03_Greenplum分布式数据库存储及查询处理

Greenplum是一个分布式数据库系统，因此其所有的业务数据都是物理存放在集群的所有Segment实例数据库上；在Greenplum数据库中所有表都是分布式的，所以每一张表都会被切片，每个Segment实例数据库都会存放相应的数据片段。

 

一、并行计算的基础

1、Hash分布

  语法：CREATE TABLE ... DISTRIBUTED BY （column [,......  ]）

  同样数值的内容分配到同一个Segment上；当选择Hash分布策略时，科指定表的一列或者多列组合，GP会根据指定的Hash key列计算每一行数据对应的Hash值，并映射至相应的Segment实例。当选择的Hash Key列的值唯一时，数据会均匀得散至所有的Segment实例。GP数据库默认采用Hash分布，如果创建表时未指定Distribution Key，则会选择Primary Key作为Distributed Key，如果Primary Key也不存在，则会选择表的第一列作为Distributed Key。 

 

 

2、循环（随机）分布

  语法格式：CREATE TABLE ... DISTRIBUTED RANDOMLY

  具有同样数值的行内容并不一定在同一个Segment上，相同的值不一定会分发到同一个Segment。不建议使用随机分布。

 

 

二、查询规划与分发

  客户端通过Master节点将查询计划分发到各个子节点上，包括update,delete,create等操作，各个子节点上执行完查询计划结束后将结果返回到Master节点后显式到客户端中。

 

 

三、SQL查询处理机制

    Master节点上存在QD process（查询和分发进程），子节点上存在QE process（查询和执行进程）；当Master节点将查询计划分发到子节点，子节点上执行QE process。GP将一个查询计划切分成多个slice来提供执行效率；多个执行计划并行工作，最先完成的slice会继续等待后完成的slice的结果。对于同一数据的处理可以理解为gang（簇）。slice1处理结束后会将处理结果发送个slice2中，slice2汇总后的结果返回给Master节点。