一、数据存储方式
关于数据库的数据存储方式一般分为行存储和列存储。
行式数据库是按照行存储的，行存储就是各行放入连续的物理位置，就行我们平时写字一样，一行一行的写，读取的时候也是一行一行的读取。像SQL server,Oracle，mysql等传统的关系型数据库都属于行式数据库范畴。
列式数据库是按照列存储的，列存储是把多行数据的每一列按照列存储在磁盘，就像一把数据写入excel表格中，每次按照列读取数据，像Vertica,GreenPlum,HBase(HBase其实不是真正的列式数据库，是按照列簇存储的)。
二、GreenPlum架构
massively parallel processing 简称MPP，即无共享、大规模并行处理。
MPP架构有如下特点：
Share Nothing节点之间数据不共享，只有通过网络连接实现的协同，每个节点有独立的存储和内存。
数据根据某种规则(如Hash)散布到各个节点
计算任务也是会发布到各个节点并行执行，最后再将结果聚合到整体返回
用户使用时会看做整体
Greenplum 数据库软件将数据平均分布到系统的所有节点服务器上，所以节点存储每张表或表分区的部分行，所有数据加载和查询都是自动在各个节点服务器上并行运行，并且该架构支持扩展到上万个节点。
三、GreenPlum权限体系管理
我们前面已经说了，GPDB是一个数据库，数据库都有什么特性呢？都能做什么呢？熟悉MySQL，Oracle的同学可能就比较清楚关系型数据库的管理，下面我们就来说下GPDB的一些管理和常用操作。
数据库常用操作分为:创建数据库、创建schema、创建资源池、创建角色、创建用户、创建表。下面我们一一来说下GPDB这些常用操作，和关系型数据库MYSQL有什么不同呢？
gp_sydb=# CREATE DATABASE GPTEST;
CREATE DATABASE
你也可以通过 createdb 创建数据库
[gpadmin@mpp01 ~]$ createdb -h mpp01 -p 5432 GPTEST
查看创建的数据库
gp_sydb=# \l
List of databases
Name | Owner | Encoding | Access privileges
-----------+---------+----------+---------------------
GPTEST | gpadmin | UTF8 |
gp_sydb | gpadmin | UTF8 |
postgres | gpadmin | UTF8 |
template0 | gpadmin | UTF8 | =c/gpadmin
: gpadmin=CTc/gpadmin
template1 | gpadmin | UTF8 | =c/gpadmin
: gpadmin=CTc/gpadmin
(5 rows)
gp_sydb=# DROP DATABASE GPTEST;
DROP DATABASE
GPTEST=# CREATE SCHEMA bdp;
CREATE SCHEMA
查看schema
GPTEST=# \dn
List of schemas
Name | Owner
--------------------+---------
bdp | gpadmin
gp_toolkit | gpadmin
information_schema | gpadmin
pg_aoseg | gpadmin
pg_bitmapindex | gpadmin
pg_catalog | gpadmin
pg_toast | gpadmin
public | gpadmin
(8 rows)
查看当前的schema
GPTEST=# SELECT current_schema();
current_schema
----------------
public
(1 row)
可以看到当前schema是public，这是创建用户的时候，我们没有给它分配schema，那就是用默认的schema public。
把新建的schema赋给数据库gptest
gptest=# \dn
List of schemas
Name | Owner
--------------------+---------
bdp | gpadmin
gp_toolkit | gpadmin
information_schema | gpadmin
pg_aoseg | gpadmin
pg_bitmapindex | gpadmin
pg_catalog | gpadmin
pg_toast | gpadmin
public | gpadmin
(8 rows)
gptest=# ALTER DATABASE GPTEST SET search_path TO bdp, public, pg_catalog;
ALTER DATABASE
gptest=# SELECT current_schema();
current_schema
----------------
bdp
(1 row)
可以看到赋了新的schema。
创建角色，如果有很多用户对于一批表都有一样的权限，这时候可以创建一个角色，把这些权限先赋给角色，然后把角色赋权给各个用户。
gptest=# create role selectbdp;
CREATE ROLE
gptest=# \du
List of roles
Role name | Attributes | Member of
-----------+---------------------------------------------------------------------------------------------------------------------------------+-----------
bdp01 | | {}
gpadmin | Superuser, Create role, Create DB, Ext gpfdist Table, Wri Ext gpfdist Table, Ext http Table, Ext hdfs Table, Wri Ext hdfs Table | {}
selectbdp | Cannot login | {}
可以看到角色已经创建成功。赋权角色。
gptest=# grant selectbdp to gpadmin;
GRANT ROLE
角色其实就是一个用户组。
gptest=# create user bdp01 WITH PASSWORD 'passwd123';
NOTICE: resource queue required -- using default resource queue "pg_default"
CREATE ROLE
使用用户登录：
psql -Ubdp01 -d gptest -w 'passwd123'
发现报错了……
[gpadmin@mpp01 gpseg-1]$ psql -Ubdp01 -d gptest -w 'passwd123'
Password for user bdp01:
psql: FATAL: no pg_hba.conf entry for host "[local]", user "bdp01", database "gptest", SSL off
GPDB登录需要在pg_hba.conf文件中添加信任的用户。
添加后，使配置文件生效，再次登录就可以了。
[gpadmin@mpp01 gpseg-1]$ psql -Ubdp01 -d gptest -w 'passwd123'
psql: warning: extra command-line argument "passwd123" ignored
psql (8.3.23)
Type "help" for help.
