数据模型
所有文档

          数据仓库 Palo

          数据模型


          本文档主要从逻辑层面描述 PALO 的数据模型以帮助用户更好的使用 PALO 应对不同的业务场景。

          基本概念

          在 PALO 中,数据以表(Table)的形式进行逻辑上的描述。 一张表包括行(Row)和列(Column)。Row 即用户的一行数据。Column 用于描述一行数据中不同的字段。

          Column 可以分为两大类:Key 和 Value。从业务角度看,Key 和 Value 可以分别对应维度列和指标列。

          PALO 的数据模型主要分为3类:

          • Duplicate 明细模型
          • Aggregate 聚合模型
          • Unique 唯一主键模型

          下面我们分别介绍。

          Duplicate 明细模型

          明细模型是 PALO 默认使用的数据模型。该数据模型不会对导入的数据进行任何处理。表中的数据即用户导入的原始数据。

          ColumnName Type SortKey Comment
          timestamp DATETIME Yes 日志时间
          type INT Yes 日志类型
          error_code INT Yes 错误码
          error_msg VARCHAR(1024) No 错误详细信息
          op_id BIGINT No 负责人id
          op_time DATETIME No 处理时间

          建表语句如下:

          CREATE TABLE IF NOT EXISTS example_db.expamle_tbl
          (
              `timestamp` DATETIME NOT NULL COMMENT "日志时间",
              `type` INT NOT NULL COMMENT "日志类型",
              `error_code` INT COMMENT "错误码",
              `error_msg` VARCHAR(1024) COMMENT "错误详细信息",
              `op_id` BIGINT COMMENT "负责人id",
              `op_time` DATETIME COMMENT "处理时间"
          )
          DUPLICATE KEY(`timestamp`, `type`)
          ... /* 省略 Partition 和 Distribution 信息 */

          建表语句中指定的 DUPLICATE KEY,只是用来指明底层数据按照那些列进行排序。(更贴切的名称应该为 “Sorted Column”,这里取名 “DUPLICATE KEY” 只是用以明确表示所用的数据模型。关于 “Sorted Column”的更多解释,索引 文档)。在 DUPLICATE KEY 的选择上,我们建议适当的选择前 2-4 列就可以。

          这种数据模型适用于既没有聚合需求,又没有主键唯一性约束的原始数据的存储。同时,用户也可以通过物化视图功能功能在这种模型基础上建立聚合视图,因此是一种比较推荐的数据模型。

          Aggregate 聚合模型

          聚合模型需要用户在建表时显式的将列分为 Key 列和 Value 列。该模型会自动的对 Key 相同的行,在 Value 列上进行聚合操作。

          我们以实际的例子来说明什么是聚合模型,以及如何正确的使用聚合模型。

          示例1:导入数据聚合

          假设业务有如下数据表模式:

          ColumnName Type AggregationType Comment
          user_id LARGEINT 用户id
          date DATE 数据灌入日期
          city VARCHAR(20) 用户所在城市
          age SMALLINT 用户年龄
          sex TINYINT 用户性别
          last_visit_date DATETIME REPLACE 用户最后一次访问时间
          cost BIGINT SUM 用户总消费
          max_dwell_time INT MAX 用户最大停留时间
          min_dwell_time INT MIN 用户最小停留时间

          如果转换成建表语句则如下(省略建表语句中的 Partition 和 Distribution 信息)

          CREATE TABLE IF NOT EXISTS example_db.expamle_tbl
          (
              `user_id` LARGEINT NOT NULL COMMENT "用户id",
              `date` DATE NOT NULL COMMENT "数据灌入日期时间",
              `city` VARCHAR(20) COMMENT "用户所在城市",
              `age` SMALLINT COMMENT "用户年龄",
              `sex` TINYINT COMMENT "用户性别",
              `last_visit_date` DATETIME REPLACE DEFAULT "1970-01-01 00:00:00" COMMENT "用户最后一次访问时间",
              `cost` BIGINT SUM DEFAULT "0" COMMENT "用户总消费",
              `max_dwell_time` INT MAX DEFAULT "0" COMMENT "用户最大停留时间",
              `min_dwell_time` INT MIN DEFAULT "99999" COMMENT "用户最小停留时间",
          )
          AGGREGATE KEY(`user_id`, `date`, `timestamp`, `city`, `age`, `sex`)
          ... /* 省略 Partition 和 Distribution 信息 */

          可以看到,这是一个典型的用户信息和访问行为的事实表。 在一般星型模型中,用户信息和访问行为一般分别存放在维度表和事实表中。这里我们为了更加方便的解释 PALO 的数据模型,将两部分信息统一存放在一张表中。

