数据模型

基本概念

在云数据库 SelectDB 版中，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即您数据表中的一行数据，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。在SelectDB建表语句的列中，关键字DUPLICATE KEY、AGGREGATE KEY和UNIQUE KEY指定的列即是Key列，其他列是Value列。

上述关键字对应SelectDB中的3种数据模型，本文将对这些数据模型进行详细介绍：

• Aggregate模型

• Unique模型

• Duplicate模型

Aggregate模型

对于写入的数据，SelectDB会根据不同数据模型，根据建表所选不同模型的Key列中，数据相同的行（Row）进行不同的处理。对Aggregate模型而言，指定的所有Key列数据相同的行，多行数据会进行合并，Value列按照建表时字段定义中设置的AggregationType进行预聚合，最终只保留一行数据。

这意味着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，非常适合报表类统计分析场景。该模型对count(*)查询不友好，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，需要考虑语义正确性。

通过以下示例来阐述什么是聚合模型，以及如何正确地使用Aggregate聚合模型。

CREATE TABLE IF NOT EXISTS test.example_tbl1
(
    `user_id` LARGEINT NOT NULL COMMENT "用户id",
    `date` DATE NOT NULL COMMENT "数据写入日期时间",
    `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`, `city`, `age`, `sex`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 16;

INSERT INTO example_db.example_tbl_agg1 VALUES
(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);

CREATE TABLE IF NOT EXISTS test.example_tbl2
(
    `user_id` LARGEINT NOT NULL COMMENT "用户id",
    `date` DATE NOT NULL COMMENT "数据写入日期时间",
    `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`, `city`, `age`, `sex`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 16;

INSERT INTO test.example_tbl2 VALUES
(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);

INSERT INTO test.example_tbl2 VALUES
(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);

CREATE TABLE IF NOT EXISTS test.example_tbl3
(
    `user_id` LARGEINT NOT NULL COMMENT "用户id",
    `date` DATE NOT NULL COMMENT "数据写入日期时间",
    `timestamp` DATETIME NOT NULL COMMENT "数据写入时间，精确到秒",
    `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`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 16;

INSERT INTO test.example_tbl3 VALUES
(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);

Unique模型

在某些多维分析场景下，更关注的是如何保证Key的唯一性，即如何获得主键唯一性约束。因此，云数据库 SelectDB 版引入了Unique表引擎。在早期版本中，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，由于聚合模型的实现方式是读时合并MOR（Merge on Read)，因此在一些聚合查询上性能不佳。在3.0版本SelectDB引入了Unique模型新的实现方式，写时合并MOW（Merge on Write），通过在写入时做一些额外的工作，实现最优的查询性能。

对Unique模型而言，指定的所有Key列数据相同时多行数据会进行覆盖，仅保留最新导入的行，提供类似关系型数据库中的唯一性约束。

Unique模型针对需要唯一性约束的场景，提供了主键唯一性约束，可用于满足订单等关系型数据分析场景。对于聚合查询有较高性能需求的场景，推荐使用新版本引入的写时合并实现，但是该表引擎无法利用 ROLLUP等预聚合带来的查询优势。

我们将通过以下示例来阐述两种不同的实现方式。

写时合并（MOW）

Unqiue表引擎的写时合并实现，与聚合表引擎就是完全不同的两种模型，查询性能更接近于上文的Duplicate模型，在有主键约束需求的场景上相比聚合模型有较大的查询性能优势，尤其是在聚合查询以及需要用索引过滤大量数据的查询中。

写时合并在3.0版本中，作为一个新的特性，默认关闭，您可以通过如下属性property来开启。

"enable_unique_key_merge_on_write" = "true"

数据表example_tbl6的结构定义表。

创建表example_tbl6（省略建表语句中的Partition和Distribution信息），修改表property属性。示例如下。

CREATE TABLE IF NOT EXISTS test.example_tbl6
(
    `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`, `username`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 16
PROPERTIES (
    "enable_unique_key_merge_on_write" = "true"
);

这种建表语句所建立的表结构与聚合表引擎完全不同。

在开启了写时合并选项的Unique表上，数据在导入阶段就会去将被覆盖和被更新的数据进行标记删除，同时将新的数据写入新的文件。在查询的时候，所有被标记删除的数据都会在文件级别被过滤掉，读取出来的数据就都是最新的数据。这消除掉了读时合并中的数据聚合过程，并且能够在很多情况下支持多种谓词的下推。因此在许多场景都能带来比较大的性能提升，尤其是在有聚合查询的情况下。

读时合并（MOR）

数据表example_tbl4的结构定义表。

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）。

创建表example_tbl4（省略建表语句中的Partition和Distribution信息），示例如下。

CREATE TABLE IF NOT EXISTS test.example_tbl4
(
    `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`, `username`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 16;

数据表example_tbl5的结构定义表。

创建表example_tbl5（省略建表语句中的Partition和Distribution信息），示例如下。

CREATE TABLE IF NOT EXISTS test.example_tbl5
(
    `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`, `username`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 16;

