Масштабирование PostgreSQL: где СУБД упирается в потолок и как можно его преодолеть

Масштабирование PostgreSQL — пулинг, репликация, партиционирование и шардирование 

Тирекс
Тирекс Самый зубастый автор
21 ноября 2026

Разбираемся, как правильно разогнать базу данных, если она начала тормозить.

Изображение записи

PostgreSQL — надежная и функциональная СУБД. Однако даже она при постоянном росте количества записей или увеличении числа пользователей рано или поздно упирается в архитектурные или аппаратные ограничения. 

Почему приходится масштабировать PostgreSQL 

Чаще всего, PostgreSQL может достигать лимита по количеству соединений, интенсивности записи или объему хранимых данных. 

1. Количество соединений и бэкенд-процессов

Архитектура PostgreSQL, восходящая к 1990-м годам, подразумевает создание отдельного бэкенд-процесса для каждого клиентского соединения. Такие процессы потребляют десятки мегабайт оперативной памяти и создают нагрузку на переключение контекста (context switching). Открыто 300−500 активных соединений — и производительность начинает деградировать из-за внутренней конкуренции за блокировки (например, ProcArrayLock), независимо от мощности железа.

2. Количество операций записи (Write Amplification)

Любая запись в PostgreSQL — не одно действие. Данные сначала пишутся в WAL (Write-Ahead Log), затем в буферный кэш shared_buffers. Позже механизм контрольных точек checkpoint выгружает грязные страницы на диск, а MVCC (Multi-Version Concurrency Control) создает новую версию строки, оставляя старую для последующей очистки autovacuum.

При нагрузках с высокой интенсивностью записи узким местом становится не только скорость диска (IOPS), но  способность системы своевременно обрабатывать WAL и очищать устаревшие версии строк (dead tuples) без блокировок.

3. Объем данных и сложность запросов

Проблемы возникают не только при тривиальном исчерпании места на диске. Гораздо интереснее более типовая для PostgreSQL ситуация, когда таблицы достигают миллиардов строк, даже index-only scan может занимать секунды, а работа autovacuum или создание резервной копии через pg_dump начинает отбирать часы. Вертикальное масштабирование ресурсами (добавление RAM или CPU) в таком случае помогает слабо. Индексы перестают помещаться в оперативную память, а обновление статистики становится крайне затратным.

Техники масштабирования PostgreSQL

Пулинг соединений (Connection Pooling) — базовая гигиена для любого продакшена. Инструменты вроде PgBouncer выступают прокси-слоем между приложением и базой данных. В режиме transaction pooling десятки или сотни воркеров приложения делят ограниченное количество реальных соединений с БД, что радикально снижает накладные расходы и оптимизирует профиль нагрузки на кластер.

Репликация используется для снятия нагрузки по чтению и обеспечения высокой доступности (HA, High Availability). PostgreSQL поддерживает физическую и логическую репликацию. Потоковая физическая (streaming) репликация — это побайтовое копирование WAL. Поскольку физическая реплика работает только в режиме чтения (запись на нее невозможна), она хорошо подходит для снятия с мастера нагрузки от тяжелых SELECT-запросов — например, для аналитики.

Логическая репликация оперирует изменениями на уровне строк. В отличие от физической, она позволяет выборочно копировать отдельные таблицы и переносить данные из одной мажорной версии PostgreSQL в другую, а также передавать их в сторонние СУБД. 

При большом количестве реплик мастер при рассылке WAL может упираться в сетевые ограничения и производительность CPU. В таких случаях применяется каскадная репликация, когда промежуточные реплики передают данные дальше, разгружая основной узел.

Партиционирование — это разделение одной большой логической таблицы на несколько физических таблиц-партиций в пределах одной базы данных (добавлено в 10‑й версии). 

PostgreSQL поддерживает три стратегии: RANGE (по диапазонам, датам), LIST (по спискам значений) и HASH (по хешу). Главное преимущество — механизм отсечения партиций (partition pruning), который при выполнении запроса обращается только к нужным частям таблицы. Кроме того, удаление устаревших данных происходит мгновенно: вместо ресурсоемкого построчного DELETE можно просто отбросить целиком всю партицию командой DROP PARTITION.

Шардирование — это разделение данных между несколькими физическими базами данных, в том числе, разнесенными по разным серверам. Каждый шард — это независимый кластер PostgreSQL со своим WAL и autovacuum. 

Шардирование реализуется на уровне приложения и снимает все ограничения по интенсивности записи и объему хранения, но добавляет сложность в реализации распределенных систем. Появляется необходимость в координаторе запросов, а также начинают сказываться отсутствие глобальных внешних ключей (foreign keys) и сложности с распределенными транзакциями. 

Для автоматизации могут применяться как внешние инструменты вроде PgDog, который использует хэш-функции, так и маршрутизация запросов на уровне СУБД через секционированные внешние таблицы (partitioned foreign tables). 

Отдельного внимания заслуживает SPQR (Stateless Postgres Query Router, маршрутизатор запросов к PostgreSQL без сохранения состояния)  — проект с открытым исходным кодом для горизонтального шардирования PostgreSQL. Он позволяет вынести маршрутизацию запросов и управление шардами в отдельный слой, сохранив для приложения привычный интерфейс работы с PostgreSQL.

Маршрутизатор поддерживает различные стратегии шардирования, в том числе по хэш-функции и диапазонам значений, умеет распределять запросы между шардами и упрощает масштабирование кластера по мере роста нагрузки и объема данных. SPQR — это интересная альтернатива самостоятельной реализации логики шардирования в приложении: значительная часть инфраструктурной сложности переносится на специализированный слой, хотя ограничения распределенных транзакций и глобальной ссылочной целостности по-прежнему требуют отдельного внимания.

