一文了解GreenPlum

2023-03-10 00:00:00 创建 数据 用户 数据库 节点

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,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?

创建数据库

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)
删除数据库

gp_sydb=# DROP DATABASE GPTEST;
DROP DATABASE
创建schema

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

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。

创建用户

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。

local all bdp01 trust
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.
创建资源队列

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,查询慢的segment和网络带宽。分布键就是为了解决个问题,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。


本文来源:https://blog.csdn.net/WindyQCF/article/details/106536717

相关文章