Greenplum或DeepGreen数据库查看表倾斜的方法总结
2016-06-30 18:42
405 查看
上次有个朋友咨询我一个GP数据倾斜的问题，他说查看gp_toolkit.gp_skew_coefficients表时花费了20-30分钟左右才出来结果，后来指导他分析原因并给出其他方案来查看数据倾斜。
目前他使用的版本是最新的版本为：
Greenplum Version: 'postgres (Greenplum Database) 4.3.8.2 build 1'
其实很多朋友经常使用如下的方式来检查数据分布：
但是这种方法太简单，只有判断存储是否倾斜，不能够去对数据处理是否会出现倾斜做出判断。而且判断的维度很少，不直观。
后来Greenplum提供了gp_toolkit.gp_skew_coefficients等工具来进行检查判断。
首先我们来看一下gp_toolkit.gp_skew_coefficients这个视图的逻辑：
当我们使用视图gp_toolkit.gp_skew_coefficients来检查表数据倾斜时，该视图会基于表的行数据量来检查，如果表数据量越大，检查时间就会越长。
其中skccoeff 通过存储记录均值计算出的标准差，这个值越低说明数据存放约均匀，反之说明数据存储分布不均匀，要考虑分布键选择是否合理。
另外一个视图gp_toolkit.gp_skew_idle_fractions 通过计算表扫描过程中，系统闲置的百分比，帮助用户快速判断，是否存在分布键选择不合理，导致数据处理倾斜的问题。
siffraction字段表示表扫描过程中系统闲置的百分比，比如0.1表示10%的倾斜。
结合上面两个视图的结果，我们可以看到某些表的结论是数据倾斜很厉害，比如ao_schedule表，但是实际上这些表是因为数据量太少，只有几条，那只能分布在某几个segment节点上，其他segment节点都没有数据，比如：
可以看出，os.ao_schedule表只有5条数据，所有判断数据倾斜时要结合多方面来判断。
本文章会介绍一种替代上面两个视图低效查询数据倾斜的方式。
解决方案的原理：
这次方案也是使用视图来观察每个segment上的每个表的文件大小。它将仅仅输出那些表至少一个segment大小比预期的大20%以上。
下面一个工具，一个能够快速给出表倾斜的信息。
执行如下的创建函数的SQL：
然后我们执行函数，创建相关的对象：
这时我们就可以查看我们计划的倾斜表：
我们也可以选择按照倾斜度的大小进行排序：
根据查看结果，需要我们关注的是largest_segment_percentage这个字段的值，越靠近1说明一个segment上面的数据比集群的其他节点更多，比如os.ao_variables表的largest_segment_percentage为0.875，说明87.5%的数据在一个segment上面。
我们可以验证一下：
很显然，共有7条数据(总共8条数据)都在gp_segment_id为35的segment上面，占87.5%。
如果大家对Greenplum数据库熟悉的话，就会发现上面工具的一个问题，即表膨胀。
当我们对表执行DML操作时，对于删除的空间并没有立马释放给操作系统，所以我们的计算结果可能会包含这部分大小。
个人建议在执行这个查看表文件倾斜之前，对需要统计的表进行Vacuum回收空间，或使用CTAS方式进行表重建。
另外补充一点，如果你想对单个表进行统计倾斜度时，可以修改函数，添加一个参数，用来传入表名或表的oid即可。
目前他使用的版本是最新的版本为：
Greenplum Version: 'postgres (Greenplum Database) 4.3.8.2 build 1'
其实很多朋友经常使用如下的方式来检查数据分布：
my_db_safe=# select gp_segment_id,count(1) from person_info group by 1; gp_segment_id | count ---------------+-------- 24 | 470585 0 | 470323 17 | 469175 18 | 468792 34 | 470394 3 | 469311 16 | 469157 32 | 470151 14 | 470724 29 | 470236 5 | 469697 25 | 470528 1 | 468895 11 | 470279 37 | 469776 21 | 470287 2 | 469164 26 | 470661 7 | 470072 31 | 469813 12 | 470014 22 | 470453 27 | 470984 33 | 470499 38 | 470528 13 | 470828 28 | 470931 4 | 469175 9 | 470253 10 | 470922 8 | 470305 23 | 470118 39 | 470619 20 | 470565 36 | 470086 15 | 471373 35 | 469284 19 | 468486 6 | 471063 30 | 468198 (40 rows)
但是这种方法太简单，只有判断存储是否倾斜，不能够去对数据处理是否会出现倾斜做出判断。而且判断的维度很少，不直观。
后来Greenplum提供了gp_toolkit.gp_skew_coefficients等工具来进行检查判断。
首先我们来看一下gp_toolkit.gp_skew_coefficients这个视图的逻辑：
