特性分析 | GreenPlum 的并行查询优化策略详解

作者：卢文双 资深数据库内核研发

本文首发于 2016-11-21 09:43:07

架构

GreenPlum 采用 Share Nothing 的架构，良好的发挥了廉价PC的作用。自此I/O不在是 DW(data warehouse) 的瓶颈，相反网络的压力会大很多。但是 GreenPlum 的查询优化策略能够避免尽量少的网络交换。对于初次接触 GreenPlum 的人来说，肯定耳目一新。

查询优化器

GreenPlum 的 master 节点负责 SQL 解析和执行计划的生成，具体来说，查询优化器会将 SQL 解析成每个节点（segments）要执行的物理执行计划。

GreenPlum 采用的是基于成本的优化策略：如果有多条执行路径，会评估执行代价，找出代价最小、最有效率的一条。

不像传统的查询优化器，GreenPlum 的查询优化器必须全局的考虑整个集群，在每个候选的执行计划中考虑到节点间移动数据的开销。比如有 join，那么 join 是在各个节点分别进行的（每个节点只和自身数据做 join），所以它的查询很快。

查询计划包括了一些传统的操作，比如：扫描、Join、排序、聚合等等。

GreenPlum 中有三种数据的移动操作：

• Broadcast Motion (N:N)：广播数据。每个节点向其他节点广播需要发送的数据。
• Redistribute Motion (N:N)：重新分布数据。利用 join 列数据的 hash 值不同，将筛选后的数据在其他 segment 重新分布。
• Gather Motion (N:1)：聚合汇总数据。每个节点将 join 后的数据发到一个单节点上，通常是发到主节点 master 。

示例

示例1

explain select d.*,j.customer_id from data d join  jd1 j on d.partner_id=j.partner_id where j.gmt_modified> current_date -80;   
                                       QUERY PLAN                                          
----------------------------------------------------------------------------------------   
 Gather Motion 88:1  (slice2)  (cost=3.01..939.49 rows=2717 width=59)   
   ->  Hash Join  (cost=3.01..939.49 rows=2717 width=59)   
         Hash Cond: d.partner_id::text = j.partner_id::text   
         ->  Seq Scan on data d  (cost=0.00..260.74 rows=20374 width=50)   
         ->  Hash  (cost=1.91..1.91 rows=88 width=26)   
               ->  Broadcast Motion 88:88  (slice1)  (cost=0.00..1.91 rows=88 width=26)   
                     ->  Seq Scan on jd1 j  (cost=0.00..1.02 rows=1 width=26)   
                           Filter: gmt_modified > ('now'::text::date - 80)  

执行计划需要自下而上分析：

1. 在各个节点扫描自己的 jd1 表数据，按照条件过滤生成数据（记为 rs）。
2. 各节点将自己生成的 rs 依次发送到其他节点。（Broadcast Motion (N:N)）
3. 每个节点上的 data 表的数据，和各自节点上收到的 rs 进行 join，这样能保证本机数据只和本机数据做 join 。
4. 各节点将 join 后的结果发送给 master(Gather Motion (N:1)) 。

由上面的执行过程可以看出， GreenPlum 将 rs 给每个含有 data 表数据的节点都发了一份。

问：如果 rs 很大或者压根就没有过滤条件，会有什么问题？如何处理？

比如本例中的表 jd1 和表data的数据行数如下：

=> select count(*) from jd1;   
 count    
-------   
    20   
(1 row)  

=> select count(*) from data;   
 count     
--------   
 113367  

如果 rs 很大的话，广播数据时网络就会成为瓶颈。GreenPlum 的优化器很聪明，它是将小表广播到各个 segment 上，极大的降低网络开销。从这个例子能看出统计信息对于生成好的查询计划是何等重要。

