为 MPP 数据库中的表选择散列分布键

要选择有效的散列分布键，您需要检查表定义以及针对该表发出的任何查询。

开始之前

要选择有效的散列分布键，需要收集有关该表及其使用方式的信息：

表定义 - 主键、唯一键、生成列、列数据类型
表数据 - 不同值的数目、值的分布
针对表发出的查询 - 连接、相等性谓语

关于此任务

在 MPP 数据库中，集群中所有节点上的系统资源（内存、存储器和处理器等资源）划分为逻辑单元，称为数据切片。使用散列分布时，数据库管理器通过将散列算法应用于分布键的各列中的值，在数据切片之间分布表中各行的数据。

有效的散列分布键可通过两种不同方式提高查询性能：

在所有数据切片之间均匀分布表数据
均匀分布有多项优势：
- 将查询处理并行度最大化
- 高效使用可用的存储空间
将不同表中通常一起访存的行并置到一起

当通常一起访存的行位于同一数据切片时，访存这些行所花费的时间量将会减少。

通常，均匀分布优先于行并置。

对于较小的表，分布键对查询性能的影响较小。对于较大的表，分布键会显著影响查询性能。

过程

将表中所有的列都视为分布键的候选，并根据以下四个条件排除列或选择列：

表定义
- 如果表有强制的主键，那么分布键中的列必须是主键列的子集。
- 如果表有强制的唯一键，那么分布键中的列必须是唯一键列的子集。
- 不考虑任何不可用作分布键的生成列：
  - ROW CHANGE TIMESTAMP
  - ROW BEGIN
  - ROW END
  - TRANSACTION START ID
- 不考虑数据类型不受分布键支持的任何列：
  - Long（示例：long varchar 和 long vargraphic）
  - 大对象（示例：BLOB、CLOB 和 DBCLOB）
  - XML
  - 基于 Long、大对象或 XML 数据类型的单值类型
  - 结构类型
表数据
- 选择包含（或您预期可能包含）许多不同且均匀分布的值的列。
- 不考虑包含许多 NULL 值的列。
查询
- 要将不同表中通常一起访存的行并置到一起，请考虑这些表的下列因素：
  - 如果表包括在连接中，请选择在查询的连接谓词中使用的列。
  - 如果表包括在要与其他表的列进行相等性测试的查询中，请选择在相等性测试中使用的列。
常规
- 尽量减少所选择的列，因为这样会增加将不同表中通常一起访存的行并置的可能性。

示例

请考虑包含以下列的表 EMPLOYEE：


CREATE TABLE EMPLOYEE                    
(
  ID INT NOT NULL,
  NAME VARCHAR(250) NOT NULL,
  RESUME CLOB,
  HIRE_DATE DATE,
  IS_MANAGER CHAR(1),
  OFFICE_NUMBER INT
)
ORGANIZE BY ROW

其他信息：

IS_MANAGER 列的值只能是“Y”或“N”。
经理需要定期对这个表以及另一个名为 SALES 的表发出查询，以便按每个员工生成总销售额报告：
```
... WHERE SALES.SALES_PERSON_ID = EMPLOYEE.ID ...
```
该公司只有 1 年的历史，50% 的员工是在过去的 7 月受聘。

可以使用以下逻辑来选择 EMPLOYEE 表的散列分布键：

表 1. 为 EMPLOYEE 表选择散列分布键的逻辑. 下表讨论如何应用四个条件来为 EMPLOYEE 表选择散列分布键。
条件	讨论	列
表定义	RESUME 列不能包括在分布键中，因为其数据类型不受支持。	余下的候选项： ID NAME HIRE_DATE IS_MANAGER OFFICE_NUMBER
表数据	因为 50% 的员工是在过去的 7 月受聘，因此 HIRE_DATE 中的值并非在许多不同值之间均匀分布。 IS_MANAGER 列中的值只能是“Y”或“N”，这并非许多个不同的值。	余下的候选项： ID NAME OFFICE_NUMBER
查询	因为针对这个表发出的查询会将 ID 列中的值与另一个表中某一列的值进行比较，所以 ID 列应该包括在分布键中。	建议： ID 余下的候选项： NAME OFFICE_NUMBER
常规	因为常规指导方针是尽量减少所包括的列，并且由于这里没有信息表明在分布键中需要 OFFICE_NUMBER 列或 NAME 列，所以不考虑这两列。	分布键：(ID)