数仓的两种轻量级数据交换格式:json 与 jsonb
本文分享自华为云社区《GaussDB(DWS)——探究JSON,JSONB》,作者:yd_283975606。
1. 前言
适用版本:【8.1.1(及以上)】
JSON(JavaScript Object Notation)是一种轻量级的数据交换格式,常用于将数据从服务器发送到 Web 应用程序。它采用人类易读和机器易解析的文本格式,基于键值对的集合,用于表示结构。
2. json/jsonb 简介
json 演进历程
2.1 json/jsonb 简介
参考 DWS 产品文档,JSON 数据类型可以用来存储 JSON(JavaScript Object Notation)数据。
可以是单独的一个标量,也可以是一个数组,也可以是一个键值对象,其中数组和对象可以统称容器(container):
标量(scalar):单一的数字、bool、string、null 都可以叫做标量。
数组(array):[]结构,里面存放的元素可以是任意类型的 JSON,并且不要求数组内所有元素都是同一类型。
对象(object):{}结构,存储 key:value 的键值对,其键只能是用“”包裹起来的字符串,值可以是任意类型的 JSON,对于重复的键,按最后一个键值对为准。
2.2 json 与 jsonb 的区别
存储方式
json 是输入字符串的完整拷贝,使用时再去解析,所以它会保留输入的空格,重复键以及顺序等;
jsonb 解析后存储,删除语义无关的细节和重复的键,对键值也会进行排序,使用时不用再次解析。
性能差别
json 由于精确拷贝,因此插入时性能较好,但是其在处理函数时,必须在每个执行上重新解析,因此其查询性能一般;
jsonb 数据以分解的二进制格式存储, 这使得它由于添加了转换机制而在输入上稍微慢些。但是其由于插入后即默认有序排列,因此可以更好地支持的额外操作(如 bool 关系的比较,顶层元素存在的判断)。并且,其在处理函数时, 不需要重新解析,查询性能较好。同时,jsonb 支持创建 btree、gist 和 gin 索引。
3. json/jsonb 输入格式
1.标量(scalar):输入为数字、布尔类型时,使用单引号 ’ '声明,输入为字符串时必须加 " "声明
2.数组(array):使用中括号[]包裹,满足数组书写条件。数组内元素类型可以是任意合法的 JSON,且不要求类型一致。
3.对象(object):使用大括号{}包裹,键必须是满足 JSON 字符串规则的字符串,值可以是任意合法的 JSON。
4.嵌套数组和对象:数组 array 中可以是任意合法的 json 元素,对象 object 则严格遵循了 key:value 的格式,两者结合可以方便地有序查找 json 值。
4. DWS 的 json 与 jsonb 能力
当前 DWS 支持创建列存 json、jsonb。
4.1 常用的 json/jsonb 函数及操作符(jsonb 为例,json 同理)
1.jsonb_object_field(jsonb, text)
描述:输入的 json 类型为 json-object,返回指定键对应的值(可能为 json-object 或 json-array)
对应操作符:->
返回类型:jsonb
2.jsonb_array_element(array-jsonb, integer)
描述:输入的 json 类型为 json-array,返回数组中指定下标的元素(为任意合法的 JSON)
对应操作符:->
返回类型:jsonb
3.jsonb_extract_path((jsonb, VARIADIC text[])
描述:输入为 json-object 或 json-array,返回 $2 所指路径的值。$2 中可以为 json-object 对应的键值(字符串类型),也可以为 json-array 对应的下标(整数类型)
对应操作符:#>
注意:GaussDB(DWS)对象标识符支持以符号"#“结尾,为避免 a#>b 解析过程出现歧义,因此操作符”#>"前后需要增加空格,否则解析报错。
返回类型:jsonb
4.2 jsonb 高级特性
1.jsonb 会丢弃空格等语义无关的细节
2.jsonb 会默认对输入键值的重新排序
比较规则如下:
首先比较类型:object-jsonb > array-jsonb > bool-jsonb > num-jsonb > str-jsonb > null-jsonb
同类型则比较内容:
str-json 类型:依据 text 比较的方法,使用数据库默认排序规则进行比较,返回值正数代表大于,负数代表小于,0 表示相等。
num-json 类型:数值比较
bool-json 类型:true > false
array-jsonb 类型:长度长的 > 长度短的,长度相等则依次比较每个元素。
object-jsonb 类型:长度长的 > 长度短的,长度相等则依次比较每个键值对,先比较键,再比较值。
5.总结
DWS 的 JSON 能力总结
目前,DWS 的 JSON/JSONB 的功能基本完善。主要体现在函数、操作符、索引功能的支持。但目前来说,JSON 列存仍然采用的是直接存储 JSON 数据,即将原始的 JSON 数据存成单独的一列,以完整的 JSON 值作为最小的粒度在磁盘上,具体如下:
优点是:JSON 则天然支持 Schema Evoluation,上游业务的变更,只需要在 JSON 列数据中进行增删相应的字段,无需对数仓中的表做任何 DDL 就能完成,也能对中间的 ETL 作业做到透明,最大程度地保留了半结构化数据的易用性和灵活性,能大大降低维护和管理表结构的成本。
缺点是:应用端查询时需要选择合适的处理函数和方法,才能解析到需要的数据,开发较为复杂,如果 JSON 较复杂,同时查询性能会有退化,因为每次 JSON 列的数据参与计算的时候,都需要对 JSON 数据完整的解析一遍,比如需要抽取出整个 JSON 中某个字段,那么查询引擎执行的时候就要读出每一行 JSON,解析一遍,取出需要的字段再返回。这中间会涉及大量的 IO 和计算,而需要的可能只是 JSON 数据成百上千字段当中的一个字段,这中间的大量 IO 和计算都是浪费的。
另外,当前云原生分支上 JSON 的向量化支持仍然是沿用的通用的向量化框架,没有定制化的向量化函数。通用的向量化函数框架本质上来说仍然为行存的调用,并不是完全意义上的向量化。
后续演进路线
如上所述,后续想要提升 JSON/JSONB 的查询性能,首先必须提升 JSON 的存储方式,即在解析前端将 JSON 拍平成宽表,真正意义上发挥 JSON 半结构化数据的优势。
这种做法的优点是:写入 DWS 时,因为是普通列写入,所以写入性能会更好,同时在查询侧,不需要对 JSON 数据进行解析,查询性能也会更好。
缺点是:每当上游的数据格式有变更时,比如变更数据类型、增删字段、执行 DDL 进行加列或者删列,中间的实时数据 ETL 作业也需要进行适配改动并重新上线,使用非常不灵活,也会额外增加运维和开发负担。并且当 JSON 的每一个键值都为一列,若出现异常数据,可能导致列数的急速膨胀,进而影响性能。
当前 Hologres 的方案类似,但其对特殊的列采用单独列(属性为 JSON)存储那些同质化不强的 json 键值(极少数出现的 json 键值)
另外,当前列存 JSON 的性能当前瓶颈点在于向量化的性能,一方面需要提升通用当前 DWS 的向量化能力,另一方面也可以考虑对 json 函数做出优化。
版权声明: 本文为 InfoQ 作者【华为云开发者联盟】的原创文章。
原文链接:【http://xie.infoq.cn/article/79ca1004321d9c1d82d5d4fc6】。文章转载请联系作者。
评论