列式存储是数据分析性能杀手锏_技术

　　看似非常简单的一条 SQL，如下图，我们求解的无非就是月总销售量

　　SELECT OrderMonth， SUM（ OrderAmount） AS Amount

　　FROM FctOrderSales WITH（NOLOCK）

　　WHERE OrderMonth BETWEEN ‘2017-01-01’ AND ‘2018-12-31’

　　GROUP BY OrderMonth

　　一旦 FctOrderSales 的数据量增长，恐怕不等个半把个小时，是出不来的。

　　再加上，我们的用户不会那么轻易的放过“折磨”我们 IT 工程师的机会，就仅仅围绕月份来做统计，可能还会加上，产品类型，地区等等维度。这样一来，就更加麻烦了，眼珠子恨不得贴到屏幕上，一分一秒的看着时间的流逝，可惜了青春啊~

　　事实上，大家肯定会出一定的方案来解决这种效率奇慢的查询，比如：

　　1 加个索引

　　2 加个分区

　　3 ETL 先算好聚合数据

　　4 。。。

　　解决方案总是有的。在这里我们来看看另一种玩法，列式存储。

　　上图中，表格中的数据，就是典型的row-based data page 行式存储数据页。一行相邻一行的存储在一个数据页上，一列肩并着一列存储在一行上。而 Columnar Storage Layout 就是列式存储，每一个列的数据都被存在一个数据文件中，比如date_key 按照顺序存储在 date_key file 中，Product_sk 也一样，按照二维表中的顺序，存储在 product_sk 文件中。每个列式存储文件中，对应行号上存储的数据，都是表结构中相应行号的列数据。即要获取原表结构中，第20行的数据，那么要分别从这些列式存储的文件中，取得各自的第20行数据，集合起来！

　　考虑以下场景，比如我们就要分析 2013年，每个月，某两个品种，69，31 的销量：

　　SELECT

　　getMonth（date_Key） AS Month

　　getProductName（product_sk） AS Product

　　SUM（quanTIty） AS QuanTIty

　　FROM FctSalesOrdinary

　　GROUP BY getMonth（date_Key）， getProductName（product_sk）

　　在这里，让我们做出这些假设：

　　1 date_key是存在一个数据文件里面的，product_sk 是存在另一个数据文件里面的。2013年整年的销售数据有 200W 条，每个文件的段能存储100W，（按照 SQL Server 的存储容量来计算），这样就总共抓取 2个段，按照每次读取一个segment的机制，连续读取 2个连续段就只有一次读取，因此磁头读取不需要再次寻址。

　　2 假设2013年第一条数据在源数据表中，是第100万条数据，2013年最后一条数据是第299万条数据。

　　按照上面的图解释，我们读取2013年数据的时候，读取product_sk的字段，即读取第100万条数据到 299万条数据，然后根据product_sk做限制。比起row-based data page（行式存储数据页），其他字段store，promoTIon，customer字段统统舍去，少读了很多的无效数据。

　　列式存储还带有一个压缩的选项。因为每个列式存储文件都是存储的同质数据，那么对这些同质数据进行压缩，会有很好的压缩效率。压缩带来的好处是，减少了吞吐量，使得内存容下了更多的数据，并且还可以有效使用 CPU L1 Cache，这种技术称为 vectorized processing.

　　*参考The Design and ImplementaTIon of Modern Column-Oriented Database systems.

　　为什么列式存储更适合分析性数据仓库：

　　1. 分析决定了一定是读取大范围连续属性的数据。不是随机读，而是顺序读，速度快很多

　　2. 请求基本上是采取多个维度同时读的方式，而不会读取所有的列。这样很多row-based data page （行式存储数据页）都会舍去不必要的相邻列的数据。

　　3. 列式存储的机制：一个数据文件中单独存储的是整个列的数据，按照segment来分段，一次至少读取一个段。一个段中可以存储大量的同质数据。

　　目前支持列式存储的数据有：

　　Greenplum

　　PostgreSQL

　　MariaDB

　　Microsoft Azure SQL Data Warehouse

　　Microsoft SQL Server 2012 及以上