• 表的限制項

• 表(Table)設(shè)計規(guī)范 表設(shè)計主要目標

  • 分區(qū)字段和普通字段的選擇

  • 分區(qū)字段定義依據(jù)

  • 分區(qū)個數(shù)定義依據(jù)

  • 分區(qū)數(shù)量和數(shù)據(jù)量建議

  • 按數(shù)據(jù)分層規(guī)范數(shù)據(jù)生命周期

  • 按數(shù)據(jù)的變更和歷史規(guī)范數(shù)據(jù)的保存

  • 表設(shè)計的影響

  • 表設(shè)計步驟

  • 表數(shù)據(jù)存儲規(guī)范

  • 數(shù)據(jù)導(dǎo)入通道與表設(shè)計

  • 分區(qū)設(shè)計與邏輯存儲的對應(yīng)

  • 表和分區(qū)設(shè)計基本規(guī)則

  • 分區(qū)設(shè)計

表的限制項

表(Table)設(shè)計規(guī)范 表設(shè)計主要目標

• 降低存儲成本。 合適的表設(shè)計可以在數(shù)據(jù)分層設(shè)計上降低冗余存儲，減少中間表數(shù)據(jù)量大小。同時正 確的對表數(shù)據(jù)進行生命周期管理，更能夠直接降低存儲的數(shù)據(jù)量以降低存儲成本。

• 降低計算成本。 對表設(shè)計規(guī)范化，以便在后續(xù)對表數(shù)據(jù)進行查詢計算過程中，可以依據(jù)這些規(guī)范優(yōu)化 數(shù)據(jù)的讀取，減少計算過程中的冗余讀寫和計算，提升計算性能的同時降低成本。

• 降低維護復(fù)雜度。 規(guī)范化的表分層設(shè)計能夠直接體現(xiàn)業(yè)務(wù)的特點。如通過對數(shù)據(jù)通道中數(shù)據(jù)采集方式 進行優(yōu)化，同時對表進行規(guī)范化設(shè)計，可以減少分布式系統(tǒng)中小文件的問題，同時也減少表和分區(qū)維 護的數(shù)量等復(fù)雜度。

表設(shè)計的影響

影響的操作:表創(chuàng)建/入數(shù)據(jù)/表更新/表刪除/表管理。 導(dǎo)入數(shù)據(jù)場景(區(qū)分要做實時數(shù)據(jù)采集還是離線批 量數(shù)據(jù)寫入):

• 導(dǎo)入即查詢與計算。

• 多次導(dǎo)入，定時查詢與計算。

• 導(dǎo)入后生成中間表進行計算。
  注意:

• 合理的表設(shè)計和數(shù)據(jù)集成周期管理能夠使數(shù)據(jù)在存儲期間降低成本。 - MaxCompute優(yōu)先作為批量數(shù)據(jù)集成庫以及按業(yè)務(wù)邏輯進行計算，如按照分區(qū)進行計算。

• 導(dǎo)入后立即查詢與計算，需要考慮每次導(dǎo)入數(shù)據(jù)量，減少流式小量數(shù)據(jù)導(dǎo)入。

• 不合理的數(shù)據(jù)導(dǎo)入及存儲(小文件)會對整體存儲性能，計算性能，運維穩(wěn)定性造成影響。

表設(shè)計步驟

1. 確定所屬項目空間，依據(jù)業(yè)務(wù)過程規(guī)劃表類型，屬于哪個數(shù)據(jù)層次。

2. 定義表描述，權(quán)限定義與Owner定義。

3. 依據(jù)數(shù)據(jù)量、數(shù)據(jù)集成特點定義分區(qū)表或者非分區(qū)表。

4. 定義字段，或分區(qū)字段

5. 表創(chuàng)建/表轉(zhuǎn)換

6. 明確導(dǎo)入數(shù)據(jù)場景的相關(guān)因素(包括批量數(shù)據(jù)寫入/流式數(shù)據(jù)寫入/條式數(shù)據(jù)插入)。

7. 定義表和分區(qū)數(shù)據(jù)生命周期。

注意:

• 表創(chuàng)建之后可以依據(jù)業(yè)務(wù)變化進行表schema的修改，如設(shè)置生命周期，RangeClustering。

• 在設(shè)計階段需要特別注意區(qū)分數(shù)據(jù)的場景(批量數(shù)據(jù)寫入/流式數(shù)據(jù)寫入/周期性條式數(shù)據(jù)插入)。

