列式存储

1 为什么要按列存储

列式存储(Columnar or column-based)是相对于传统关系型数据库的行式存储(Row-basedstorage)来说的。简单来说两者的区别就是如何组织表(翻译不好，直接抄原文了)：

Ø Row-based storage stores atable in a sequence of rows.

Ø Column-based storage storesa table in a sequence of columns.

下面来看一个例子：

image.png

从上图可以很清楚地看到，行式存储下一张表的数据都是放在一起的，但列式存储下都被分开保存了。所以它们就有了如下这些优缺点：

	行式存储	列式存储
优点	Ø数据被保存在一起 ØINSERT/UPDATE容易	Ø 查询时只有涉及到的列会被读取 Ø 投影(projection)很高效 Ø 任何列都能作为索引
缺点	Ø 选择(Selection)时即使只涉及某几列， 所有数据也都会被读取	Ø 选择完成时，被选择的列要重新组装 Ø INSERT/UPDATE比较麻烦

image.png

image.png

注：关系型数据库理论回顾 - 选择(Selection)和投影(Projection)

选择(Selection)

选择是单目运算，其运算对象是一个表。该运算按给定的条件，从表中选出满足条件的行形成一个新表作为运算结果。
选择运算的记号为 σF®。
其中σ是选择运算符，下标F是一个条件表达式，R是被操作的表。

投影(Projection)

投影也是单目运算，该运算从表中选出指定的属性值组成一个新表，记为：ΠA®。
其中A是属性名（即列名）表，R是表名。

连接(JOIN)

把两个表中的行按着给定的条件拼接而形成的新表。
执行顺序：自然连接–>选取–>投影

*

image.png

2补充：数据压缩

刚才其实跳过了资料里提到的另一种技术：通过字典表压缩数据。为了方面后面的讲解，这部分也顺带提一下了。

下面中才是那张表本来的样子。经过字典表进行数据压缩后，表中的字符串才都变成数字了。正因为每个字符串在字典表里只出现一次了，所以达到了压缩的目的(有点像规范化和非规范化Normalize和Denomalize)

image.png

3查询执行性能

下面就是最牛的图了，通过一条查询的执行过程说明列式存储(以及数据压缩)的优点：

image.png

关键步骤如下：

1. 去字典表里找到字符串对应数字(只进行一次字符串比较)。
   

2. 用数字去列表里匹配，匹配上的位置设为1。
   

3. 把不同列的匹配结果进行位运算得到符合所有条件的记录下标。
   

4. 使用这个下标组装出最终的结果集。
   

从Dremel和Impala的学习引申出了SQL查询的并行执行问题，于是借此机会深入学习一下关系数据库以及关系代数的并行计算。