my_db_safe=# \d+ gp_toolkit.gp_skew_coefficients View "gp_toolkit.gp_skew_coefficients" Column | Type | Modifiers | Storage | Description --------------+---------+-----------+---------+------------- skcoid | oid | | plain | skcnamespace | name | | plain | skcrelname | name | | plain | skccoeff | numeric | | main | View definition: SELECT skew.skewoid AS skcoid, pgn.nspname AS skcnamespace, pgc.relname AS skcrelname, skew.skewval AS skccoeff FROM gp_toolkit.__gp_skew_coefficients() skew(skewoid, skewval) JOIN pg_class pgc ON skew.skewoid = pgc.oid JOIN pg_namespace pgn ON pgc.relnamespace = pgn.oid;
当我们使用视图gp_toolkit.gp_skew_coefficients来检查表数据倾斜时，该视图会基于表的行数据量来检查，如果表数据量越大，检查时间就会越长。
my_db_safe=# select * from gp_toolkit.gp_skew_coefficients; skcoid | skcnamespace | skcrelname | skccoeff --------+--------------+----------------------+----------------------------- 46126 | my_schema | test_bigtable | 0.0004627596152847200000000 54316 | os | ao_schedule | 323.443016025055973672000 54436 | os | ao_queue | 165.29109905152748000 54480 | os | ao_ext_connection | 632.455532033675866400000 21225 | public | test_backup | 0.0016942981301548301720000 46073 | my_schema | hellogp | 0 54830 | os | ao_custom_sql | 0 63391 | os | ao_variables | 557.00665189601665000 54357 | os | ao_job | 289.53638837796634000
其中skccoeff 通过存储记录均值计算出的标准差，这个值越低说明数据存放约均匀，反之说明数据存储分布不均匀，要考虑分布键选择是否合理。
另外一个视图gp_toolkit.gp_skew_idle_fractions 通过计算表扫描过程中，系统闲置的百分比，帮助用户快速判断，是否存在分布键选择不合理，导致数据处理倾斜的问题。
my_db_safe=# select * from gp_toolkit.gp_skew_idle_fractions; sifoid | sifnamespace | sifrelname | siffraction --------+--------------+----------------------+---------------------------- 46126 | my_schema | test_bigtable | 0.000007679941018052981353 54316 | os | ao_schedule | 0.93750000000000000000 54436 | os | ao_queue | 0.88472222222222222222 54480 | os | ao_ext_connection | 0.97500000000000000000 21225 | public | test_backup | 0.000033598871077931781492 46073 | my_schema | hellogp | 0 54830 | os | ao_custom_sql | 0 63391 | os | ao_variables | 0.97142857142857142857 54357 | os | ao_job | 0.93125000000000000000
siffraction字段表示表扫描过程中系统闲置的百分比，比如0.1表示10%的倾斜。
结合上面两个视图的结果，我们可以看到某些表的结论是数据倾斜很厉害，比如ao_schedule表，但是实际上这些表是因为数据量太少，只有几条，那只能分布在某几个segment节点上，其他segment节点都没有数据，比如：
my_db_safe=# select gp_segment_id,count(1) from os.ao_schedule group by 1; gp_segment_id | count ---------------+------- 21 | 1 30 | 1 8 | 1 36 | 2 (4 rows)
可以看出，os.ao_schedule表只有5条数据，所有判断数据倾斜时要结合多方面来判断。
本文章会介绍一种替代上面两个视图低效查询数据倾斜的方式。
解决方案的原理：
这次方案也是使用视图来观察每个segment上的每个表的文件大小。它将仅仅输出那些表至少一个segment大小比预期的大20%以上。
下面一个工具，一个能够快速给出表倾斜的信息。
执行如下的创建函数的SQL：
CREATE OR REPLACE FUNCTION my_func_for_files_skew()
RETURNS void AS
$$
DECLARE
