对比分析数仓中行列存的特性
摘要：行存表示了一种数据的存储方式，是最传统的一种存储方式。
本文分享自华为云社区《【玩转PB级数仓GaussDB(DWS)】行列存对比的一些事》，作者：sevenjiang。
行存表示了一种数据的存储方式，是最传统的一种存储方式。对于GaussDB(DWS)来说可以认为其表示存储引擎的基础实现，在其之上逐步构筑了列存和hdfs之类的存储特性。如下简单介绍下行列存使用的一些对比。
集群设置介绍：
参数default_orientation控制建表不指定存储方式的默认行为。
通过如下建表显式设置可以指定行列存储：
ORIENTATION
指定表数据的存储方式，即行存方式、列存方式，该参数设置成功后就不再支持修改。
取值范围：
• ROW，表示表的数据将以行式存储。
行存储适合于OLTP业务，此类型的表上交互事务比较多，一次交互会涉及表中的多个列，用行存查询效率较高。
• COLUMN，表示表的数据将以列式存储。
列存储适合于数据仓库业务，此类型的表上会做大量的汇聚计算，且涉及的列操作较少
适用场景：
列储存优势：
- 列的数据特征比较相似，适合压缩，压缩比很高；
- 表列的个数比较多，但是访问的列个数比较少, 列存可以大大减少不必要的IO读, 提高性能；
- 基于列批量数据的运算，CPU的cache命中率比较高，性能比较好；
- 列存储引擎更适合OLAP大数据统计分析的场景。
列储存劣势：
- 列存表（delta表但默认并没有启用）不适合小量 insert 及update操作
行存储优势：
- 点查询(返回记录少，基于索引的简单查询)；
- 增、删、改操作较多的场景；
- 主要使用整张表的内容，而不是单独某几个列，并且所关注的内容不需要通过任何聚集运算，推荐使用行式存储。
对比现状：
- 类型支持范围不同；
- 不支持表达式索引，索引失效；
- 行存默认btree索引，列存默认psort，主健是813版本支持的，老版本不支持；
- 老版本列存复制表不支持更新，813版本支持 ；
- 表级的check约束列存不支持 ；
- cu锁的问题，并发更新会报错 ；
- 没有并发更新，但是开启delta表，更新/delete概率出错；
- 小CU的问题突出，引发空间膨胀，性能问题等 ；
- exchange要求表的with中option一致；
列存导入实现方式：
- 列存表推荐使用批量插入(INSERT INTO SELECT/COPY)，单行记录插入会造成空间浪费，访问效率下降；
- 导入数据按列缓存，默认每60000行(通过max_batchrow修改)或者1G的大小生成CU；
- 生成CU时，根据数据类型，默认low压缩级别(通过compression修改)，进行压缩。
- 先写入CUDesc，再写入CU，同时将CU插入到数据复制队列。最后写入VCU；
- CU文件是追加写(APPEND ONLY)。
- 分区表注意：
- 每一个分区是一个独立的列存表；
- vector batch的进入，单条数据进入bulkload_row;
- 下盘、读取的处理；
- 内存自适应。
存在行列存join情况：
行存列存JOIN 转换的执行计划不符合预期，可以通过 set enable_force_vector_engine = on; 进行下优化：
enable_force_vector_engine
参数说明：对于支持向量化的执行器算子，如果其子节点是非向量化的算子，通过设置此参数为on，强制生成向量化的执行计划。
当打开enable_force_vector_engine开关时，无论是行存表、列存表或者是行列混存，如果plantree中不包含不支持向量化的场景，则强制走向量化执行引擎。
参数类型：USERSET
取值范围：布尔型
默认值：off
手工基础行转列操作，如果表有业务执行，需要进行加锁或者事务中执行，视图和索引进行单独处理：
create table schema.row_table1 (like schema.table1 including all EXCLUDING RELOPTIONS EXCLUDING INDEXES) WITH (ORIENTATION=column; insert into schema.row_table1 select * from schema.table1; ALTER TABLE schema.row_table1 ADD CONSTRAINT row_table1_pk PRIMARY KEY (xxx_id); alter table rename schema.table1 to col_table1; alter table rename schema.row_table1 to table1;