PostgreSQL Scaling nel 2026: Quando Replicare, Partizionare o Fare Sharding
La maggior parte dei database Postgres non avrà mai bisogno di sharding. Ma al momento sbagliato, scegliere la strada di scalabilità errata fa perdere mesi e decine di migliaia di euro. Questa guida ti accompagna attraverso ogni fase, da un server singolo a $100/mese fino a un cluster distribuito, con soglie di costo reali, tempistiche e regole decisionali, così puoi agire prima che il database diventi una crisi.
Il Baseline su Server Singolo: Cosa Ottieni Davvero
Un'istanza Postgres correttamente ottimizzata gestisce molto più di quanto la maggior parte dei team si aspetti. Su RDS db.r6g.2xlarge o un tier Supabase Pro comparabile, si parla di 5.000-10.000 connessioni concorrenti (gestite via PgBouncer), 1-2TB di storage utilizzabile e una bolletta mensile di $100-$300. Questo copre la maggioranza dei prodotti SaaS al Series A e precedenti.
La parola chiave è "correttamente ottimizzata". La configurazione Postgres predefinita è conservativa. Regolare work_mem, effective_cache_size, max_parallel_workers_per_gather e le impostazioni di autovacuum per il tuo profilo di workload produce spesso un miglioramento del throughput del 50-100% senza toccare l'hardware. Aggiungi indici parziali su colonne filtrate ad alta cardinalità e covering index sui percorsi di lettura più frequenti, e puoi spingere 2-3x ulteriormente sullo stesso server.
Non saltare questo passaggio. I team che passano direttamente a replica o sharding perché hanno incontrato una query lenta stanno di solito risolvendo il problema sbagliato. Prima esegui il profiling con pg_stat_statements. Identifica le top 10 query per tempo totale. Correggile. La maggior parte dei problemi di "scalabilità" sotto i 1.000 RPS sono problemi di indici.
Regola decisionale: se sei sotto i 100GB di dati e sotto i 1.000 RPS, stai su un singolo server. Punto.
Vertical Scaling e PgBouncer: Il Moltiplicatore Economico 2-3x
Prima di aggiungere server, esaurisci il vertical scaling. Passare da un'istanza RDS a 4 core a una a 16 core costa denaro, ma costa molto meno in tempo ingegneristico rispetto all'avvio della replica. Il vertical scaling per Postgres è lineare fino a circa 32 core per workload CPU-bound, e gli IOPS di storage scalano con la classe dell'istanza sulla maggior parte delle piattaforme gestite.
PgBouncer è non negoziabile a qualsiasi scala significativa. Postgres crea un processo per connessione. Con 500 connessioni applicative reali senza pooling, stai bruciando 5-10GB di RAM solo in overhead di processo e sprechi CPU significativa in context switching. PgBouncer in modalità transaction-mode pooling moltiplica centinaia di thread applicativi su 20-50 connessioni Postgres effettive. Questo da solo spesso riduce la pressione sulla memoria del 40% e migliora la tail latency.
Il query tuning sopra il vertical scaling e il connection pooling corretto tipicamente garantisce il miglioramento complessivo di 2-3x rispetto a un setup predefinito. Preventiva due settimane per uno sprint di ottimizzazione focalizzato: una settimana per profiling e lavoro sugli indici, una settimana per la configurazione del connection pool ed eliminazione delle slow query. Quelle due settimane di tempo ingegneristico, a $150-200/ora per un DBA senior, costano $12.000-$16.000 e frequentemente rinviano la necessità di replica di 12-18 mesi.
Regola decisionale: prima di aggiungere qualsiasi complessità topologica, esegui lo sprint di ottimizzazione. Se non riesci ancora a raggiungere i tuoi obiettivi di latenza, allora replica.
