亿级数据分析性能杀手锏 - 列式存储

看似非常简单的一条 SQL，如下图，我们求解的无非就是月总销售量

• SELECT  OrderMonth, SUM( OrderAmount) AS Amount
• FROM FctOrderSales WITH(NOLOCK)
• WHERE OrderMonth BETWEEN '2017-01-01' AND '2018-12-31'
• GROUP BY OrderMonth 

一旦 FctOrderSales 的数据量增长，恐怕不等个半把个小时，是出不来的。

再加上，我们的用户不会那么轻易的放过“折磨”我们 IT 工程师的机会，就仅仅围绕月份来做统计，可能还会加上，产品类型，地区等等维度。这样一来，就更加麻烦了，眼珠子恨不得贴到屏幕上，一分一秒的看着时间的流逝，可惜了青春啊~

事实上，大家肯定会出一定的方案来解决这种效率奇慢的查询，比如：

1 加个索引

2 加个分区

3 ETL 先算好聚合数据

4 。。。

解决方案总是有的。在这里我们来看看另一种玩法，列式存储。

上图中，表格中的数据，就是典型的row-based data page 行式存储数据页。一行相邻一行的存储在一个数据页上，一列肩并着一列存储在一行上。而 Columnar Storage Layout 就是列式存储， 每一个列的数据都被存在一个数据文件中，比如date_key 按照顺序存储在 date_key file 中，Product_sk 也一样，按照二维表中的顺序，存储在 product_sk 文件中。每个列式存储文件中，对应行号上存储的数据，都是表结构中相应行号的列数据。即要获取原表结构中，第20行的数据，那么要分别从这些列式存储的文件中，取得各自的第20行数据，集合起来！

考虑以下场景，比如我们就要分析 2013年，每个月，某两个品种，69，31 的销量：

SELECT

  getMonth(date_Key) AS Month

• getProductName(product_sk) AS Product
•  SUM(quantity) AS Quantity

FROM FctSalesOrdinary

GROUP BY getMonth(date_Key), getProductName(product_sk)

在这里，让我们做出这些假设：

1 date_key是存在一个数据文件里面的，product_sk 是存在另一个数据文件里面的。2013年整年的销售数据有 200W 条，每个文件的段能存储100W，（按照 SQL Server 的存储容量来计算），这样就总共抓取 2个段， 按照每次读取一个segment的机制，连续读取 2个连续段就只有一次读取，因此磁头读取不需要再次寻址。

2 假设2013年***条数据在源数据表中，是第100万条数据，2013年***一条数据是第299万条数据。

按照上面的图解释，我们读取2013年数据的时候，读取product_sk的字段，即读取 第100万条数据到 299万条数据，然后根据product_sk做限制。比起row-based data page（行式存储数据页），其他字段store,promotion,customer字段统统舍去，少读了很多的无效数据。

列式存储还带有一个压缩的选项。因为每个列式存储文件都是存储的同质数据，那么对这些同质数据进行压缩，会有很好的压缩效率。压缩带来的好处是，减少了吞吐量，使得内存容下了更多的数据，并且还可以有效使用 CPU L1 Cache, 这种技术称为 vectorized processing.

*参考The Design and Implementation of Modern Column-Oriented Database systems.

为什么列式存储更适合分析性数据仓库：

1. 分析决定了一定是读取大范围连续属性的数据。不是随机读，而是顺序读，速度快很多

2. 请求基本上是采取多个维度同时读的方式，而不会读取所有的列。这样很多row-based data page (行式存储数据页）都会舍去不必要的相邻列的数据。

3. 列式存储的机制：一个数据文件中单独存储的是整个列的数据，按照segment来分段，一次至少读取一个段。一个段中可以存储大量的同质数据。

目前支持列式存储的数据有：

• Greenplum
• PostgreSQL
• MariaDB
• Microsoft Azure SQL Data Warehouse
• Microsoft SQL Server 2012 及以上
• BIRT Analytics ColumnarDB
• IBM Db2
• Oracle Database/Exadata
• SAP HANA
• TeraData
• Apache HBase
• ClickHouse
• Apache Parquet 

以上是我们常用的数据库品牌，还有一些小众数据库，比如 MonetDB,kdb+ 等也支持。所以趁早用起来吧

本文转载自网络，原文链接：http://mp.weixin.qq.com/s/W0rOwHGTF2GdAgckhdflEA
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！