> ## Documentation Index > Fetch the complete documentation index at: https://private-7c7dfe99-mintlify-fbfa8bee.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # Réécriture des requêtes PostgreSQL > Partie 2 d’un guide sur la migration de PostgreSQL vers ClickHouse > Voici la **Partie 2** d’un guide sur la migration de PostgreSQL vers ClickHouse. À l’aide d’un exemple concret, il montre comment mener efficacement la migration avec une approche de réplication en temps réel (CDC). Bon nombre des concepts abordés s’appliquent également aux transferts manuels de gros volumes de données de PostgreSQL vers ClickHouse. La plupart des requêtes SQL de votre environnement PostgreSQL devraient s’exécuter dans ClickHouse sans modification, et probablement plus rapidement.
## Déduplication avec CDC
Lorsque vous utilisez la réplication en temps réel avec CDC, gardez à l’esprit que les mises à jour et les suppressions peuvent entraîner des lignes en double. Pour y remédier, vous pouvez utiliser des techniques reposant sur des vues et des vues matérialisées actualisables. Consultez ce [guide](/fr/integrations/clickpipes/postgres/deduplication#query-like-with-postgres) pour découvrir comment migrer votre application de PostgreSQL vers ClickHouse le plus simplement possible à l’aide de la réplication en temps réel avec CDC.
## Optimiser les requêtes dans ClickHouse
Même s’il est possible d’effectuer cette migration avec un minimum de réécriture des requêtes, il est recommandé de tirer parti des fonctionnalités de ClickHouse pour simplifier considérablement les requêtes et améliorer encore leurs performances. Les exemples ci-dessous couvrent des modèles de requêtes courants et montrent comment les optimiser avec ClickHouse. Ils utilisent l’intégralité du [Stack Overflow dataset](/fr/get-started/sample-datasets/stackoverflow) (jusqu’en avril 2024) sur des ressources équivalentes dans PostgreSQL et ClickHouse (8 cœurs, 32 GiB de RAM). > Par souci de simplicité, les requêtes ci-dessous n’utilisent pas de techniques de déduplication des données. > Les nombres indiqués ici différeront légèrement, car les données Postgres ne contiennent que les lignes qui respectent l’intégrité référentielle des clés étrangères. ClickHouse n’impose pas de telles contraintes et contient donc l’ensemble complet du dataset, par exemple avec les utilisateurs anonymes. Utilisateurs (avec plus de 10 questions) qui reçoivent le plus de vues : ```sql theme={null} -- ClickHouse SELECT OwnerDisplayName, sum(ViewCount) AS total_views FROM stackoverflow.posts WHERE (PostTypeId = 'Question') AND (OwnerDisplayName != '') GROUP BY OwnerDisplayName HAVING count() > 10 ORDER BY total_views DESC LIMIT 5 ``` ```response theme={null} ┌─OwnerDisplayName─┬─total_views─┐ │ Joan Venge │ 25520387 │ │ Ray Vega │ 21576470 │ │ anon │ 19814224 │ │ Tim │ 19028260 │ │ John │ 17638812 │ └──────────────────┴─────────────┘ 5 rows in set. Elapsed: 0.360 sec. Processed 24.37 million rows, 140.45 MB (67.73 million rows/s., 390.38 MB/s.) Peak memory usage: 510.71 MiB. ``` ```sql theme={null} --Postgres SELECT OwnerDisplayName, SUM(ViewCount) AS total_views FROM public.posts WHERE (PostTypeId = 1) AND (OwnerDisplayName != '') GROUP BY OwnerDisplayName HAVING COUNT(*) > 10 ORDER BY total_views DESC LIMIT 5; ownerdisplayname | total_views -------------------------+------------- Joan Venge | 25520387 Ray Vega | 21576470 Tim | 18283579 J. Pablo Fernández | 12446818 Matt | 12298764 Time: 107620.508 ms (01:47.621) ``` Quels `tags` ont le plus de `vues` : ```sql theme={null} --ClickHouse SELECT arrayJoin(arrayFilter(t -> (t != ''), splitByChar('|', Tags))) AS tags, sum(ViewCount) AS views FROM posts GROUP BY tags ORDER BY views DESC LIMIT 5 ``` ```response theme={null} ┌─tags───────┬──────views─┐ │ javascript │ 8190916894 │ │ python │ 8175132834 │ │ java │ 7258379211 │ │ c# │ 5476932513 │ │ android │ 4258320338 │ └────────────┴────────────┘ 5 rows in set. Elapsed: 0.908 sec. Processed 59.82 million rows, 1.45 GB (65.87 million rows/s., 1.59 GB/s.) ``` ```sql theme={null} --Postgres WITH tags_exploded AS ( SELECT unnest(string_to_array(Tags, '|')) AS tag, ViewCount FROM public.posts ), filtered_tags AS ( SELECT tag, ViewCount FROM tags_exploded WHERE tag <> '' ) SELECT tag AS tags, SUM(ViewCount) AS views FROM filtered_tags GROUP BY tag ORDER BY views DESC LIMIT 5; tags | views ------------+------------ javascript | 7974880378 python | 7972340763 java | 7064073461 c# | 5308656277 android | 4186216900 (5 rows) Time: 112508.083 ms (01:52.508) ``` **Fonctions d’agrégation** Dans la mesure du possible, exploitez les fonctions d’agrégation de ClickHouse. Ci-dessous, nous montrons comment utiliser la fonction [argMax](/fr/reference/functions/aggregate-functions/argMax) pour calculer la question la