Read Replica: Lo Strumento Giusto per l'80% dei Problemi di Scala
Le applicazioni web leggono molto più di quanto scrivono, tipicamente con un rapporto di 10:1 o superiore. La streaming replication di Postgres ti permette di instradare tutte le letture (dashboard, list view, ricerche, report) verso le replica mentre il primario gestisce solo le scritture. Questa è la leva di scaling più conveniente disponibile.
Un setup produttivo standard con 1 primario più 2 replica triplica approssimativamente il throughput in lettura e aggiunge alta disponibilità. A $300-$1.000/mese per questo tier su RDS o Supabase, hai coperto la maggior parte delle applicazioni fino a 5.000 RPS se la separazione lettura/scrittura è pulita. Aggiungere una terza o quarta replica per workload analitici che eseguono full table scan evita che queste query costose affamino il primario.
La configurazione della replica richiede circa una settimana per un team che l'ha già fatto: configura la streaming replication, aggiorna le connection string dell'applicazione per indirizzare le letture verso un pool di replica (PgBouncer lo gestisce nativamente con server_round_robin), testa il failover, fatto. Il principale costo continuativo è il monitoraggio del replication lag. La replica sincrona elimina il lag ma aggiunge latenza in scrittura (solitamente 5-15ms per replica nella stessa regione). La replica asincrona mantiene la velocità in scrittura ma significa che le replica possono restare indietro di secondi sotto pressione di scrittura.
La replica non aiuta con la dimensione del dataset. Tutte le replica portano una copia completa. Se il tuo problema è che la tabella è troppo grande da interrogare in modo efficiente, la replica la rende più veloce da leggere su più server, ma la tabella resta comunque grande. Quello è un problema di partizionamento o sharding.
Regola decisionale: se le letture superano significativamente le scritture e sei sotto 1TB, replica prima di qualsiasi altra cosa.
Redis Caching: Taglia il 60-80% del Carico sul Database Prima che Arrivi a Postgres
Aggiungere un layer Redis tra la tua applicazione e Postgres è quasi sempre il cambiamento infrastrutturale con il miglior ROI che puoi fare dopo l'ottimizzazione degli indici. Redis a $50-$200/mese su ElastiCache o Upstash gestisce letture sub-millisecondo per i dati frequenti. Il risultato tipico è una riduzione del 60-80% nel volume di query Postgres per applicazioni con qualsiasi pattern significativo di letture ripetute.
I pattern che beneficiano di più sono i dati di sessione, le letture del profilo utente, i controlli dei permessi, e qualsiasi conteggio aggregato o riepilogo che cambia raramente ma viene letto ad ogni page load. Metti in cache questi con un TTL di 60 secondi e il tuo pool di replica Postgres avrà improvvisamente spazio per gestire 5x il traffico con cui stava faticando.
L'invalidazione della cache è il costo implementativo. Il write-through caching (aggiorna Redis e Postgres insieme sulle scritture) è il pattern più sicuro ma richiede disciplina su ogni percorso di scrittura. Il cache-aside (leggi da Redis, ricadi su Postgres in caso di miss, popola la cache) è più semplice da aggiungere in modo incrementale. Preventiva una settimana per un'implementazione del layer cache che copre i tuoi percorsi di lettura ad alto volume.
Non mettere in cache dati che devono essere fortemente consistenti: saldi finanziari, conteggi di inventario, qualsiasi cosa con requisiti di auditabilità legale. Metti in cache il layer di reporting, non quello transazionale.
Il costo totale di un singolo server ben ottimizzato più replica più Redis è $350-$1.200/mese a seconda del tier. Questa combinazione gestisce le esigenze infrastrutturali della maggior parte dei prodotti SaaS VC-backed attraverso i loro primi milioni di utenti.
Partizionamento delle Tabelle: Velocità Senza Complessità Distribuita
Il partizionamento divide una tabella logica in più tabelle figlie fisiche all'interno dello stesso database. Il partizionamento nativo di PostgreSQL (disponibile dalla v10, maturo dalla v12) supporta il range partitioning (divisione per data o range di ID), il list partitioning (divisione per categoria o tenant) e l'hash partitioning (divisione per hash della chiave). Il database gestisce il routing in modo trasparente: le tue query puntano alla tabella padre e il query planner elimina le partizioni irrilevanti.