• 合理使用非分區(qū)表和分區(qū)表。日志表，事實表，原始采集表等建議使用分區(qū)表，按照時間分區(qū)。

• 注意各種表和分區(qū)的限制條件。

表數(shù)據(jù)存儲規(guī)范

按數(shù)據(jù)分層規(guī)范數(shù)據(jù)生命周期

• 源表ODS層: 每天從業(yè)務(wù)系統(tǒng)同步過來的數(shù)據(jù)，全部保留，生命周期定義永久保存。以防備下游數(shù)據(jù) 受損時可以從ODS恢復(fù)。若ODS每天同步過來的是全量表，可以通過全表拉鏈的方式來壓縮存儲。

• 數(shù)據(jù)倉庫(基礎(chǔ))層: 至少保留一份完整的全量數(shù)據(jù)(不必像ODS那樣冗余多份全量)?？紤]到性能 因素，可以考慮拆表或者做分區(qū)。

• 數(shù)據(jù)集市層: 按需保留1~3年時?。數(shù)據(jù)集市的數(shù)據(jù)較容易生成，無需保留那么?時間的歷史數(shù)據(jù)

按數(shù)據(jù)的變更和歷史規(guī)范數(shù)據(jù)的保存

會變化數(shù)據(jù)怎么存:

• 客戶屬性、產(chǎn)品屬性天天變，將這些屬性的歷史變化情況記錄下來，以方便追溯某個時點的值。

• 在事實表里面冗余維表的字段，即把”事件發(fā)生時“的各種維度屬性值與該事件綁定起來。 比較方便使 用者，不需關(guān)聯(lián)多張表就可以用數(shù)據(jù)，在數(shù)據(jù)應(yīng)用層使用。

• 用拉鏈表或者日快照的形式，記錄維表的變化情況。 比較方便數(shù)據(jù)加工者，數(shù)據(jù)結(jié)構(gòu)靈活，擴展方 便，容易管理，且數(shù)據(jù)一致性更好。在數(shù)據(jù)基礎(chǔ)層使用。

數(shù)據(jù)導(dǎo)入通道與表設(shè)計

通道類型:

• Datahub ，規(guī)劃寫入的分區(qū)以及寫入流量的關(guān)系，做到64M commit一次。

• 數(shù)據(jù)集成或DataX，規(guī)劃寫入的表分區(qū)的頻率，做到64M commit一次，避免commit空目錄。 DTS，規(guī)劃寫入的表存量分區(qū)與增量分區(qū)的關(guān)系，做commit頻率設(shè)置。

• Console (Run SQL or Tunnel upload)，避免高頻小數(shù)據(jù)量文件的插入或者上傳。

• SDK Run Sql之insert into，對表或者分區(qū)上傳時需要注意插入到分區(qū)后進行小文件整理操作，避免 對一個分區(qū)或者非分區(qū)表插入多次，插入后需要merge。

注意:

• MaxCompute導(dǎo)入數(shù)據(jù)的通道只有Tunnel SDK或者執(zhí)行SQL的Insert into，避免流式插入。

• 以上各通道本身均有自身邏輯進行流式數(shù)據(jù)寫入， 批量數(shù)據(jù)寫入，周期調(diào)度寫入。

• 數(shù)據(jù)通道寫表或分區(qū)時需要注意將一次寫入的數(shù)據(jù)量控制在合理的值如64M以上。

分區(qū)設(shè)計與邏輯存儲的對應(yīng)

如上圖，表一共m 個一級分區(qū)，每個一級分區(qū)都會按時間存儲二級分區(qū)，每個二級分區(qū)都會存儲所有的 列。 對分區(qū)進行設(shè)計的注意事項:

• 分區(qū)限制數(shù)量上限。

• 避免每個分區(qū)中只有少量數(shù)據(jù)。

• 按照分區(qū)條件查詢和計算。

• 避免每個分區(qū)中多次數(shù)據(jù)寫入。

表和分區(qū)設(shè)計基本規(guī)則

• 所有的表、字段名要使用統(tǒng)一的命名規(guī)范。

  • 要能夠區(qū)分該表的業(yè)務(wù)類型。

  • 要能夠區(qū)分該表是“事實表”或“維度表”，“日志表”，“極限存儲表”(待發(fā)布功能)。

  • 要能夠區(qū)分該表的實體信息。

• 不同表中具有相同業(yè)務(wù)含義的字段要定義統(tǒng)一的數(shù)據(jù)類型:

  • 避免不必要的類型轉(zhuǎn)換。

• 分區(qū)設(shè)計及使用一般規(guī)則:

  • 支持新增分區(qū)，不支持新增分區(qū)字段。

  • 單表支持分區(qū)數(shù)量為6萬。

  • 對于多級分區(qū)的表，如果想添加新的分區(qū)，必須指明全部的分區(qū)值。

  • 不支持修改分區(qū)列列名，只能修改分區(qū)列對應(yīng)的值。修改多級分區(qū)的一個或者多個分區(qū)值，多級 分區(qū)的每一級的分區(qū)值都必須寫上。

