数据分布背后的逻辑

Original 蒋步星数据蒋堂 2023-02-25

在分布式数据库及大数据平台中，数据如何分布到多台机器中是个很关键的问题。因为很多运算是数据密集型的，如果数据分布做得不好，就会导致网络传输量变大，从而影响性能。

一般来讲，分布式数据库会提供两种分布策略：对于大表按某个字段（的HASH值）去分布，大多数情况会使用主键，这样可以把数据分拆到多台机器上；对于小表则采用复制性分布，也就是每个机器上都会复制一份。

但是，表的大小并没有绝对的判定标准，很大很小的表都容易识别并采取相应的策略，而那些数据不多不少的中型数据表又该采取哪种策略呢？

要搞清这个问题，我们就要知道数据分布背后的逻辑，什么样的数据分布才算是好的？

合理的数据分布能够有效地减少JOIN运算过程中的网络传输量！这也是数据分布的关键目标。

大部分常规运算都容易分拆到多个机器上分别执行后再汇总，这样，原则上数据只要尽量平均分布就可以由各节点来分摊计算负担。但是JOIN不一样，它涉及关联计算，如果JOIN的两条记录不在同一个节点上，那就需要把它们先传输到一起才能进行运算，这种事当然越少越好了。

那么怎样才能尽量避免JOIN过程中的数据传输呢？

这又要回到我们已经讨论过多次的JOIN类型。回顾一下去年的文章《JOIN运算剖析》，我们把JOIN分成三类：外键、同维、主子。同维表和主子表的JOIN是在主键（或部分）之间进行的，主键不同的两条记录是不可能发生JOIN的，这样，如果数据已经按主键分布的，就不会发生跨节点JOIN的现象了。而外键表的JOIN，维表记录可能被事实表随意引用，无论怎样将维表分布，都有可能发生跨节点JOIN的现象，只有将维表复制到每个节点上去，才能避免JOIN过程中的网络传输。

这样，我们就知道了：同维表和主子表要按主键字段去分布，而维表则要采用复制性策略，每节点都放一份，这样能有效减少跨节点JOIN运算。

但这和大表小表有什么关系？

一般来讲，记录事件的事实表会随着时间推移而不断增大，常常是大表，而这种表之间的JOIN大多数是同维表或主子表（比如订单及明细）关系。而用于外键指向的维表主要是用于存储一些不常变化的属性信息，相对要小一点。于是，本来是事实表要分拆分布、维表要复制分布的策略，就会表现成“大表”分拆、“小表”复制的特征了。

明白了这一点，我们就不会再纠结大表小表的界限在哪里了，其实没有大小之分，而是在数据结构中的地位决定的。

不过，关系数据库中并没有明确的事实表和维表概念，需要我们主动地去识别，有意识地设置分布方案。而且，一定要用主键去分布，随便找一个无关字段去分布，就起不到减少跨节点JOIN的作用了。

有些大数据平台只提供自动（按大小）分布的方案，不能强制复制维表，也不能让同维表和主子表按主键同步分布，这时候分布式计算的效果就不会好了，在选择这些计算体系时需要特别注意。

数据蒋堂第二年原创文章