Что и когда применять

ПроблемаРекомендуемая техникаПримечание
Высокая нагрузка на CPU при малом объеме данных, часто появляется ошибка too many clientsОрганизация пула соединенийВнедрение PgBouncer в режиме пула транзакций (transaction pooling) рекомендуется рассматривать до перехода к шардированию.
База «задыхается» от аналитических SELECT-запросов, мешающих основной работеРепликация для чтенияМожно настроить до трех реплик и маршрутизировать к ним все нетранзакционные операции чтения. При этом нужно учитывать возможную репликативную задержку (lag).
Таблица журналов или событий выросла до сотен гигабайт, удаление старых данных тормозит системуПартиционирование (RANGE)Если секционировать таблицу по дате, то удаление старых данных будет занимать миллисекунды вместо часов.
Пропускная способность записи уперлась в физический лимит одного сервера (WAL, IOPS)ШардированиеВнедрение SPQR поможет разделение данных по хэш-ключу — например, user_id. Как показывает опыт высоконагруженных проектов, разделение на несколько шардов с репликами может кратно увеличить пропускную способность системы. Если шардирование оказывается слишком сложным, часть задач с интенсивной записью иногда переносят в специализированные системы — например, в хранилища «ключ‑значение» или документоориентированные СУБД).

Что нужно учесть на старте проекта

Если в перспективе предполагается шардирование, то вместо стандартных счетчиков SERIAL (auto-increment) целесообразно применять UUID. Такой подход позволяет исключить риск коллизий идентификаторов на разных узлах. Рекомендуем рассмотреть проект SPQR для внедрения прямо на старте.

Рекомендуется проектировать короткие транзакции: длинные операции блокируют работу autovacuum, vacuum и pg_repack что со временем приводит к разрастанию таблиц (table bloat) и репликативному лагу. Необходимо заранее заложить окно техобслуживания для оптимизации данных в базе под ваш профиль нагрузки.

Необходимо отслеживать количество мертвых кортежей (dead tuples), задержку репликации, длину очереди WAL и метрики блокировок. Их мониторинг позволяет выявлять проблемы приводящие к деградации производительности. Накопление мертвых кортежей увеличивает объем хранимых данных и нагрузку на дисковую подсистему. Задержка репликации повышает риск потери последних изменений при переключении на реплику. Рост очереди WAL приведет к переполнению диска.

Использование пула соединений (PgBouncer или аналогичного прокси) нужно закладывать в архитектуру с самого начала, даже при минимальной стартовой нагрузке.

    Можно ли мигрировать с PostgreSQL в облако для масштабирования

    Все описанные выше методы отлично работают, но поддерживать такую инфраструктуру самостоятельно бывает сложно и дорого. Миграция же в облако часто становится одним из самых эффективных сценариев масштабирования PostgreSQL. Снимая аппаратные ограничения, облачные провайдеры позволяют:

    • изменять конфигурацию серверов с минимальным или нулевым простоем;
    • добавлять реплики для чтения или увеличивать объем дискового пространства без остановки сервиса;
    • использовать географическое распределение кластеров по разным пулам для снижения задержек (latency) при работе пользователей из конкретных регионов.

    Чем может помочь Selectel

    Несмотря на то, что СУБД PostgreSQL можно развернуть бесплатно и администрировать самостоятельно, все же для грамотной настройки репликации, шардирования, резервного копирования и мониторинга требуются квалифицированные DBA и DevOps-инженеры. Не каждый стартап может себе позволить держать таких специалистов в штате.

    В Selectel можно воспользоваться услугой Managed Databases (DBaaS) для PostgreSQL, которая позволяет:

    • обеспечить бесперебойную работу за счет встроенной репликации и автоматического резервного копирования;
    • масштабировать вычислительные ресурсы и хранилище с нулевым простоем по мере роста нагрузки;
    • сэкономить значительную часть бюджета на инфраструктуру за счет отсутствия необходимости содержать штат узкопрофильных администраторов.

    В статье «Экономический эффект DBaaS за пределами сервера» мы рассчитали реалистичный сценарий для компании, которой требуется отказоустойчивый кластер PostgreSQL для поддержки основного приложения, а также составили сравнительную таблицу затрат на on-premise-решения с облачными базами данных. 

    Расчеты, основанные на средних рыночных данных о зарплатах, стоимости оборудования и ценах на услуги, показали, что использование DBaaS может сэкономить до 77,5% бюджета на инфраструктуру за три года.

    Главное преимущество такого подхода — предсказуемость расходов. Крупные капитальные затраты на покупку железа и найм команды (CAPEX) превращаются в управляемые операционные издержки (OPEX). Бизнес платит только за реально потребляемые ресурсы, а все техническое обслуживание — от поддержания работоспособности оборудования до обновления ПО — на стороне провайдера.

    Проекты со строгими требованиями к производительности могут разместить базы данных на выделенных облачных серверах, соответствующих 152-ФЗ или PCI DSS. Такой подход объединяет надежную изоляцию физического сервера с гибкостью облачной платформы.

    Заключение

    Масштабирование PostgreSQL начинается с определение задания, понимания профиля нагрузки и проектирования решения. Как показывает практика, большинство сервисов начинают «тормозить» не из-за нехватки физических ресурсов, а из-за тривиальных архитектурных просчетов.

    Организация пула соединений, репликация и партиционирование закрывают потребности подавляющего большинства проектов. Только если все доступные варианты оптимизации исчерпаны, можно рассмотреть вариант с шардированием, проекты вроде SPQR серьезно упрощают эту задачу.

    Перенос PostgreSQL в облако превращает масштабирование в управляемый сервис с предсказуемой экономикой. В этом случае бизнес платит только за потребляемые ресурсы, а техническое обслуживание остается на стороне провайдера.