来源：数据蒋堂
作者：蒋步星
本文共1408字，建议阅读3分钟。
本文为大家带来一种新的数据列存分块方案—倍增分段技术。
区块分段方案能够满足我们设定的4个目标。不过，除了处理区块标记的麻烦外，这个办法对于列存不是非常适合。
数据按列分别存储后，分段时必须保证各列同步，即各列的分段点对应的是同一条记录的列，否则就会出错数据错位。而各个列的宽度是不同的，同样大小的区块在存储不同列的值时，能装下的个数是不同的，继续按区块分段就无法保证同步了。
各列要同步分段，就需要按记录数分段，但这样就不能采用固定大小的区块了，而要有个区块索引。如果数据不再追加，那可以建立固定长度的索引，但数据不断追加时，索引也会动态增长。这时候，要么每次追加数据时把所有数据重写一遍保证索引的连续性，要么用某种复杂机制能处理不连续的索引，但成本都不低。
当前业界常用的列存分段也就是分块方案：把数据分成若干块，块内是列存，分段以块为单位。分块数要足够多才能保证平均分段，而分块又要足够大才能让列存产生效果，这两者就是个矛盾，要数据量很大时才合适。而且，这个分块是按记录数划分的，不能固定大小，就需要我们上面说的分块索引，当数据不断追加时，索引也会动态变大，连续性就无法保证了。
为解决这些问题，我们设计一种倍增分段方案。
预留一个固定长度的索引区，可以保存N个位置信息，N是个固定的数，比如是1024。我们用索引区i号位表示其中保存的第i个位置。
初始状态时没有记录。加入第1条记录后，在索引区1号位填入该记录（称为记录1）写入存储（比如文件）时的位置；加入第2条记录后，在索引区2号位填入记录2的位置，...；加入第N条记录后，在索引区位置N填入记录N的位置 。
索引区的i号位可以看成是一个区块，对应由i号位内容指向的那条记录起到第i+1号位内容指向的记录之间的所有记录（含头不含尾）。在这一轮追加也，相当于每个分段中只有一条记录。
再继续追加记录时，索引区已经没有空位了。这时我们做这样一个操作：1号位保留，2号位填入原3号数的内容，3号位填入原5号位的内容，...，i号位填入原2i-1号位的内容。这样一直到在N/2号位填入原2*N/2-1即N-1号位的信息，然后再把第N/2+1到N号位的内容清空。
这个操作，相当于把区块1和区块2合并成区块1，区块3和区块4合并成区块2，..区块2i-1和区块2i合并成区块i，这些区块就变成由2条记录构成，数据记录本来就是连续写入的，这样合并后的区块仍然是由连续记录构成。
然后，清空的后半部分号位相当于空出一些空区块了，如果继续追加记录时，就每次写2条记录才使用下一个号位，即把记录N+1的位置填入N/2+1号位，记录N+2继续写入，记录N+3的位置填入N/2+2号位，记录N+4继续写入，...。
再追加下去填满所有号位后，再次做合并动作，把每区块记录号再倍增成4条。同时空出后半部分号位，再追加数据时每个号位要增加4条记录才使用下一个号位。...，如此往复下去。
在这个机制下，任何时候都有N/2到N个可用区块，只要N足够大（1024基本上够了），就可以做到平均程度较高的分段。每个分段由连续的区块构成，区块由连续紧凑的记录构成，这样能确保目标3，而上述的算法过程已经解决了目标4。而且，在遍历过程也不象固定区块方案那样需要处理标记，只是连续地从分段起始位置读到结束位置就可以，动作非常简单。
倍增分段方案是以记录数为基础的，所以对于列存也是适合的。各个列都采用这种方式追加数据后，分段点对于各列总是落在同一条记录上，不会发生错位的情况，而且，每个列的数据都是一直连续的，没有中断点，不象分块式方式在只能在分块内连续，也不会面对分块大小与数量的矛盾。
专栏作者简介
润乾软件创始人、首席科学家
清华大学计算机硕士，著有《非线性报表模型原理》等，1989年，中国首个国际奥林匹克数学竞赛团体冠军成员，个人金牌；2000年，创立润乾公司；2004年，首次在润乾报表中提出非线性报表模型，完美解决了中国式复杂报表制表难题，目前该模型已经成为报表行业的标准；2014年，经过7年开发，润乾软件发布不依赖关系代数模型的计算引擎——集算器，有效地提高了复杂结构化大数据计算的开发和运算效率；2015年，润乾软件被福布斯中文网站评为“2015福布斯中国非上市潜力企业100强”；2016年，荣获中国电子信息产业发展研究院评选的“2016年中国软件和信息服务业十大领军人物”；2017年, 自主创新研发新一代的数据仓库、云数据库等产品即将面世。
数据蒋堂
《数据蒋堂》的作者蒋步星，从事信息系统建设和数据处理长达20多年的时间。他丰富的工程经验与深厚的理论功底相互融合、创新思想与传统观念的相互碰撞，虚拟与现实的相互交织，产生出了一篇篇的沥血之作。此连载的内容涉及从数据呈现、采集到加工计算再到存储以及挖掘等各个方面。大可观数据世界之远景、小可看技术疑难之细节。针对数据领域一些技术难点，站在研发人员的角度从浅入深，进行全方位、360度无死角深度剖析；对于一些业内观点，站在技术人员角度阐述自己的思考和理解。蒋步星还会对大数据的发展，站在业内专家角度给予预测和推断。静下心来认真研读你会发现，《数据蒋堂》的文章，有的会让用户避免重复前人走过的弯路，有的会让攻城狮面对扎心的难题茅塞顿开，有的会为初入行业的读者提供一把开启数据世界的钥匙，有的甚至会让业内专家大跌眼镜，产生思想交锋。
往期回顾：
数据蒋堂 | 常规遍历语法
校对：陈娟
为保证发文质量、树立口碑，数据派现设立“错别字基金”，鼓励读者积极纠错。
若您在阅读文章过程中发现任何错误，请在文末留言，或到后台反馈，经小编确认后，数据派将向检举读者发8.8元红包。
同一位读者指出同一篇文章多处错误，奖金不变。不同读者指出同一处错误，奖励第一位读者。
感谢一直以来您的关注和支持，希望您能够监督数据派产出更加高质的内容。
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
