Snova架构篇（一）：Greenplum MPP核心架构

本节主要从MPP架构入手，结合gp核心架构设计理念为深入理解snova打基础。

参考文章：https://doc.huodongjia.com/detail-3839.html Hashdata 简丽荣

目录：

1. Postgresql基础
2. Greenplum数仓平台概览
3. Greenplum核心架构设计

基本概念：

1.psql基础

• 客户端应用通过libpq协议连接到PostMaster进程
• PostMaster收到连接请求后，fork出一个子进程Postgres Server来处理来自这个连接的查询语句
• Postgres Server进程的功能组件可以分成两大类：查询执行和存储管理

2.gp数仓平台概览

大致上可以分为四层：从下至上依次为

• 核心架构层

• 服务层

• 产品特性

• 客户端访问和工具

3.核心架构设计：MPP无共享架构

• 主从节点，主节点负责协调整个集群
• 一个数据节点可以配置多个节点实例（segment instances）
• 节点实例并行处理查询（sql）
• 数据节点有自己的cpu、磁盘和内存（share nothing）
• 告诉interconnect处理连续数据流（pipeline）

（一）数据均匀分布

在Greenplum数据库中所有表都是分布式的，所以每一张表都会被切片，每个segment实例数据库会存放相应的数据片段。切片（分布）规则可以由用户定义，可选的方案有根据用户对每一张表指定的hash key进行的Hash分布或者选择随机分布。

• 在决定分布策略时，考虑下列最佳实践：
• 为所有的表明确定义一个分布列或者随机分布。不要使用默认分布。
• 理想情况下，使用单个将数据在所有Segment之间均匀分布的列。
• 不要在查询的WHERE子句中将要使用的列上进行分布。
• 不要在日期或者时间戳上分布。
• 分布键列数据应该含有唯一值或者非常高的势。
• 如果单个列无法实现均匀分布，则使用多列分布键，但不要超过两列。额外的列值通常不会得到更均匀的分布，而且它们要求额外的哈希处理时间。
• 如果两个列的分布键无法实现数据的均匀分布，则使用随机分布。大部分情况中的多列分布键都要求移动操作来连接表，因此它们对于随机分布来说没有优势。

（二）分布和分区 分布（DISTRIBUTE）与分区（PARTITION）

数据分布

数据分区

目的：

1. 把大数据切片,便于查询

2. 便于数据库维护

分区创建时，每个分区会自带一个Check约束，来限定数据的范围。Check约束也用于 执行查询时定位分区。

支持分区类型：

1. 范围分区 range partition

2. 列表分区 list partition

3. 组合分区

• 无论是分区表还是非分区表，通过GP的DISTRIBUTE功能，都会把数据分散到各个SEGMENT上去。
• 分布，是从物理上把数据分散到各个SEGMENT上，这样更有利于并行查询。
• 分区，是从逻辑上把一个大表分开，这样可以优化查询性能。分区是不会影响数据在各个SEGMENT上的分布情况的

（三）存储：多级分区表

（四）多态存储< 用户自定义存储格式>

行存小结：

全表扫描要扫描更多的数据块。

压缩比较低。

读取任意列的成本不一样，越靠后的列，成本越高。

不适合向量计算、JIT架构。（简单来说，就是不适合批处理形式的计算）

需要REWRITE表时，需要对全表进行REWRITE，例如加字段有默认值。

列存小结：

压缩比高。

仅仅支持AO存储（后面会将）。

读取任意列的成本是一样的。

非常适合向量计算、JIT架构。对大批量数据的访问和统计，效率更高。

读取很多列时，由于需要访问更多的文件，成本更高。例如查询明细。

需要REWRITE表时，不需要对全表操作，例如加字段有默认值，只是添加字段对应的那个文件。

（五）大规模并行数据加载

• copy命令

copy工具源于PostgreSQL数据库，copy命令支持文件与表之间的数据加载和表对文件的数据卸载。使用copy命令进行数据加载，数据需要经过Master节点分发到Segment节点，同样使用copy命令进行数据卸载，数据也需要由Segment发送到Master节点，由Master节点汇总后再写入外部文件，这样就限制了数据加载与卸载的效率，但是数据量较小的情况下，copy命令就非常方便。

• 使用gpfdist的外部表
• gpload

gpload是一种数据装载工具，它扮演着Greenplum外部表并行装载特性的接口的角色。gpload使用定义在一个YAML格式的控制文件中的规范来执行一次装载。

高速数据导入和导出

主节点不是瓶颈，线性扩展

低延迟

加载后立刻可用，不需要中间存储，不需要额外数据处理

导入导出类型多样

外部数据源多样：ETL +文件系统+hadoop

未完待续；