          表中的列按照是否设置了 AggregationType,分为 Key (维度列) 和 Value(指标列)。没有设置 AggregationType 的,如 user_iddateage ... 等称为 Key,而设置了 AggregationType 的称为 Value

          当我们导入数据时,对于 Key 列相同的行会聚合成一行,而 Value 列会按照设置的 AggregationType 进行聚合。 AggregationType 目前有以下四种聚合方式:

          1. SUM:求和,多行的 Value 进行累加。
          2. REPLACE:替代,下一批数据中的 Value 会替换之前导入过的行中的 Value。
          3. MAX:保留最大值。
          4. MIN:保留最小值。

          假设我们有以下导入数据(原始数据):

          user_id date city age sex last_visit_date cost max_dwell_time min_dwell_time
          10000 2017-10-01 北京 20 0 2017-10-01 06:00:00 20 10 10
          10000 2017-10-01 北京 20 0 2017-10-01 07:00:00 15 2 2
          10001 2017-10-01 北京 30 1 2017-10-01 17:05:45 2 22 22
          10002 2017-10-02 上海 20 1 2017-10-02 12:59:12 200 5 5
          10003 2017-10-02 广州 32 0 2017-10-02 11:20:00 30 11 11
          10004 2017-10-01 深圳 35 0 2017-10-01 10:00:15 100 3 3
          10004 2017-10-03 深圳 35 0 2017-10-03 10:20:22 11 6 6

          我们假设这是一张记录用户访问某商品页面行为的表。我们以第一行数据为例,解释如下:

          数据 说明
          10000 用户id,每个用户唯一识别id
          2017-10-01 数据入库时间,精确到日期
          北京 用户所在城市
          20 用户年龄
          0 性别男(1 代表女性)
          2017-10-01 06:00:00 用户本次访问该页面的时间,精确到秒
          20 用户本次访问产生的消费
          10 用户本次访问,驻留该页面的时间
          10 用户本次访问,驻留该页面的时间(冗余)

          那么当这批数据正确导入到 PALO 中后,PALO 中最终存储如下:

          user_id date city age sex last_visit_date cost max_dwell_time min_dwell_time
          10000 2017-10-01 北京 20 0 2017-10-01 07:00:00 35 10 2
          10001 2017-10-01 北京 30 1 2017-10-01 17:05:45 2 22 22
          10002 2017-10-02 上海 20 1 2017-10-02 12:59:12 200 5 5
          10003 2017-10-02 广州 32 0 2017-10-02 11:20:00 30 11 11
          10004 2017-10-01 深圳 35 0 2017-10-01 10:00:15 100 3 3
          10004 2017-10-03 深圳 35 0 2017-10-03 10:20:22 11 6 6

          可以看到,用户 10000 只剩下了一行聚合后的数据。而其余用户的数据和原始数据保持一致。这里先解释下用户 10000 聚合后的数据:

          前5列没有变化,从第6列 last_visit_date 开始:

          • 2017-10-01 07:00:00:因为 last_visit_date 列的聚合方式为 REPLACE,所以 2017-10-01 07:00:00 替换了 2017-10-01 06:00:00 保存了下来。

            注:在同一个导入批次中的数据,对于 REPLACE 这种聚合方式,替换顺序不做保证。如在这个例子中,最终保存下来的,也有可能是 2017-10-01 06:00:00。而对于不同导入批次中的数据,可以保证,后一批次的数据会替换前一批次。

          • 35:因为 cost 列的聚合类型为 SUM,所以由 20 + 15 累加获得 35。
          • 10:因为 max_dwell_time 列的聚合类型为 MAX,所以 10 和 2 取最大值,获得 10。
          • 2:因为 min_dwell_time 列的聚合类型为 MIN,所以 10 和 2 取最小值,获得 2。

          经过聚合,PALO 中最终只会存储聚合后的数据。换句话说,即明细数据会丢失,用户不能够再查询到聚合前的明细数据了。

          示例2:保留明细数据

          接示例1,我们将表结构修改如下:

          ColumnName Type AggregationType Comment
          user_id LARGEINT 用户id
          date DATE 数据灌入日期
          timestamp DATETIME 数据灌入时间,精确到秒
          city VARCHAR(20) 用户所在城市
          age SMALLINT 用户年龄
          sex TINYINT 用户性别
          last_visit_date DATETIME REPLACE 用户最后一次访问时间
          cost BIGINT SUM 用户总消费
          max_dwell_time INT MAX 用户最大停留时间
          min_dwell_time INT MIN 用户最小停留时间