v_function_name text := 'my_create_func_for_files_skew';
v_location_id int;
v_sql text;
v_db_oid text;
v_number_segments numeric;
v_skew_amount numeric;
BEGIN
--定义代码的位置，方便用来定位问题--
v_location_id := 1000;
--获取当前数据库的oid--
SELECT oid INTO v_db_oid
FROM pg_database
WHERE datname = current_database();
--文件倾斜的视图并创建该视图--
v_location_id := 2000;
v_sql := 'DROP VIEW IF EXISTS my_file_skew_view';
v_location_id := 2100;
EXECUTE v_sql;
--保存db文件的外部表并创建该外部表--
v_location_id := 2200;
v_sql := 'DROP EXTERNAL TABLE IF EXISTS my_db_files_web_tbl';
v_location_id := 2300;
EXECUTE v_sql;
--获取 segment_id,relfilenode,filename,size 信息--
v_location_id := 3000;
v_sql := 'CREATE EXTERNAL WEB TABLE my_db_files_web_tbl ' ||
'(segment_id int, relfilenode text, filename text, size numeric) ' ||
'execute E''ls -l $GP_SEG_DATADIR/base/' || v_db_oid ||
' | grep gpadmin | ' ||
E'awk {''''print ENVIRON["GP_SEGMENT_ID"] "\\t" $9 "\\t" ' ||
'ENVIRON["GP_SEG_DATADIR"] "/' || v_db_oid ||
E'/" $9 "\\t" $5''''}'' on all ' || 'format ''text''';
v_location_id := 3100;
EXECUTE v_sql;
--获取所有primary segment的个数--
v_location_id := 4000;
SELECT count(*) INTO v_number_segments
FROM gp_segment_configuration
WHERE preferred_role = 'p'
AND content >= 0;
--如果primary segment总数为40个，那么此处v_skew_amount=1.2*0.025=0.03--
v_location_id := 4100;
v_skew_amount := 1.2*(1/v_number_segments);
--创建记录文件倾斜的视图--
v_location_id := 4200;
v_sql := 'CREATE OR REPLACE VIEW my_file_skew_view AS ' ||
'SELECT schema_name, ' ||
'table_name, ' ||
'max(size)/sum(size) as largest_segment_percentage, ' ||
'sum(size) as total_size ' ||
'FROM ( ' ||
'SELECT n.nspname AS schema_name, ' ||
' c.relname AS table_name, ' ||
' sum(db.size) as size ' ||
' FROM my_db_files_web_tbl db ' ||
' JOIN pg_class c ON ' ||
' split_part(db.relfilenode, ''.'', 1) = c.relfilenode ' ||
' JOIN pg_namespace n ON c.relnamespace = n.oid ' ||
' WHERE c.relkind = ''r'' ' ||
' GROUP BY n.nspname, c.relname, db.segment_id ' ||
') as sub ' ||
'GROUP BY schema_name, table_name ' ||
'HAVING sum(size) > 0 and max(size)/sum(size) > ' || --只记录大于合适的才输出---
v_skew_amount::text || ' ' ||
'ORDER BY largest_segment_percentage DESC, schema_name, ' ||
'table_name';
v_location_id := 4300;
EXECUTE v_sql;
EXCEPTION
WHEN OTHERS THEN
RAISE EXCEPTION '(%:%:%)', v_function_name, v_location_id, sqlerrm;
END;
$$ language plpgsql;然后我们执行函数，创建相关的对象：
