行存储和列存储

Posted 学而不思则罔,思而不学则殆

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了行存储和列存储相关的知识,希望对你有一定的参考价值。

本文地址:http://www.cnblogs.com/qiaoyihang/p/6262806.html  

传统的行式数据库将一个个完整的数据行存储在数据页中。这种方式在大数据量查询的时候会出现以下问题

1、在没有索引的情况下,会把一行全部查出来,查询会使用大量IO
2、虽然建立索引和物化视图可以可以快速定位列,但是也需要花费大量时间
 
但是如果处理查询时需要用到大部分的数据列,这种方式在磁盘IO上是比较高效的。

一般来说,OLTP(Online Transaction Processing,联机事务处理)应用适合采用这种方式。

  一个OLAP类型的查询可能需要访问几百万甚至几十亿个数据行,且该查询往往只关心少数几个数据列。例如,查询今年销量最高的前20个商品,这个查询只关心三个数据列:时间(date)、商品(item)以及销售量(sales amount)。商品的其他数据列,例如商品URL、商品描述、商品所属店铺,等等,对这个查询都是没有意义的。

  如下图,列式数据库是将同一个数据列的各个值存放在一起。插入某个数据行时,该行的各个数据列的值也会存放到不同的地方。上例中列式数据库只需要读取存储着“时间、商品、销量”的数据列,而行式数据库需要读取所有的数据列。因此,列式数据库大大地提高了OLAP大数据量查询的效率。当然,列式数据库不是万能的,每次读取某个数据行时,需要分别从不同的地方读取各个数据列的值,然后合并在一起形成数据行。因此,如果每次查询涉及的数据量较小或者大部分查询都需要整行的数据,列式数据库并不适用。

  

 

  很多列式数据库还支持列组(column group,Bigtable系统中称为locality group),即将多个经常一起访问的数据列的各个值存放在一起。如果读取的数据列属于相同的列组,列式数据库可以从相同的地方一次性读取多个数据列的值,避免了多个数据列的合并。列组是一种行列混合存储模式,这种模式能够同时满足OLTP和OLAP的查询需求。

  由于同一个数据列的数据重复度很高,因此,列式数据库压缩时有很大的优势。例如,Google Bigtable列式数据库对网页库压缩可以达到15倍以上的压缩率。另外,可以针对列式存储做专门的索引优化。比如,性别列只有两个值,“男”和“女”,可以对这一列建立位图索引:

  如下图所示,“男”对应的位图为100101,表示第1、4、6行值为“男”;“女”对应的位图为011010,表示第2、3、5行值为“女”。如果需要查找男性或者女性的个数,只需要统计相应的位图中1出现的次数即可。另外,建立位图索引后0和1的重复度高,可以采用专门的编码方式对其进行压缩。

  

 

 

得出如下结论:

列式存储: 每一列单独存放,数据即是索引。

只访问涉及得列,如果我们想访问单独一列(比如NAME)会相当迅捷。

一行数据包含一个列或者多个列,每个列一单独一个cell来存储数据。而行式存储,则是把一行数据作为一个整体来存储。

在HANA的世界中,并不是只存在列式存储,行式存储也是存在的。那么读者不经要问

什么时候应该使用行式存储?什么时候应该使用列式存储呢?

如果你大部分时间都是关注整张表的内容,而不是单独某几列,并且所关注的内容是不需要通过任何聚集运算的,那么推荐使用行式存储。原因是重构每一行数据(即解压缩过程)对于HANA来说,是一个不小的负担。

列式存储的话,比如你比较关注的都是某几列的内容,或者有频繁聚集需要的,通过聚集之后进行数据分析的表。

 

详细归纳为如下:

选择HANA列式存储

基于一列或比较少的列计算的时候

经常关注一张表某几列而非整表数据的时候

数据表拥有非常多的列的时候

数据表有非常多行数据并且需要聚集运算的时候

数据表列里有非常多的重复数据,有利于高度压缩

选择HANA行式存储

关注整张表内容,或者需要经常更新数据

需要经常读取整行数据

不需要聚集运算,或者快速查询需求

数据表本身数据行并不多

数据表的列本身有太多唯一性的数据

 

hbase 存储
google bigtable 的开源实现
hdfs 和hbase 的比较
1、都有良好的容错性和扩展性
2、hdfs适合批处理,但不支持随机查找,不适合增量数据,不支持数据更新
 
hbase 是hdfs的很好补充
 
hbase 表的特点
1、大: 可存储数十亿行,百万列
2、无模式:同一个表可以有不同的列
3、稀疏:空列不占存储空间
4、多版本:每个单元格有版本号
 
如果按行存储:

 

按列存储

 

存储方式

put 表名,rowkey,列族:列名 ,值

 

逻辑视图:

 

数据模型:

 

 

hbase schema 可以有多个table
每个表由多个column family 组成
有 dynamic column 组成

 

物理模型
每个列族存储在hdfs上一个单独的文件
rowkey 和 version 在每个列族都有一份
控制不保存,占位符都没有有
 

 

 
 
 
 
 
 
 
 

以上是关于行存储和列存储的主要内容,如果未能解决你的问题,请参考以下文章

行存储 VS 列存储

大数据存取的选择:行存储还是列存储?

C语言数组为啥按行优先存储

行数据库VS列数据库

什么是宽列存储?

HBase 是列式存储数据库吗