Greenplum 执行计划之广播与重分布

Posted 2022-03-12 xibuhaohao

关联数据在不同节点上，对于普通关系型数据库来说，是无法进行连接的。关联的数据需要通过网络流入到一个节点中进行计算，这样就需要发生数据迁移。数据迁移有广播和重分布两种。在GP中，每一个广播或重分布会产生一个切片，每一个切片在每个数据节点上都会对应发起一个进程来处理该slice负责的数据，上一层负责该slice的进程会读取下级slice广播或重分布的数据，然后进行相应的计算。

当两张表关联的时候，如果有一张表的关联键不是分布键，那么就会发生表的广播或者重分布，将数据移动到一个节点上进行关联，从而获得数据。
分布式的关联有两种：
单库关联：关联键与分布键一致，只需要但单个库关联后得到结果即可。
跨库关联：关联键与分布键不一致，数据需要重新分布。转换成单库关联，从而实现表的关联。

表关系如下：

表A
字段：id，id2
分布键：id
数据量：M

表B
字段：id，id2
分布键：id
数据量：N

内连接

情况1：

select * from A,B where A.id=B.id;
分布键与关联键相同，属于单库关联，不会造成广播或者重分布。

情况2：

select * from A,B where A.id=B.id2;
表A的关联键是分布键，表B的关联键不是分布键，那么可以通过两种凡是来实现关联。
1. 将表B按照id2字段将数据重分布到一个节点上，然后再与表A进行关联。重分布的数据量是N。
2. 将表A广播，每一个节点都放一份全量数据，然后再与表B关联得到结果。广播的数据量是M*节点数。
所以，当N>M*节点数的时候，选择表A广播，否则选择B重分布。

情况3：

select * from A,B where A.id2=B.id2;
两个表的关联键与分布键都不一样，那么还有两种做法：
1. 将表A与表B按照id2字段，将数据重分布到每个节点，重分布的代价是M+N。
2. 将其中一张表广播后再关联，当然选取小表广播，代价小。广播的代价是min(M,N)*节点数。
所以当M+N>min(M,N)*节点数的时候，选择小表广播，否则选择两个表都重分布。

左连接

情况1：

select * from A left join B on A.id=B.id;
单库关联，不涉及数据库跨库关联。

情况2：

select * from A left join B on A.id=B.id2;
由于左表的分布键是关联键，鉴于左连接的性质，无论表B数据量多大，都必须将表B按照字段id2重分布数据。

情况3：

select * from A left join B on A.id2=B.id;
左表的关联键不是分布键，由于左连接A表肯定不是被广播的，所以有两种方式。
1. 将表A按照id2重分布数据，转换成情况A，代价为M。
2. 将表B广播，代价为N*节点数。

情况4：

select * from A left join B on A.id2=B.id2;
有两种处理方式。
1. 将表A与表B都按照id2字段将数据重分布一遍以，转换成情况1，代价是M+N。
2. 表A不能被广播，只能将表B广播，代价是N*节点数。

全连接

情况1：

select * from A full outer join B on A.id=B.id;

关联键是分布键，在GP中全连接只能采用Merge Join来实现。

情况2：

select * from A full outer join B on A.id=B.id2;
将不是关联键不是分布键的表重分布数据，转换成情况1解决。无论A、B大小分别为多少，为了实现全连接，不能讲表广播，只能是重分布。

情况3：

select * from A full outer join B on A.id2=B.id2;
将两张表都重分布，转换成情况1进行处理。

《Greenplum企业应用实战》