女主宣言
基于MPP架构的Greenplum数据库在面向分析的应用中有着得天独厚的优势，但使用不当你一定会遇到很多问题。
本文主要介绍了greenplum数据库在表设计上的基础原则和使用过程中的一些优化建议。希望能给大家在使用greenplum的过程中有所收益，尽可能的降低你遇到问题的概率。
PS：丰富的一线技术、多元化的表现形式，尽在“HULK一线技术杂谈”，点关注哦！
Greenplum是什么
简单的说，Greenplum数据库就是面向数据仓库应用的关系型数据库，它基于目前流行的Posgresql开发，通过标准的sql就可以对Greenplum中的数据进行访问存取。
它主要用在数据仓库中，适用于面向分析的应用。 例如，数据分析，统计报表，数据可视化以及大数据计算等场景。
本质上讲，Greenplum是一个关系型数据库集群. 它实际上是由数个独立的数据库服务组合成的逻辑数据库。
与 ORACLE RAC的Shared-Storage架构不同，Greenplum采用的是Shared-nothing架构，它根据表的分发列（distribute column），将一个表中的数据平均分布到每个节点上。
整个集群由多个数据节点（segment节点）和控制节点（master节点）组成，控制节点只存储一些数据库的元数据，不负责运算，它仅仅负责应用的连接，生成拆分执行计划，并把执行计划分配给数据节点去执行。
这种基于Shared-nothing的分布式存储架构和MPP（Massive parallel processing）的大规模并行处理架构，使得Greenplum数据库能够极大地提高I/O吞吐和并发计算能力，并且随着数据节点的增加，可线性提高系统的存储容量，I/O吞吐和处理能力。
Greenplum表设计以及优化
本文的优化主要针对select 语句，以下的案例均为真实案例
表的类型
在gp设计中，还是遵循其他关系数据库的原则，字段需要合理设计。例如：如果md5值，我们就没有必要为了简单存储到text里。
另外，如果是join 联合几个表，那么一定要确保联合字段的类型一样
gp所支持的数据类型的详细信息请参考：http://www.PHP100.com/manual/Postgresql8/datatype.html
表的分布列设计
这个是gp表设计的重中之重，如下一些标准，供参考
1）确定表里有没有一个字段的数据是离散的，例如：类似MysqL里的主键、唯一健，这个字段可以做为表的分布列；
2）如果满足第1条，并且如果这个字段在join关系里，这个字段可以做为表的分布列。
【真实案例，这个提升性能50%，原因：每个segment都能在自己的segment上join，避免数据motion】
3）如果不满足1和2，那么我们就设置distributeD RANDOMLY，让表的数据完全随机离散开，也能提供不错的性能。
注： select gp_segment_id,count(*) from table_name group by 1 order by 1; #查看表在各个segment的分布情况
关于索引
官方文档一直建议：gp尽量避免添加索引，官方解释是：MPP架构，会让所有segment同时执行扫描数据操作，都是顺序IO，特别快。
其实不然，如果我们用线上关系数据库的方式去查询（例如：组合等值查询 where name='张三' and status=1），我们还是需要添加 (name,status) 的索引。
create index idx_name on user(name,status)
空洞回收
主要来源于一业务：一个sql早期速度很快，但是后期速度特别特别的慢，表的行数整体并没有太多变化。
经过沟通了解到，该业务经常delete数据，而gp并没有回收delete的数据空间。
这个时候，我们需要重建表，MPP架构下的数据库表重建速度特别快，测试表明：9T数据，都只需要分钟级别（vacuum 并不靠谱）。
重建表方式：
（以user表为例）
create table user_new as select * from user;
rename table user to user_bak;
renmae table user_new to user;
针对sql语句的优化
不能在一颗树上吊死
在日常的运维中，我们遇到过业务反馈如下报错：
报错原因一般是由于业务执行了类似下面的sql：
能过滤的一定要过滤
根据需求，能在单个segment过滤数据的，一定要过滤。
select count(*) from info_push_realtime where act in('arrived','show','click') and device in('0','1') group by sign,pushid,style;
针对join的优化
我们需要按照如下几个原则：
join的表的字段务必相同类型
尽量让join的字段是 distributeD键值
尽管有时候key分布不太均衡，我们也需要这样做，这样保证join的时候在通过一个segment，而不是全局motion redirect。
针对insert的优化
常情况下，标准的insert语句，只涉及到语法分析以及语句执行，理论不会执行慢，但是当访问量过多的时候，达到了resoure queue，insert就出现等待，造成堵塞。
这里我们设置resource_select_only=1，resoure queue的限制只限于select语句，达到了在实时写入系统的快速insert效果。
另外如果大量insert，但是又不太方便转换成load，那就只能使用HULK DBA团队与基础架构组联合开发的gpstall工具，加速insert。
后续我们会开源一套gpdb的工具集，包括，加速写入gpstall，集群之间的迁移gptransfer、MysqL到gpdb的实时同步gpMysqLload、gp快速备份gpbakcup。
关于update/delete
超级慢，慢的你受不了。要尽量避免数据的更新删除。
关于prepare语句
Server prepare会特别的慢。在PHP PDO中，务必把PDO::ATTR_EMULATE_PREPARES 设置为TRUE。
网卡选型的建议
在机器选型中，尽量要用万M网卡，如果没有万M网卡，至少也要选择多网卡联合工作，否则segment节点间的大量数据传输和聚合，网卡会成为瓶颈。
segment 均衡策略
gpdb的mirror策略分为group mirror 和spread mirror。默认创建集群的mirror的策略为group mirror。
使用spread mirror策略优势是，如果A服务器宕机，压力不会全部集中到B服务器上,降低因为故障导致的集群性能瓶颈，甚至因为B机器压力过大，接连发生宕机导致集群雪崩。
它的劣势是A机器宕机后，A机器的segment节点的mirror节点所在的机器不能再宕机，否则会有segment和mirror节点同时宕机的情况，造成集群不可用。
在后续的文章中，我们会继续给大家更进一步的介绍gpdb的使用经验，以及加速写入中间层gpstall，MysqL到gpdb的实时同步gpMysqLload，gp快速备份gpbakcup等工具的使用。欢迎大家继续关注。