Il guadagno in performance è reale. Una tabella eventi da 500GB partizionata per mese significa che una query sull'ultimo mese scansiona 40GB invece di 500GB. Le dimensioni degli indici si riducono proporzionalmente. Il vacuum gira più velocemente. Eliminare le partizioni vecchie è istantaneo (DROP TABLE sulla tabella figlia) rispetto all'incubo di cancellare milioni di righe da una tabella monolitica.
Il partizionamento è la scelta giusta quando il tuo problema è la performance delle query su tabelle grandi, non il throughput grezzo. Non distribuisce il carico tra server. Tutte le partizioni vivono nella stessa istanza Postgres. Ottieni query più veloci e una gestione del ciclo di vita dei dati più semplice, non scala orizzontale.
Per il SaaS multi-tenant, vale la pena considerare il list partitioning per tenant ID oltre i 100K+ tenant. Mantiene i dati del tenant fisicamente separati, semplifica l'eliminazione dei dati per le richieste GDPR e rende le query con scope al tenant più veloci.
Partizonare una tabella esistente richiede una migrazione con una maintenance window (o una migrazione online attenta usando la replica logica). Preventiva da quattro a otto settimane per una migrazione di produzione attenta su una tabella oltre i 100GB.
Regola decisionale: se il tuo problema sono query lente su tabelle grandi, partiziona prima di fare sharding.
Sharding: Quando Ne Hai Davvero Bisogno e Quanto Costa
Lo sharding distribuisce i dati tra più server Postgres indipendenti usando una shard key. Ogni server possiede un sottoinsieme dei dati. Una ricerca utente va allo shard che possiede quell'ID utente. Una query che abbraccia più utenti deve essere distribuita su più shard e i risultati uniti. Questa è l'architettura che fornisce scala orizzontale teoricamente illimitata.
Ma il costo operativo e di sviluppo è severo. Le transazioni cross-shard richiedono coordinamento a livello applicativo o un coordinatore di transazioni distribuite (entrambi aggiungono latenza e complessità). Le foreign key tra shard non esistono. I join tra shard sono lato applicazione. Le migrazioni dello schema devono essere applicate a ogni shard in sequenza. Le query analitiche che necessitano di tutti i dati devono aggregare tra tutti gli shard. Il tuo ORM non farà la maggior parte di questo per te.
PlanetScale (basato su MySQL, ma il modello è istruttivo), Citus (sharding Postgres nativo) e lo sharding a livello applicativo con un routing layer sono i tre percorsi di implementazione. Citus si integra più facilmente con gli strumenti Postgres esistenti. Lo sharding applicativo ti dà il massimo controllo ma richiede più codice.
Punti di riferimento reali: Notion ha shardato il suo Postgres a 30 milioni di utenti. OpenAI ha scalato a 800 milioni di utenti tramite query tuning e 50+ read replica senza sharding. La lezione è chiara. Lo sharding è un'ultima risorsa, non una strategia di scaling.
Tempistiche: un'implementazione di sharding richiede 8-12 settimane per un team ingegneristico focalizzato, più un overhead di manutenzione continuativa equivalente a 0,5-1 FTE. Con stipendi da ingegnere senior di $180K-$220K nel 2026, si tratta di $70K-$130K solo nel costo ingegneristico iniziale, prima della bolletta infrastrutturale.
Regola decisionale: non fare sharding finché non sei sopra 1TB di dati, sopra 10K RPS e hai genuinamente esaurito replica e caching.
La Progressione di Scaling: Soglie e Budget
Esiste una progressione standard valida per la grande maggioranza delle distribuzioni Postgres. Seguila in ordine e avanza solo quando lo stadio corrente è genuinamente al massimo.