分區(qū)設(shè)計

分區(qū)字段和普通字段的選擇

分區(qū)字段的作用:

• 方便數(shù)據(jù)的管理 。

• 劃分數(shù)據(jù)掃描范圍。
  創(chuàng)建表的時候，可以設(shè)置普通字段和分區(qū)字段。在絕大多數(shù)情況下，可以把普通字段理解成數(shù)據(jù)文件的數(shù) 據(jù)，而分區(qū)字段可以理解成文件系統(tǒng)的目錄。表的存儲空間的占用是普通字段的空間占用。 分區(qū)列雖然不直接存儲數(shù)據(jù)，但是如同文件系統(tǒng)里的目錄，方便數(shù)據(jù)管理，同時在計算時若指定具體的分 區(qū)，計算過程中只查詢對應(yīng)分區(qū)，從而減少計算輸入量。 分區(qū)表的分區(qū)列的個數(shù)不能超過6級，也可以理解成底層存儲數(shù)據(jù)的目錄層數(shù)不能超過6層。對分區(qū)表設(shè)置 合適的生命周期，可以按照分區(qū)細粒度做到對部分數(shù)據(jù)進行周期管理。

注意:

• 可以從數(shù)據(jù)管理范圍和常用的數(shù)據(jù)掃描范圍考慮將對應(yīng)字段設(shè)置成分區(qū)字段。

• 對于不具備規(guī)律或者類型數(shù)量大于10000且不經(jīng)常作為查詢條件的字段設(shè)置成普通字段。

分區(qū)字段定義依據(jù)

按優(yōu)先級高低排序:

• 區(qū)列的選擇應(yīng)充分考慮時間因素，盡量避免對于存量分區(qū)進行更新。

• 如果有多個事實表(不包括維度表)進行join，查詢條件where范圍的列作為分區(qū)列。 選

• 擇group by 或distinct 包含的列作為分區(qū)列。

• 選擇值分布均勻的列，不要選擇分區(qū)傾斜的列作為分區(qū)列。

• 常用SQL包含某列的等值或in查詢條件，選擇該列作為分區(qū)列。

例如:

Select?...?from?table?where?id=123?and?....;

分區(qū)個數(shù)定義依據(jù)

• 時間分區(qū):可按天進行分區(qū)或者按月進行分區(qū)，如按照小時進行分區(qū)，二級分區(qū)平均數(shù)量不應(yīng)大于8 個。

• 地域分區(qū):省，市，縣進行分區(qū)，考慮進行多級分區(qū)。23個省，5個自治區(qū)，4個直轄市，2個特別行 政區(qū);50個地區(qū)(州、盟);661個市，其中:直轄市4個;地級市283個;縣級市374個;1636個縣(自治縣、旗、自治旗、特區(qū)和林區(qū))，按照最細粒度縣級進行分區(qū)后更細粒度不應(yīng)再按照小時進行 分區(qū)。

• 單分區(qū)下的數(shù)據(jù)建議64M數(shù)據(jù)提交一次。如果為多級分區(qū)，保證每個最細粒度級分區(qū)下的二級分區(qū)的 數(shù)據(jù)都是按照這個規(guī)則。

• 單表分區(qū)數(shù)(包括下級分區(qū))不能超過6萬。

分區(qū)數(shù)量和數(shù)據(jù)量建議

在計算的時候可以使用分區(qū)裁剪是分區(qū)的優(yōu)勢。

• 建議單個分區(qū)中數(shù)據(jù)量不要太大，如可以單個分區(qū)中數(shù)據(jù)在1萬條，但是建了5萬個分區(qū)。

• 應(yīng)盡量避免分區(qū)數(shù)據(jù)傾斜，單個表不同分區(qū)的數(shù)據(jù)量差異查過100萬以上。

• 做分區(qū)設(shè)計時應(yīng)合理規(guī)劃分區(qū)個數(shù)，較細粒度的分區(qū)在跨分區(qū)掃描時會影響到SQL的執(zhí)行性能。

• 單個分區(qū)中數(shù)據(jù)量較大的情況下，MaxCompute執(zhí)行任務(wù)時會做分片處理不影響分區(qū)裁剪的優(yōu)勢。

• 單個分區(qū)中文件數(shù)較多時，會影響MaxComputeInstance數(shù)量，造成資源浪費和SQL性能的影響。

• 采用多級分區(qū)，先按日期分區(qū)，然后按交易類型分區(qū)。

• 拆表，一種交易類型就獨立成一張表，再每張表按日期分區(qū)。

• 維度表不做分區(qū)。?