GreenPlum是一个分布式数据库,表的数据当然是分布到所有Segment节点上,那么怎么控制表中数据的分布呢?下面就来介绍下GreenPlum数据库的建表和表的数据分布。
GreenPlum数据库支持hash分布(DISTRIBUTED BY)和随机分布(DISTRIBUTED RANDOMLY)两种分布策略,hash分布会计算分布键的hash值,相似的hash值的数据会放到同一个Segment节点上,和hash分区算法有些类似,这样,同样的分布键的数据肯定会分布到同一个Segment节点,这样在多表关联的时候,如果关联字段都是分布键,就可以在每个Segment节点关联后,Segment节点把结果发送到Master节点,再由Master节点汇总,将最终的结果返还客户端。而随机分布则不能保证同样分布键的数据分布在同一个Segment节点上,这样在表关联的时候,就需要将数据发送到所有Segment节点去做运算,这样网络传输和大量数据运算都需要较长的时间,性能非常低下,GreenPlum数据库不建议需要多表关联的表使用随机分布,也不推荐使用随机分布。还有一点,因为每个Segment节点都是独立的PostgreSql数据库,只能保证在单个Segment几点的数据唯一性,而随机分布不能保证整体数据的唯一性,而hash分布,相同分布键的数据会分配到同一个Segment节点,这样在单个Segment节点保证数据唯一性,也就保证了整体数据的唯一性。hash分布也是GreenPlum数据库的默认分布方式。下面请看实验演示。
如果在建表时不指定数据的分布策略,默认使用hash分布。
dbdream=> create table t_hash (name varchar(10),id int);
NOTICE: Table doesn't have 'DISTRIBUTED BY' clause -- Using column named 'name' as the Greenplum Database data distribution key for this table.
HINT: The 'DISTRIBUTED BY' clause determines the distribution of data. Make sure column(s) chosen are the optimal data distribution key to minimize skew.
CREATE TABLE
从上面的信息就可以看出,建表时如果不指定分布键和分布策略,默认使用第一个字段作为分布键,并且使用hash分布策略,也可以通过\d命令来查看表的分布信息。
dbdream=> \d t_hash
Table "public.t_hash"
Column | Type | Modifiers
--------+-----------------------+-----------
name | character varying(10) |
id | integer |
Distributed by: (name)
Tablespace: "tbs1"
如果建表时不指定分布键和分布策略,也并不是都使用第一个字段作为分布键,如果表中包含主键,则默认会选择主键为分布键。
dbdream=> create table t_hash_1 (name varchar(10),id int primary key);
NOTICE: CREATE TABLE / PRIMARY KEY will create implicit index "t_hash_1_pkey" for table "t_hash_1"
CREATE TABLE
dbdream=> \d t_hash_1
Table "public.t_hash_1"
Column | Type | Modifiers