聊一聊数据库的行存与列存

SpringForAll

关注我，回复关键字“spring”，

免费领取Spring学习资料。

来源 | OSCHINA 社区、作者 | Gauss松鼠会

原文链接：https://my.oschina.net/gaussdb/blog/5544252

好多人最开始学习数据库的时候，是关系数据库，数据以表格形式存储，一行表示一条记录。其实这种就是典型的行存储（Row-based store），将表按行存储到磁盘分区上。

而一些数据库还支持列存储（Column-based store），它将表按列存储到磁盘分区上。

存储方式比较

这两者的差异如下图：

从图上可以看出，行存的时候，一行记录的属性值存储在临近的空间，然后接着是下一条记录的属性值。

而列存的时候，单个属性所有的值存储在临近的的空间，即一列的所有数据连续存储的，每个属性有不同的空间。

这里，大家可以自行思考一下这两种那种更适合查询，那种更适合修改？

在数据写入上的对比:

1）行存储的写入是一次完成。写入建立在操作系统的文件系统上，可以保证写入过程的成功或者失败，数据的完整性因此可以确定。

2）列存储由于需要把一行记录拆分成单列保存，写入次数明显比行存储多，再加上磁头需要在盘片上移动和定位花费的时间，实际时间消耗会更大。所以，行存储在写入上占有很大的优势。

3）还有数据修改，这实际也是一次写入过程。所以，数据修改也是以行存储占优。

在数据读取上的对比:

1）行存储通常将一行数据完全取出，如果只需要其中几列数据的情况，就会存在冗余列，出于缩短处理时间的考量，消除冗余列的过程通常是在内存中进行的。

2）列存储每次读取的数据是集合的一段或者全部，不存在冗余性问题，查找内容连续存储，特别适合投影。

3）两种存储的数据分布。由于列存储的每一列数据类型是同质的，不存在二义性问题。比如说某列数据类型为整型 (int)，那么它的数据集合一定是整型数据。这种情况使数据解析变得十分容易。相比之下，行存储则要复杂得多，因为在一行记录中保存了多种类型的数据，数据解析需要在多种数据类型之间频繁转换，这个操作很消耗 CPU，增加了解析的时间。所以，列存储的解析过程更有利于分析大数据。

4）从数据的压缩以及更性能的读取来对比。同一列的数据，数据类型一致，列存的模式下就适合数据压缩，不同的列可以采用不同的压缩算法，压缩存储就会带来 IO 性能的提升。

优缺点比较

表的存储类型是表定义设计的第一步，客户业务类型是决定表的存储类型的主要因素。行、列存储模型各有优劣，建议根据实际情况选择。

行、列存优缺点及适用场景比较见下表：

	行存	列存
优点	数据被保存在一起。INSERT/UPDATE 容易。	查询时只有涉及到的列会被读取。投影 (Projection) 很高效。任何列都能作为索引。
缺点	选择 (Selection) 时即使只涉及某几列，所有数据也都会被读取。	选择完成时，被选择的列要重新组装。 INSERT/UPDATE 比较麻烦。点查询不适合。
适用场景	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。	统计分析类查询 (OLAP，比如数据仓库业务，此类型的表上会做大量的汇聚计算，且涉及的列操作较少，关联、分组操作较多)。即时查询（查询条件不确定，行存表扫描难以使用索引）。

行存与列存实验

openGauss 支持行列混合存储，可以在建表的时候指定存储方式。下面我们进行一下实验。

实验环境：华为云服务器 + openGauss 企业版 3.0.0 + openEuler20.03
创建行存表 custom1 和列存表 custom2 ，插入 50 万条记录。

openGauss=# create table custom1 (id integer,name varchar2(20)); CREATE TABLE openGauss=# create table custom2 (id integer,name varchar2(20)) with (orientation = column); CREATE TABLE openGauss=# insert into custom1 select n,'testtt'||n from generate_series(1,500000) n; INSERT 0 500000 openGauss=# insert into custom2 select * from custom1; INSERT 0 500000

我们看下两个表的存储空间，比较 Size 列，可以看出列存表比行存表占用存储空间小的非常多，差不多是行存表空间的 1/7。

openGauss=# \d+                                            List of relations  Schema |    Name    | Type  | Owner |    Size    |               Storage                | Description --------+------------+-------+-------+------------+--------------------------------------+-------------  public | custom1    | table | omm   | 24 MB      | {orientation=row,compression=no}     |  public | custom2    | table | omm   | 3104 kB    | {orientation=column,compression=low} |

比较下插入一条新记录的时间，列存表要稍微慢一点。

openGauss=# explain analyze insert into custom1 values(1,'zhang3');                                           QUERY PLAN -----------------------------------------------------------------------------------------------  [Bypass]  Insert on custom1  (cost=0.00..0.01 rows=1 width=0) (actual time=0.059..0.060 rows=1 loops=1)    ->  Result  (cost=0.00..0.01 rows=1 width=0) (actual time=0.001..0.001 rows=1 loops=1)  Total runtime: 0.135 ms (4 rows) 
openGauss=# explain analyze insert into custom2 values(1,'zhang3');                                           QUERY PLAN -----------------------------------------------------------------------------------------------  Insert on custom2  (cost=0.00..0.01 rows=1 width=0) (actual time=0.119..0.120 rows=1 loops=1)    ->  Result  (cost=0.00..0.01 rows=1 width=0) (actual time=0.001..0.002 rows=1 loops=1)  Total runtime: 0.207 ms (3 rows)

最后删除测试表。

openGauss=# drop table custom1; DROP TABLE openGauss=#drop table custom2; DROP TABLE

感兴趣的同学可以自己测试更多的的场景，比如创建大宽表、update 表等场景测试下。

选择建议

更新频繁程度：数据如果频繁更新，选择行存表。
插入频繁程度：频繁的少量插入，选择行存表。一次插入大批量数据，选择列存表。
表的列数：一般情况下，如果表的字段比较多即列数多（大宽表），查询中涉及到的列不多的情况下，适合列存储。如果表的字段个数比较少，查询大部分字段，那么选择行存储比较好。
查询的列数：如果每次查询时，只涉及了表的少数（<50% 总列数）几个列，选择列存表。（不要问剩下的列干啥用，甲方说有用就是有用。）
压缩率：列存表比行存表压缩率高。但高压缩率会消耗更多的 CPU 资源。