示例2

下面看一个复杂点的例子：

select
    c_custkey, c_name,
    sum(l_extendedprice * (1 - 1_discount)) as revenue,
    c_acctbal, n_name, c_address, c_phone, c_comment
from
    customer, orders, lineitem, nation
where
    c_custkey = o_custkey
and 1_orderkey = o_orderkey
and o_orderdate >= date '1994-08-01'
and o_orderdate < date '1994-08-0l'
                  + interval '3 month'
and l_returnflag = 'R' 
and c_nationkey = n_nationkey
group by
    c_custkey, c_name, c_acctbal,
    c_phone, n_name, c_address, c_comment
order by
    revenue desc

执行计划如下：

1. 各个节点上同时扫描各自的 nation 表数据，将各 segment 上的 nation 数据向其他节点广播（Broadcast Motion (N:N)）。
2. 各个节点上同时扫描各自 customer 数据，和收到的 nation 数据 join 生成RS-CN 。
3. 各个 segment 同时扫描自己 orders 表数据，过滤数据生成 RS-O 。
4. 各个 segment 同时扫描自己 lineitem 表数据，过滤生成 RS-L 。
5. 各个 segment 同时将各自 RS-O 和 RS-L 进行 join，生成RS-OL。注意此过程不需要 Redistribute Motion (N:N) 重新分布数据，因为 orders 和 lineitem 的 distribute column 都是orderkey，这就保证了各自需要 join 的对象都是在各自的机器上，所以 n 个节点就开始并行 join 了。
6. 各个节点将自己在步骤5生成的 RS-OL 按照 cust-key 在所有节点间重新分布数据（Redistribute Motion (N:N)，可以按照 hash 和 range 在节点间来重新分布数据，默认是 hash），这样每个节点都会有自己的 RS-OL 。
7. 各个节点将自己在步骤2生成的 RS-CN 和自己节点上的 RS-OL 数据进行 join，又是本机只和本机的数据进行 join 。
8. 聚合，排序，发往主节点 master 。

总结

Greenplum如何处理和优化一张大表和小表的join?

Greenplum是选择将小表广播数据，而不是将大表广播。

举例说明：

表 A 有10亿条数据（empno<pk>,deptno,ename），表 B 有500条数据（deptno<pk>,dname,loc）

表 A 与表 B join on deptno

集群有11个节点：1个 master，10个 segment

按照正常的主键列 hash 分布，每个 segment 节点上只会有 1/10 的表 A 和 1/10 的表 B。

此时 GreenPlum 会让所有节点给其他节点发送各自所拥有的小表 B 的1/10的数据，这样就保证了10个节点上，每个节点都有一份完整的表 B 的数据。此时，每个节点上1/10的 A 只需要和自己节点上的 B 进行 join 就OK。所以 GreenPlum 并行处理能力惊人的原因就在这里。

最终所有节点会将 join 的结果都发给主节点 master。

由该例可见统计信息十分重要，GreenPlum 通过统计信息来确定将哪张表进行（Broadcast Motion (N:N)）。

另外，实际使用中还会出现列值倾斜的情况，比如 A 没有按照主键来 hash 分布，而是人为指定按照 deptno 的 hash 在各个节点上分布数据。若 A 中80%的数据都是sales（deptno=10）部门的，此时10个节点中，就会有一个节点上拥有了 10亿×80% 的数据，就算是将表 B 广播到其他节点 也无济于事，因为计算的压力都集中在一台机器了。所以，必须选择合适的列进行hash分布。

---

欢迎关注我的微信公众号【数据库内核】：分享主流开源数据库和存储引擎相关技术。

标题	网址
GitHub	https://dbkernel.github.io
知乎	https://www.zhihu.com/people/dbkernel/posts
思否（SegmentFault）	https://segmentfault.com/u/dbkernel
掘金	https://juejin.im/user/5e9d3ed251882538083fed1f/posts
开源中国（oschina）	https://my.oschina.net/dbkernel
博客园（cnblogs）	https://www.cnblogs.com/dbkernel