          即增加了一列 timestamp,记录精确到秒的数据灌入时间。

          导入数据如下:

          user_id date timestamp city age sex last_visit_date cost max_dwell_time min_dwell_time
          10000 2017-10-01 2017-10-01 08:00:05 北京 20 0 2017-10-01 06:00:00 20 10 10
          10000 2017-10-01 2017-10-01 09:00:05 北京 20 0 2017-10-01 07:00:00 15 2 2
          10001 2017-10-01 2017-10-01 18:12:10 北京 30 1 2017-10-01 17:05:45 2 22 22
          10002 2017-10-02 2017-10-02 13:10:00 上海 20 1 2017-10-02 12:59:12 200 5 5
          10003 2017-10-02 2017-10-02 13:15:00 广州 32 0 2017-10-02 11:20:00 30 11 11
          10004 2017-10-01 2017-10-01 12:12:48 深圳 35 0 2017-10-01 10:00:15 100 3 3
          10004 2017-10-03 2017-10-03 12:38:20 深圳 35 0 2017-10-03 10:20:22 11 6 6

          那么当这批数据正确导入到 PALO 中后,PALO 中最终存储如下:

          user_id date timestamp city age sex last_visit_date cost max_dwell_time min_dwell_time
          10000 2017-10-01 2017-10-01 08:00:05 北京 20 0 2017-10-01 06:00:00 20 10 10
          10000 2017-10-01 2017-10-01 09:00:05 北京 20 0 2017-10-01 07:00:00 15 2 2
          10001 2017-10-01 2017-10-01 18:12:10 北京 30 1 2017-10-01 17:05:45 2 22 22
          10002 2017-10-02 2017-10-02 13:10:00 上海 20 1 2017-10-02 12:59:12 200 5 5
          10003 2017-10-02 2017-10-02 13:15:00 广州 32 0 2017-10-02 11:20:00 30 11 11
          10004 2017-10-01 2017-10-01 12:12:48 深圳 35 0 2017-10-01 10:00:15 100 3 3
          10004 2017-10-03 2017-10-03 12:38:20 深圳 35 0 2017-10-03 10:20:22 11 6 6

          我们可以看到,存储的数据,和导入数据完全一样,没有发生任何聚合。这是因为,这批数据中,因为加入了 timestamp 列,所有行的 Key 都不完全相同。也就是说,只要保证导入的数据中,每一行的 Key 都不完全相同,那么即使在聚合模型下,PALO 也可以保存完整的明细数据。

          示例3:导入数据与已有数据聚合

          接示例1。假设现在表中已有数据如下:

          user_id date city age sex last_visit_date cost max_dwell_time min_dwell_time
          10000 2017-10-01 北京 20 0 2017-10-01 07:00:00 35 10 2
          10001 2017-10-01 北京 30 1 2017-10-01 17:05:45 2 22 22
          10002 2017-10-02 上海 20 1 2017-10-02 12:59:12 200 5 5
          10003 2017-10-02 广州 32 0 2017-10-02 11:20:00 30 11 11
          10004 2017-10-01 深圳 35 0 2017-10-01 10:00:15 100 3 3
          10004 2017-10-03 深圳 35 0 2017-10-03 10:20:22 11 6 6

          我们再导入一批新的数据:

          user_id date city age sex last_visit_date cost max_dwell_time min_dwell_time
          10004 2017-10-03 深圳 35 0 2017-10-03 11:22:00 44 19 19
          10005 2017-10-03 长沙 29 1 2017-10-03 18:11:02 3 1 1

          那么当这批数据正确导入到 PALO 中后,PALO 中最终存储如下:

          user_id date city age sex last_visit_date cost max_dwell_time min_dwell_time
          10000 2017-10-01 北京 20 0 2017-10-01 07:00:00 35 10 2
          10001 2017-10-01 北京 30 1 2017-10-01 17:05:45 2 22 22
          10002 2017-10-02 上海 20 1 2017-10-02 12:59:12 200 5 5
          10003 2017-10-02 广州 32 0 2017-10-02 11:20:00 30 11 11
          10004 2017-10-01 深圳 35 0 2017-10-01 10:00:15 100 3 3
          10004 2017-10-03 深圳 35 0 2017-10-03 11:22:00 55 19 6
          10005 2017-10-03 长沙 29 1 2017-10-03 18:11:02 3 1 1

          可以看到,用户 10004 的已有数据和新导入的数据发生了聚合。同时新增了 10005 用户的数据。

          数据的聚合,在 PALO 中有如下三个阶段发生:

          1. 每一批次数据导入的 ETL 阶段。该阶段会在每一批次导入的数据内部进行聚合。
          2. 底层 BE 进行数据 Compaction 的阶段。该阶段,BE 会对已导入的不同批次的数据进行进一步的聚合。
          3. 数据查询阶段。在数据查询时,对于查询涉及到的数据,会进行对应的聚合。

          数据在不同时间,可能聚合的程度不一致。比如一批数据刚导入时,可能还未与之前已存在的数据进行聚合。但是对于用户而言,用户只能查询到聚合后的数据。即不同的聚合程度对于用户查询而言是透明的。用户需始终认为数据以最终的完成的聚合程度存在,而不应假设某些聚合还未发生。(可参阅聚合模型的局限性一节获得更多详情。)

          Unique 唯一主键模型

          在某些多维分析场景下,用户更关注的是如何保证 Key 的唯一性,即如何获得 Primary Key 唯一性约束。因此,我们引入了 Unique 的数据模型。该模型本质上是聚合模型的一个特例,也是一种简化的表结构表示方式。我们举例说明。

          ColumnName Type IsKey Comment
          user_id BIGINT Yes 用户id
          username VARCHAR(50) Yes 用户昵称
          city VARCHAR(20) No 用户所在城市
          age SMALLINT No 用户年龄
          sex TINYINT No 用户性别
          phone LARGEINT No 用户电话
          address VARCHAR(500) No 用户住址
          register_time DATETIME No 用户注册时间

          这是一个典型的用户基础信息表。这类数据没有聚合需求,只需保证主键唯一性。(这里的主键为 user_id + username)。那么我们的建表语句如下:

          CREATE TABLE IF NOT EXISTS example_db.expamle_tbl
          (
              `user_id` LARGEINT NOT NULL COMMENT "用户id",
              `username` VARCHAR(50) NOT NULL COMMENT "用户昵称",
              `city` VARCHAR(20) COMMENT "用户所在城市",
              `age` SMALLINT COMMENT "用户年龄",
              `sex` TINYINT COMMENT "用户性别",
              `phone` LARGEINT COMMENT "用户电话",
              `address` VARCHAR(500) COMMENT "用户地址",
              `register_time` DATETIME COMMENT "用户注册时间"
          )
          UNIQUE KEY(`user_id`, `user_name`)
          ... /* 省略 Partition 和 Distribution 信息 */

          而这个表结构,完全同等于以下使用聚合模型描述的表结构:

          ColumnName Type AggregationType Comment
          user_id BIGINT 用户id
          username VARCHAR(50) 用户昵称
          city VARCHAR(20) REPLACE 用户所在城市
          age SMALLINT REPLACE 用户年龄
          sex TINYINT REPLACE 用户性别
          phone LARGEINT REPLACE 用户电话
          address VARCHAR(500) REPLACE 用户住址
          register_time DATETIME REPLACE 用户注册时间

          及建表语句:

          CREATE TABLE IF NOT EXISTS example_db.expamle_tbl
          (
              `user_id` LARGEINT NOT NULL COMMENT "用户id",
              `username` VARCHAR(50) NOT NULL COMMENT "用户昵称",
              `city` VARCHAR(20) REPLACE COMMENT "用户所在城市",
              `age` SMALLINT REPLACE COMMENT "用户年龄",
              `sex` TINYINT REPLACE COMMENT "用户性别",
              `phone` LARGEINT REPLACE COMMENT "用户电话",
              `address` VARCHAR(500) REPLACE COMMENT "用户地址",
              `register_time` DATETIME REPLACE COMMENT "用户注册时间"
          )
          AGGREGATE KEY(`user_id`, `user_name`)
          ... /* 省略 Partition 和 Distribution 信息 */

          即 Unique 模型完全可以用聚合模型中的 REPLACE 方式替代。其内部的实现方式和数据存储方式也完全一样。这里不再继续举例说明。

          聚合模型的局限性

          聚合模型(包括 Unique 模型),通过一种预计算的方式来减少查询时需要实时计算的数据量,加速查询。但是这种模型会有使用上的局限性。

          在聚合模型中,模型对外展现的,是最终聚合后的数据。也就是说,任何还未聚合的数据(比如说两个不同导入批次的数据),必须通过某种方式,以保证对外展示的一致性。我们举例说明。

          假设表结构如下:

          ColumnName Type AggregationType Comment
          user_id LARGEINT 用户id
          date DATE 数据灌入日期
          cost BIGINT SUM 用户总消费

          假设存储引擎中有如下两个已经导入完成的批次的数据:

          batch 1

          user_id date cost
          10001 2017-11-20 50
          10002 2017-11-21 39

          batch 2

          user_id date cost
          10001 2017-11-20 1
          10001 2017-11-21 5
          10003 2017-11-22 22