为什么要创建资源队列呢？我们知道一个数据库肯定不是给一个用户使用的，通常是有ETL用户，进行数据加载，数据清洗。还有WEB端用户进行查询，还有个人用户进行开发查询使用等等。这么多用户，如果不进行资源队列管控，那么就会出现资源争抢现象，影响线上应用功能。比如一个新手开发人员写了一个比较菜的查询语句，占用了大量资源，此时数据库的其他查询用户都需要排队等待了。再比如加载数据是需要使用大量资源，那么也会影响查询性能，以上你会发现，你需要把不同类型的操作进行资源隔离，这就是为什么要有资源队列了。
查看已有的资源队列：
gptest=> SELECT rolname, rsqname FROM pg_roles, gp_toolkit.gp_resqueue_status
gptest-> WHERE pg_roles.rolresqueue=gp_toolkit.gp_resqueue_status.queueid;
rolname | rsqname
-----------+------------
bdp01 | pg_default
selectbdp | pg_default
gpadmin | pg_default
(3 rows)
创建一个新的资源队列
gptest=# create resource queue load_queue with (active_statements=3,MEMORY_LIMIT='1024MB',PRIORITY=LOW);
CREATE QUEUE
把创建的资源队列赋权给刚才创建的用户bdp01
gptest=# ALTER USER bdp01 resource queue load_queue;
ALTER ROLE
再次查询资源池分配情况
gptest=# SELECT rolname, rsqname FROM pg_roles, gp_toolkit.gp_resqueue_status WHERE pg_roles.rolresqueue=gp_toolkit.gp_resqueue_status.queueid;
rolname | rsqname
-----------+------------
bdp01 | load_queue
selectbdp | pg_default
gpadmin | pg_default
(3 rows)
可以看到bpd01已经使用了新的资源池了。
四、GreenPlum分区表
分区是把一张大表按照适合的维度进行分割，通过表的继承，规则，约束实现。并不是每个表都适合分区，只有很大的表才适合分区，因为分区多了会增加表的元数据信息，特别是多级分区。
如果一个表被按照日和城市划分并且有1000个日以及1000个城市，那么分区的总数就是一百万。列存表会把每一列存在一个物理表中，因此如果这个表有100个列，系统就需要为该表管理一亿个文件。一方面Linux的iNode可能不会有这么大，就会出现文件查询报错等，分区过多了，对于数据库停止和恢复也会造成很大影响的。所以建立分区表的时候，对分区进行自动的创建和删除，以保障合适的数据周期很重要。
五、GreenPlum分布键
在MPP架构中，一个查询是需要从所有segment获取数据然后在master汇总得到结果的。那么这样，影响查询性能的就有两个问题，查询最慢的segment和网络带宽。分布键就是为了解决第一个问题，让数据尽可能均匀的分布在每个segment上，从而避免数据倾斜导致的查询效率问题。第二个网络问题，MPP数据集群搭建要求集群内部为万兆网连接，并且机器配置一样，从而避免影响。
所以分布键一般选择主键，比如手机号等。尽量让数据在集群各个节点分布均匀，提高查询效率。
关于GreenPlum更多资料可以在公众号回复【GP】获取。
历史好文推荐
Kafka实战宝典：一文带解决Kafka常见故障处理
如何入门数据分析？
你是分析师，还是“提数机”？
谈谈ETL中的数据质量
评论