑。
常见原因包括:
- 表太小,低于
min_parallel_table_scan_size(默认 8MB),系统直接跳过并行路径 - 统计信息陈旧,
pg_class.reltuples显示行数远少于实际,导致代价估算偏低 -
max_parallel_workers_per_gather设为 0,或max_worker_processes不足,Worker 进程无法启动 - 查询里含不支持并行的构造,比如某些窗口函数、不可并行的自定义聚合、或子查询中用了
FOR UPDATE
work_mem不够会直接废掉并行聚合能力
很多人以为只要开了并行,GROUP BY 就能自动分摊压力——其实不然。并行 Worker 只负责扫描和初步过滤,真正的分组聚合(Partial Aggregate → Finalize Aggregate)仍依赖内存。如果 work_mem 太小,每个 Worker 都可能因哈希表溢出而退化成磁盘聚合,反而拖慢整体速度。
验证方式很直接:
- 运行
EXPLAIN (ANALYZE, BUFFERS),检查Partial HashAggregate和Finalize HashAggregate节点的Disk Usage是否 > 0 - 若看到
writing to disk due to insufficient memory日志,说明work_mem已成瓶颈 - 注意:
work_mem是「每个 Worker 独占」的,不是总和。设成'64MB'且启了 4 个 Worker,单查询就可能吃掉 256MB 内存
关键参数要协同调,不能只改 max_parallel_workers_per_gather
单独把 max_parallel_workers_per_gather 从 2 改成 8,往往没用,甚至更慢。并行效率取决于三者配合:
-
max_worker_processes必须 ≥ 所有并发查询的 Worker 总需求,建议设为 CPU 核心数 × 2(如 16 核机器设 32) -
max_parallel_workers_per_gather推荐 ≤ CPU 核心数 ÷ 2,避免 Worker 争抢 CPU;高吞吐 OLAP 场景可设 4~6 -
min_parallel_table_scan_size可降至'4MB',让中等大小分区表也能进并行路径;但别设成'1MB',否则小表频繁启 Worker 反而增加调度开销
所有这些参数都得写进 postgresql.conf 并执行 SELECT pg_reload_conf() 生效,临时 SET 不起作用。
分区表上 GROUP BY 并行效果差?检查分区剪枝是否生效
在按时间分区的大表上做 GROUP BY,如果 WHERE 条件没精准命中具体分区(比如用 date_trunc('month', ts) 而非直接比较 ts >= '2026-01-01' AND ts ),优化器可能无法剪枝,被迫扫描全部子表——这时即使并行开启,也是在无效数据上白忙。
确认方法:
- 看
EXPLAIN输出里Append节点下是否只列出几个子分区,还是列出了全部几十个 - 确保分区键类型与查询条件完全匹配,避免隐式转换(如
text列 vsvarchar参数) - 对高频分组字段建本地索引(
CREATE INDEX ON part_202601 (user_id)),否则每个分区都得全扫
并行 + 分区剪枝 + 合理的 work_mem,三者缺一不可。最容易被忽略的是:哪怕所有配置都对,只要某次查询因参数绑定导致剪枝失败,性能就会断崖下跌。










