表分布键定义

选择表分布策略

AnalyticDB for PostgreSQL 支持两种数据在节点间的分布方式，按分布键的哈希值（HASH）分布或随机（RANDOMLY）分布。CREATE TABLE的子句DISTRIBUTED BY (column, [ ... ]）指定数据按分布键的哈希值在节点（segment）间分布，子句DISTRIBUTED RANDOMLY指定数据按循环的方式均匀分配在各节点 （Segment） 间。

示例：

CREATE TABLE products (name varchar(40),
                       prod_id integer,
                       supplier_id integer)
                       DISTRIBUTED BY (prod_id);                

CREATE TABLE random_stuff (things text,
                           doodads text,
                           etc text)
                           DISTRIBUTED RANDOMLY;

select * from products where prod_id = 101;

表分布键选择原则

合理规划分布键，对表查询的性能至关重要，有以下原则需要关注：

• 选择数据分布均匀的列或者多个列：若选择的分布列数值分布不均匀，则可能导致数据倾斜。某些Segment分区节点存储数据多(查询负载高)。根据木桶原理，时间消耗会卡在数据多的节点上。故不应选择bool类型，时间日期类型数据作为分布键。
• 选择经常需要 JOIN 的列作为分布键，可以实现图一所示本地关联（Collocated JOIN）计算，即当JOIN键和分布键一致时，可以在 Segment分区节点内部完成JOIN。否则需要将一个表进行重分布（Redistribute motion）来实现图二所示重分布关联（Redistributed Join）或者广播其中小表(Broadcast motion)来实现图三所示广播关联（Broadcast Join），后两种方式都会有较大的网络开销。
• 尽量选择高频率出现的查询条件列作为分布键，从而可能实现按分布键做节点 segment 的裁剪。
• 若未指定分布键，默认表的主键为分布键，若表没有主键，则默认将第一列当做分布键。
• 分布键可以被定义为一个或多个列。例如：

  create table t1(c1 int, c2 int) distributed by (c1,c2);

• 谨慎选择随机分布DISTRIBUTED RANDOMLY，这将使得上述本地关联，或者节点裁剪不可能实现。

表分布键的约束

• 分布键的列不能被更新（UPDATE）。
• 主键和唯一键必须包含分布键。例如：

  create table t1(c1 int, c2 int, primary key (c1)) distributed by (c2);

  说明 由于主键c1不包含分布键c2，所以建表语句返回失败。

  ERROR: PRIMARY KEY and DISTRIBUTED BY definitions incompatible

• Geometry类型和用户自定义数据类型不能作为分布键。

数据倾斜检查和处理

create table t1(c1 int, c2 int) distributed by (c1);

select gp_segment_id,count(1) from  t1 group by 1 order by 2 desc;
 gp_segment_id | count  
---------------+--------
             2 | 131191
             0 |     72
             1 |     68
(3 rows)

alter table t1 set distributed by (c2);

表t1的分布键被改为c2，该表的数据按照c2被重新分布，数据不再倾斜。