Stadio 1, sotto i 100GB e sotto i 1.000 RPS: server singolo, $100-$300/mese. Ottimizza query e indici, configura PgBouncer, dimensiona correttamente l'istanza. Questo è sufficiente per la maggior parte dei prodotti in fase pre-crescita.
Stadio 2, da 100GB a 1TB e da 1.000 a 5.000 RPS: replica più caching, $300-$1.000/mese. Aggiungi 2-3 read replica, instrada le letture via PgBouncer, aggiungi Redis per i dati frequenti. Questo tier copre la maggioranza delle aziende SaaS dal Series A al Series B.
Stadio 3, oltre 1TB e oltre 5.000 RPS: partizionamento più potenzialmente sharding, $1.000/mese e oltre a seconda del numero di shard. A questo stadio stai gestendo una seria operazione di data engineering.
Queste fasi non sono rigide, sono trigger decisionali. Un workload pesante in scrittura (elaborazione pagamenti, telemetria IoT) raggiunge i limiti dello Stadio 3 più velocemente di uno pesante in lettura. Una tabella time-series ben partizionata a 2TB può ancora funzionare in modo efficiente senza sharding. Il contesto è importante.
Il salto di costo tra le fasi è approssimativamente di 3-5x ciascuno. Il salto di complessità ingegneristica è da 1x a 3x a 10x. Questa asimmetria è il motivo per cui "facciamo sharding" è quasi sempre la risposta sbagliata da una prospettiva aziendale.
Spunti operativi ogni settimana
Unisciti ai responsabili di aziende di servizi che ricevono ogni settimana uno spunto concreto su operazioni, automazione e crescita.
Niente spam. Disiscriviti quando vuoi.
Iscrizione completata! Cerca il prossimo numero nella tua casella di posta.
Invio non riuscito. Riprova o scrivi a [email protected].
Compromessi sulla Consistenza e Guida al Multi-Tenancy
Ogni decisione di scaling cambia il tuo modello di consistenza. Una singola istanza Postgres ti dà piena consistenza ACID. Nel momento in cui aggiungi le replica, hai replication lag: le letture da una replica possono vedere dati che sono in ritardo di millisecondi a secondi rispetto al primario. Per la maggior parte dei percorsi di lettura questo è accettabile. Per la consistenza read-your-own-writes (un utente invia un form e vede immediatamente il risultato), devi instradare quelle letture verso il primario o attendere la conferma della replica.
Lo sharding rompe completamente la consistenza distribuita. Un trasferimento di fondi da un utente sullo shard 1 a un utente sullo shard 2 è ora una transazione distribuita. PostgreSQL non coordina nativamente queste operazioni. Hai bisogno di two-phase commit, un pattern saga, oppure accetti la consistenza eventuale per le operazioni cross-shard. La maggior parte dei sistemi shardati sceglie il pattern saga con transazioni compensatorie, che richiede una logica applicativa significativa.
Per il SaaS multi-tenant la scelta del modello di isolamento è importante. Schema condiviso (tutti i tenant in un database, colonna tenant_id ovunque) è il più economico da operare e scala fino a milioni di piccoli tenant. Schema-per-tenant (uno schema Postgres per tenant in un database) offre un isolamento migliore e semplifica backup/restore per tenant, ma il comportamento del connection pool di Postgres degrada oltre qualche migliaio di schemi. Database-per-tenant è l'isolamento più forte ma è operativamente costoso ed è essenzialmente una strategia di sharding manuale.
Per la maggior parte del SaaS B2B: schema condiviso fino a 100K tenant, poi valuta schema-per-tenant o partizionamento per tenant. Database-per-tenant solo se l'isolamento contrattuale è richiesto (contratti enterprise SOC 2, sanitario, finanziario).
Come Pineido Valuta il Lavoro di Architettura Database
Le decisioni di architettura database vengono di solito prese troppo tardi, in risposta a un incidente piuttosto che come parte di una build iniziale. Pineido perimetra il lavoro infrastrutturale e di backend come sprint a prezzo fisso di 30 giorni, il che significa che conosci il costo prima che il lavoro inizi e non c'è incentivo a ore fatturabili per sovra-ingegnerizzare.