          可以看到,用户 10001 分属在两个导入批次中的数据还没有聚合。但是为了保证用户只能查询到如下最终聚合后的数据:

          user_id date cost
          10001 2017-11-20 51
          10001 2017-11-21 5
          10002 2017-11-21 39
          10003 2017-11-22 22

          我们在查询引擎中加入了聚合算子,来保证数据对外的一致性。

          另外,在聚合列(Value)上,执行与聚合类型不一致的聚合类查询时,要注意语意。比如我们在如上示例中执行如下查询:

          SELECT MIN(cost) FROM table;

          得到的结果是 5,而不是 1。

          同时,这种一致性保证,在某些查询中,会极大的降低查询效率。

          我们以最基本的 count(*) 查询为例:

          SELECT COUNT(*) FROM table;

          在其他数据库中,这类查询都会很快的返回结果。因为在实现上,我们可以通过如 “导入时对行进行计数,保存 count 的统计信息”,或者在查询时 “仅扫描某一列数据,获得 count 值” 的方式,只需很小的开销,即可获得查询结果。但是在 PALO 的聚合模型中,这种查询的开销非常大

          我们以刚才的数据为例:

          batch 1

          user_id date cost
          10001 2017-11-20 50
          10002 2017-11-21 39

          batch 2

          user_id date cost
          10001 2017-11-20 1
          10001 2017-11-21 5
          10003 2017-11-22 22

          因为最终的聚合结果为:

          user_id date cost
          10001 2017-11-20 51
          10001 2017-11-21 5
          10002 2017-11-21 39
          10003 2017-11-22 22

          所以,select count(*) from table; 的正确结果应该为 4。但如果我们只扫描 user_id 这一列,如果加上查询时聚合,最终得到的结果是 3(10001, 10002, 10003)。而如果不加查询时聚合,则得到的结果是 5(两批次一共5行数据)。可见这两个结果都是不对的。

          为了得到正确的结果,我们必须同时读取 user_iddate 这两列的数据,再加上查询时聚合,才能返回 4 这个正确的结果。也就是说,在 count(*) 查询中,PALO 必须扫描所有的 AGGREGATE KEY 列(这里就是 user_iddate),并且聚合后,才能得到语意正确的结果。当聚合列非常多时,count(*) 查询需要扫描大量的数据。

          因此,当业务上有频繁的 count(*) 查询时,我们建议用户通过增加一个值恒为 1 的,聚合类型为 SUM 的列来模拟 count(*)。如刚才的例子中的表结构,我们修改如下:

          ColumnName Type AggregateType Comment
          user_id BIGINT 用户id
          date DATE 数据灌入日期
          cost BIGINT SUM 用户总消费
          count BIGINT SUM 用于计算count

          增加一个 count 列,并且导入数据中,该列值恒为 1。则 select count(*) from table; 的结果等价于 select sum(count) from table;。而后者的查询效率将远高于前者。不过这种方式也有使用限制,就是用户需要自行保证,不会重复导入 AGGREGATE KEY 列都相同的行。否则,select sum(count) from table; 只能表述原始导入的行数,而不是 select count(*) from table; 的语义。

          另一种方式,就是 将如上的 count 列的聚合类型改为 REPLACE,且依然值恒为 1。那么 select sum(count) from table;select count(*) from table; 的结果将是一致的。并且这种方式,没有导入重复行的限制。

          Duplicate 模型

          Duplicate 模型没有聚合模型的这个局限性。因为该模型不涉及聚合语意,在做 count(*) 查询时,任意选择一列查询,即可得到语意正确的结果。

          数据模型的选择建议

          因为数据模型在建表时就已经确定,且无法修改。所以,选择一个合适的数据模型非常重要

          1. Aggregate 模型可以通过预聚合,极大地降低聚合查询时所需扫描的数据量和查询的计算量,非常适合有固定模式的报表类查询场景。但是该模型对 count(*) 查询很不友好。同时因为固定了 Value 列上的聚合方式,在进行其他类型的聚合查询时,需要考虑语意正确性。
          2. Unique 模型针对需要唯一主键约束的场景,可以保证主键唯一性约束。但是无法利用 ROLLUP 等预聚合带来的查询优势(因为本质是 REPLACE,没有 SUM 这种聚合方式)。
          3. Duplicate 适合任意维度的 Ad-hoc 查询。虽然同样无法利用预聚合的特性,但是不受聚合模型的约束,可以发挥列存模型的优势(只读取相关列,而不需要读取所有 Key 列)。
          上一篇
          关系模型与数据划分
          下一篇
          索引