Django SearchRank带排名注解查询性能过慢问题求助

老哥，这问题我之前踩过坑！50万条数据用SearchRank直接从毫秒级掉到5秒确实头疼，给你几个亲测有效的优化方向：

你用的vector应该是Django的TSVectorField吧？普通B树索引对全文搜索完全没用，必须建GIN索引——这是PostgreSQL全文搜索提速的核心：

• 如果是用Django迁移创建表，直接在模型里指定GIN索引：

  from django.contrib.postgres.indexes import GinIndex
  
  class Location(models.Model):
      # 你的业务字段...
      vector = models.TSVectorField(null=True)
      
      class Meta:
          indexes = [
              GinIndex(fields=['vector']),
          ]
  

• 要是表已经建好，直接在数据库手动加索引更快捷：

  CREATE INDEX idx_location_vector ON location USING GIN(vector);
  

  这个索引能让PostgreSQL跳过全表扫描，直接通过索引定位匹配文档，速度能提几个数量级。

默认的ts_rank函数计算开销其实不小，尤其是数据量大的时候，可以试试换用覆盖密度排名函数ts_rank_cd，它的计算逻辑更轻量化，很多场景下排名效果差距不大，但速度快很多：

from django.contrib.postgres.search import SearchRank, SearchQuery

q_ = SearchQuery(val)
# 替换function参数为ts_rank_cd
qs = Location.objects.annotate(
    rank=SearchRank(vector, q_, function='ts_rank_cd')
).filter(rank__gte=0.1).order_by('-rank')

另外如果你给vector配置了复杂的字段权重（比如A/B/C/D级权重），尽量简化——越复杂的权重计算，CPU开销越高。

现在的逻辑是先给所有行计算rank再过滤，其实可以先通过索引筛选出匹配的结果，再给这些行计算rank：

# 先通过vector__search筛选匹配行，再计算rank
qs = Location.objects.filter(vector__search=q_).annotate(
    rank=SearchRank(vector, q_)
).filter(rank__gte=0.1).order_by('-rank')

vector__search=q_会直接利用GIN索引快速过滤出符合条件的行，避免给全表50万条数据都计算rank，能大幅减少计算量。

如果数据库用的是默认配置，内存分配不足会导致索引无法全量加载到内存，每次查询都要读磁盘，速度自然慢。可以根据服务器内存调整以下参数：

• shared_buffers：建议设为服务器内存的1/4（比如16G内存就设为4G）
• work_mem：每个查询的工作内存，全文搜索排序时需要足够内存避免磁盘排序，建议设为64MB及以上
• effective_cache_size：设为服务器内存的1/2到3/4，帮助优化器判断是否使用索引

修改后记得重启PostgreSQL生效。

如果以上方法还是不够快，可以考虑预计算优化：

• 对高频搜索词，用Redis等缓存工具缓存对应的排名结果，直接返回缓存
• 若表更新频率低，可以建物化视图，预存向量和计算好的rank，定期刷新视图，查询直接从物化视图取数据

最后，一定要用EXPLAIN ANALYZE看你的查询计划，确认是否走了GIN索引、有没有全表扫描或磁盘排序——这能帮你精准定位瓶颈。

内容的提问来源于stack exchange，提问作者shacker