上述表example_tbl4的表结构，完全等同于使用聚合表引擎example_tbl5的表结构。

即Unique引擎的读时合并实现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。

Duplicate模型

在某些多维分析场景下，数据既没有主键，也没有聚合需求。因此，引入Duplicate数据模型来满足这类需求。

对Duplicate模型而言，指定的所有Key列数据相同时多行数据同时存储在系统中，互不影响，没有预聚合、唯一性约束。

Duplicate模型适合任意维度的Ad-hoc查询，可用于满足日志等明细数据分析场景。该表引擎无法利用预聚合带来的性能提升、唯一性约束带来的自动更新便利性。

我们将通过以下示例来阐述Duplicate模型的实现方式。

数据表example_tbl7的结构定义表。

创建表example_tbl7（省略建表语句中的Partition和Distribution信息）。示例如下。

CREATE TABLE IF NOT EXISTS test.example_tbl7
(
    `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`, `error_code`)
DISTRIBUTED BY HASH(`type`) BUCKETS 16;

这种表模型区别于Aggregate和Unique模型，数据完全按照导入文件中的数据进行存储，不会有任何聚合。即使两行数据完全相同，也都会保留。 而在建表语句中指定的DUPLICATE KEY，只是用来指明底层数据按照那些列进行排序。在DUPLICATE KEY的选择上，建议适当的选择前2-4列即可。

数据模型比较

Aggregate表引擎的局限性

在聚合表引擎中，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），必须通过某种方式保证对外展示的一致性。通过以下示例来进行说明。

表example_tbl8结构如下。

向表example_tbl8中分两个批次写入如下数据。

• 第一次批量导入的数据如下。

• 第二次批量导入的数据如下。

可以看到，用户ID为10001的数据在两个批次中导入，在SelectDB内部的合并任务未执行完毕前，底层存储会包含上述5条原始数据。但是为了保证用户只能查询到如下最终聚合后的数据，我们会在查询引擎中自动加入了聚合算子，来保证数据对外的一致性。用户查询结果如下。

例如，执行如下SQL，得到的结果是5，而不是1。

SELECT MIN(cost) FROM example_tbl8;

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 example_tbl8;

在其他数据库中，这类查询都会很快的返回结果。因为，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。但是在聚合表引擎中，这种查询的开销非常大。

以上述的数据为例。

执行SQLselect count(*) from example_tbl8;的结果应该为4。但如果只扫描user_id这一列，且加上查询时聚合，最终得到的结果是3（10001, 10002, 10003）。而不加查询时聚合，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。

因为当聚合列非常多时，count()查询需要扫描大量的数据。为了得到正确的结果，我们必须同时读取user_id和date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。即在count()查询中，必须扫描所有的AGGREGATE KEY列（这里就是user_id和date），并且聚合后，才能得到正确的结果。

因此，当业务上有频繁的count(*)查询时，我们建议通过增加一个值恒为1、聚合类型为SUM的列来模拟count(*)。例如在example_tbl8的表结构中添加列count，修改后结构定义表如下。

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，就是需要您自行保证，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;和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。

Unique表引擎的写时合并实现

Unique引擎的写时合并实现没有聚合引擎的局限性，还是以上方的数据为例，写时合并为每次导入的rowset增加了对应的delete bitmap，来标记哪些数据被覆盖。第一批数据导入后状态如下。

• 第一次批量导入的结果数据如下。

当第二批数据导入完成后，第一批次导入的数据中重复的行就会被标记为已删除，此时两批数据状态如下。

• 第一批次导入的数据被标记后结果如下。

• 第二批次导入的数据结果如下。

在查询时，所有在delete bitmap中被标记删除的数据都不会读出来，因此也无需进行做任何数据聚合，上述数据中有效的行数为4行，查询出的结果也应该是4行，也就可以采取开销最小的方式来获取结果，即前面提到的“仅扫描某一列数据，获得count值”的方式。

在测试环境中，count(*)查询在Unique引擎的写时合并实现上的性能，相比聚合模型有10倍以上的提升。

Duplicate表引擎的局限性

Duplicate 模型没有聚合引擎的这个局限性。因为该引擎不涉及聚合语意，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。

Key列

Duplicate、Aggregate、Unique模型在使用过程中，都会在建表时指定Key列，然而实际上有所区别。

对于Duplicate模型，表的Key列，可以认为只是 “排序列”，并非起到唯一标识的作用。

对于Aggregate、Unique模型，在这种聚合类型的表里，Key列兼顾 “排序列” 和 “唯一标识列”，是真正意义上的“Key列”。

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，从而大幅提升查询性能。适合有固定查询模式或需要聚合分析的报表类场景。该模型对count(*)查询不友好；同时因为固定了Value列的聚合方式，在进行其他类型的聚合查询时，需要考虑语义正确性。

2. Unique模型针对需要唯一性约束的场景，可以保证主键唯一性。适合订单、交易等关系型数据的分析场景。该模型无法利用ROLLUP等预聚合带来的查询优势。当您对于聚合查询有较高性能需求，推荐使用自1.2版本加入的写时合并实现。

3. Duplicate模型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，可以充分发挥列存的优势（只读取相关列，而不需要读取所有Key列）。适合针对日志数据、明细数据等进行任意维度的Ad-hoc查询。

4. 如果有部分列更新的需求，请查阅文档部分列更新获取相关使用建议。