my_db_safe=# select my_func_for_files_skew(); NOTICE: view "my_file_skew_view" does not exist, skipping CONTEXT: SQL statement "DROP VIEW IF EXISTS my_file_skew_view" PL/pgSQL function "my_func_for_files_skew" line 22 at execute statement NOTICE: table "my_db_files_web_tbl" does not exist, skipping CONTEXT: SQL statement "DROP EXTERNAL TABLE IF EXISTS my_db_files_web_tbl" PL/pgSQL function "my_func_for_files_skew" line 29 at execute statement my_func_for_files_skew ------------------------ (1 row)
这时我们就可以查看我们计划的倾斜表：
my_db_safe=# select * from my_file_skew_view ; schema_name | table_name | largest_segment_percentage | total_size --------------+-----------------------+----------------------------+------------ os | ao_variables | 0.87500000000000000000 | 448 my_schema | test | 0.50000000000000000000 | 192 os | ao_queue | 0.22579365079365079365 | 20160 os | ao_schedule | 0.39534883720930232558 | 344 os | ao_job | 0.35305343511450381679 | 8384 pg_catalog | pg_attribute_encoding | 0.03067484662576687117 | 5341184 os | ao_ext_connection | 1.00000000000000000000 | 120 (8 rows) my_db_safe=#
我们也可以选择按照倾斜度的大小进行排序：
my_db_safe=# select * from my_file_skew_view order by largest_segment_percentage desc; schema_name | table_name | largest_segment_percentage | total_size --------------+-----------------------+----------------------------+------------ os | ao_ext_connection | 1.00000000000000000000 | 120 os | ao_variables | 0.87500000000000000000 | 448 my_schema | test | 0.50000000000000000000 | 192 os | ao_schedule | 0.39534883720930232558 | 344 os | ao_job | 0.35305343511450381679 | 8384 os | ao_queue | 0.22579365079365079365 | 20160 pg_catalog | pg_attribute_encoding | 0.03067484662576687117 | 5341184
根据查看结果，需要我们关注的是largest_segment_percentage这个字段的值，越靠近1说明一个segment上面的数据比集群的其他节点更多，比如os.ao_variables表的largest_segment_percentage为0.875，说明87.5%的数据在一个segment上面。
我们可以验证一下：
my_db_safe=# select gp_segment_id,count(1) from os.ao_variables group by 1; gp_segment_id | count ---------------+------- 32 | 1 35 | 7 (2 rows)
很显然，共有7条数据(总共8条数据)都在gp_segment_id为35的segment上面，占87.5%。
如果大家对Greenplum数据库熟悉的话，就会发现上面工具的一个问题，即表膨胀。
当我们对表执行DML操作时，对于删除的空间并没有立马释放给操作系统，所以我们的计算结果可能会包含这部分大小。
个人建议在执行这个查看表文件倾斜之前，对需要统计的表进行Vacuum回收空间，或使用CTAS方式进行表重建。
另外补充一点，如果你想对单个表进行统计倾斜度时，可以修改函数，添加一个参数，用来传入表名或表的oid即可。
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- Redis主从复制和主从切换
- spring整合redis
- [MySQL优化案例]系列 — RAND()优化
- oracle存储过程将某张表一个字段的多值分开成多条数据插入到一张新表
- mysql三范式说明
- mysql常用语句总结
- mysql中order by实现与优化
- SQL Server数据库的备份和还
- 数据库大小,表大小及行数统计
- mysql压缩包安装
- MongoDB 介绍
- sql 针对多个id或名称的分割和组合
- 通过sqoop增量传送oracle数据到hive
- SQL server 2012 数据库还原操作
- 记一次redis故障处理
- logback myBatis 3.0+ 如何打印 sql
- 数据库高可用架构(MySQL、Oracle、MongoDB、Redis)
- 一起温故数据库模型设计三种范式
- Mysql
- 解析SQLite中的常见问题与总结详解