plus consultée de chaque année. ```sql theme={null} --ClickHouse SELECT toYear(CreationDate) AS Year, argMax(Title, ViewCount) AS MostViewedQuestionTitle, max(ViewCount) AS MaxViewCount FROM stackoverflow.posts WHERE PostTypeId = 'Question' GROUP BY Year ORDER BY Year ASC FORMAT Vertical ``` ```response theme={null} Row 1: ────── Year: 2008 MostViewedQuestionTitle: How to find the index for a given item in a list? MaxViewCount: 6316987 Row 2: ────── Year: 2009 MostViewedQuestionTitle: How do I undo the most recent local commits in Git? MaxViewCount: 13962748 ... Row 16: ─────── Year: 2023 MostViewedQuestionTitle: How do I solve "error: externally-managed-environment" every time I use pip 3? MaxViewCount: 506822 Row 17: ─────── Year: 2024 MostViewedQuestionTitle: Warning "Third-party cookie will be blocked. Learn more in the Issues tab" MaxViewCount: 66975 17 rows in set. Elapsed: 0.677 sec. Processed 24.37 million rows, 1.86 GB (36.01 million rows/s., 2.75 GB/s.) Peak memory usage: 554.31 MiB. ``` C’est nettement plus simple (et plus rapide) que la requête équivalente dans Postgres : ```sql theme={null} --Postgres WITH yearly_views AS ( SELECT EXTRACT(YEAR FROM CreationDate) AS Year, Title, ViewCount, ROW_NUMBER() OVER (PARTITION BY EXTRACT(YEAR FROM CreationDate) ORDER BY ViewCount DESC) AS rn FROM public.posts WHERE PostTypeId = 1 ) SELECT Year, Title AS MostViewedQuestionTitle, ViewCount AS MaxViewCount FROM yearly_views WHERE rn = 1 ORDER BY Year; year | mostviewedquestiontitle | maxviewcount ------+-----------------------------------------------------------------------------------------------------------------------+-------------- 2008 | How to find the index for a given item in a list? | 6316987 2009 | How do I undo the most recent local commits in Git? | 13962748 ... 2023 | How do I solve "error: externally-managed-environment" every time I use pip 3? | 506822 2024 | Warning "Third-party cookie will be blocked. Learn more in the Issues tab" | 66975 (17 rows) Time: 125822.015 ms (02:05.822) ``` **Expressions conditionnelles et tableaux** Les fonctions conditionnelles et les fonctions sur les tableaux simplifient considérablement les requêtes. La requête suivante calcule les tags (avec plus de 10 000 occurrences) dont l’augmentation en pourcentage entre 2022 et 2023 est la plus forte. Remarquez à quel point la requête ClickHouse suivante est concise grâce aux expressions conditionnelles, aux fonctions sur les tableaux et à la possibilité de réutiliser des alias dans les clauses HAVING et SELECT. ```sql theme={null} --ClickHouse SELECT arrayJoin(arrayFilter(t -> (t != ''), splitByChar('|', Tags))) AS tag, countIf(toYear(CreationDate) = 2023) AS count_2023, countIf(toYear(CreationDate) = 2022) AS count_2022, ((count_2023 - count_2022) / count_2022) * 100 AS percent_change FROM stackoverflow.posts WHERE toYear(CreationDate) IN (2022, 2023) GROUP BY tag HAVING (count_2022 > 10000) AND (count_2023 > 10000) ORDER BY percent_change DESC LIMIT 5 ``` ```response theme={null} ┌─tag─────────┬─count_2023─┬─count_2022─┬──────percent_change─┐ │ next.js │ 13788 │ 10520 │ 31.06463878326996 │ │ spring-boot │ 16573 │ 17721 │ -6.478189718413183 │ │ .net │ 11458 │ 12968 │ -11.644046884639112 │ │ azure │ 11996 │ 14049 │ -14.613139725247349 │ │ docker │ 13885 │ 16877 │ -17.72826924216389 │ └─────────────┴────────────┴────────────┴─────────────────────┘ 5 rows in set. Elapsed: 0.247 sec. Processed 5.08 million rows, 155.73 MB (20.58 million rows/s., 630.61 MB/s.) Peak memory usage: 403.04 MiB. ``` ```sql theme={null} --Postgres SELECT tag, SUM(CASE WHEN year = 2023 THEN count ELSE 0 END) AS count_2023, SUM(CASE WHEN year = 2022 THEN count ELSE 0 END) AS count_2022, ((SUM(CASE WHEN year = 2023 THEN count ELSE 0 END) - SUM(CASE WHEN year = 2022 THEN count ELSE 0 END)) / SUM(CASE WHEN year = 2022 THEN count ELSE 0 END)::float) * 100 AS percent_change FROM ( SELECT unnest(string_to_array(Tags, '|')) AS tag, EXTRACT(YEAR FROM CreationDate) AS year, COUNT(*) AS count FROM public.posts WHERE EXTRACT(YEAR FROM CreationDate) IN (2022, 2023) AND Tags <> '' GROUP BY tag, year ) AS yearly_counts GROUP BY tag HAVING SUM(CASE WHEN year = 2022 THEN count ELSE 0 END) > 10000 AND SUM(CASE WHEN year = 2023 THEN count ELSE 0 END) > 10000 ORDER BY percent_change DESC LIMIT 5; tag | count_2023 | count_2022 | percent_change -------------+------------+------------+--------------------- next.js | 13712 | 10370 | 32.22757955641273 spring-boot | 16482 | 17474 | -5.677005837243905 .net | 11376 | 12750 | -10.776470588235295 azure | 11938 | 13966 | -14.520979521695546 docker | 13832 | 16701 | -17.178612059158134 (5 rows) Time: 116750.131 ms (01:56.750) ``` [Cliquez ici pour la 3e partie](/fr/get-started/migrate/postgres/migration-guide/migration-guide-part3)