Uno sprint tipico copre l'intero ciclo di ottimizzazione (profiling, lavoro sugli indici, configurazione PgBouncer) e imposta la topologia di replica appropriata per il tuo tier di traffico attuale, con monitoring e runbook. Le migrazioni di sharding sono perimetrate separatamente data la tempistica di 8-12 settimane. Se stai valutando di cosa ha bisogno il tuo Postgres oggi e di cosa avrà bisogno tra 12 mesi, il punto di partenza giusto è lo sprint di sviluppo app e web o l'ingaggio come CTO frazionale per la revisione dell'architettura. Dettagli e preventivo fisso sono disponibili su richiesta.
Domande frequenti
Quando dovresti partizionare una tabella PostgreSQL?
Partiziona quando una singola tabella è abbastanza grande da far scansionare più dati del necessario e il vacuum diventa lento. Il trigger pratico sono le tabelle oltre i 50-100GB con query range frequenti (per data, tenant ID o stato). Il range partitioning per mese è il pattern più comune per tabelle di eventi e log. Il partizionamento mantiene tutto in un database, quindi non ci sono problemi di consistenza cross-shard. È anche la scelta giusta prima di considerare lo sharding.
Quanto costa implementare lo sharding su PostgreSQL?
Aspettati 8-12 settimane di lavoro ingegneristico focalizzato. Con i compensi 2026 di un ingegnere senior di $180K-$220K annui, si tratta di $70K-$130K solo in manodopera. I costi infrastrutturali salgono a $1.000/mese e oltre a seconda del numero di shard. C'è anche un overhead operativo continuativo equivalente a circa 0,5-1 FTE per migrazioni, ribilanciamento e monitoring. Questi costi sono il motivo per cui lo sharding dovrebbe essere rimandato il più a lungo possibile.
Quante read replica servono a PostgreSQL per gestire traffico elevato?
Un setup con 1 primario più 2 replica gestisce la maggior parte dei workload produttivi fino a 5.000 RPS quando la separazione lettura/scrittura è pulita. Aggiungere Redis caching davanti riduce il volume di letture sul database del 60-80%, quindi le tue replica coprono molto più traffico di quanto il numero grezzo di RPS suggerisca. OpenAI ha scalato a 800 milioni di utenti con 50+ replica e caching aggressivo senza mai fare sharding. Inizia con 2 replica e aggiungine altre man mano che il volume di query cresce.
Dovresti usare Citus o lo sharding a livello applicativo per PostgreSQL?
Citus è il percorso più pulito se sei deciso a restare nell'ecosistema Postgres. Si integra con gli strumenti Postgres standard, gestisce il query routing in modo trasparente e supporta i join distribuiti entro certi limiti. Lo sharding applicativo ti dà controllo totale sulla logica di routing ed evita la dipendenza da Citus, ma ogni join, transazione e migrazione dello schema diventa codice applicativo. Per la maggior parte dei team, Citus è il punto di partenza migliore. Lo sharding applicativo ha senso se la tua logica di sharding è molto specifica al dominio.
PgBouncer è necessario per i deployment PostgreSQL in produzione?
Sì, a qualsiasi scala significativa. Postgres crea un processo per connessione, che consuma circa 5-10MB di RAM ciascuno. Con 500 connessioni applicative senza pooling stai sprecando 2,5-5GB in overhead di processo prima di eseguire una singola query. PgBouncer in modalità transaction-mode pooling moltiplica centinaia di thread applicativi su 20-50 connessioni Postgres. È un componente necessario di qualsiasi setup produttivo sopra un prototipo a singolo utente o a basso traffico, e richiede meno di un giorno per essere configurato.
Pronto a rilasciare?
Dicci dove sei bloccato. Lo esaminiamo e ti inviamo una raccomandazione mirata entro un giorno lavorativo.