為什么列存儲能夠大幅度提高數(shù)據(jù)的查詢性能

傳統(tǒng)的存儲數(shù)據(jù)的方式是逐行存儲（Row Store），每一個(gè)Page存儲多行數(shù)據(jù)，而列存儲（Column Store）把數(shù)據(jù)表中的每一列單獨(dú)存儲在Page集合中，這意味著，Page集合中存儲的是某一列的數(shù)據(jù)，而不是一行的所有列的數(shù)據(jù)。

列存儲索引適合于數(shù)據(jù)倉庫中，主要執(zhí)行大容量數(shù)據(jù)加載和只讀查詢，與傳統(tǒng)面向行的存儲方式相比，使用列存儲索引存儲可最多提高 10 倍查詢性能 ，與使用非壓縮數(shù)據(jù)大小相比，可提供多達(dá) 7 倍數(shù)據(jù)壓縮率 。列存儲索引使用用“批處理執(zhí)行模式”的模式，這與行存儲使用的逐行數(shù)據(jù)讀取模式對比，性能大幅提升。

列存儲索引主要在下面三個(gè)特性上提升查詢的性能：

• 行存儲使用逐行處理模式，每次只處理一行數(shù)據(jù)；而列存儲索引使用批處理模式，每次處理一批數(shù)據(jù)行。
• 行存儲是逐行存儲（Row Store），每一個(gè)Page存儲多行數(shù)據(jù)，而列存儲（Column Store）把數(shù)據(jù)表中的每一列單獨(dú)存儲在Page集合中，這意味著，Page集合中存儲的是某一列的數(shù)據(jù)，而不是一行中所有列的數(shù)據(jù)。在讀取數(shù)據(jù)時(shí)，行存儲把一行的所有列都加載到內(nèi)存，即使有些列根本不會用到；而列存儲只把需要的列加載到內(nèi)存中，不需要的列不會被加載到內(nèi)存中。
• 列存儲索引自動對數(shù)據(jù)進(jìn)行壓縮處理，由于同一行的數(shù)據(jù)具有很高的相似性，壓縮率很高，數(shù)據(jù)讀取更快速。

一般情況下，數(shù)據(jù)倉庫的查詢語句只會查詢少數(shù)幾個(gè)列的數(shù)據(jù)，其他列的數(shù)據(jù)不需要加載到內(nèi)存中，這就使得列存儲特別適合用于數(shù)據(jù)倉庫中。

01、列存儲的特點(diǎn)

為什么列存儲能夠大幅度提高數(shù)據(jù)的查詢性能呢？要回答這個(gè)問題，首先必須明白SQL Server引擎是怎樣讀取數(shù)據(jù)的。在讀取數(shù)據(jù)時(shí)，SQL Server每次都把所需數(shù)據(jù)所在的整個(gè)Page讀取到內(nèi)存中，Page是數(shù)據(jù)讀取的最小單位。如果采用行存儲，每一個(gè)Page都存儲所有列的數(shù)據(jù)，每行的Size決定了單個(gè)Page能夠存儲的數(shù)據(jù)行數(shù)量。

我們可以粗略計(jì)算一下，如果一個(gè)數(shù)據(jù)行有10列，每列的平均Size是10B，一行的Size是100B，那么單個(gè)Page最多存儲80行（8060B/100B）；如果采用列存儲模式，那么單個(gè)Page可以存儲806行（8060B/10B）。就單個(gè)Page存儲的數(shù)據(jù)行數(shù)量而言，列存儲是行存儲的10倍，SQL Server引擎把一個(gè)Page讀取到內(nèi)存中，能夠獲取的數(shù)據(jù)行數(shù)量成10倍增加。

因此，采用列存儲模式時(shí)，每一個(gè)Page能夠存儲更多的數(shù)據(jù)行。在加載列存儲數(shù)據(jù)時(shí)，SQL Server只需要消耗少量的IO，就能把某一列的全部數(shù)據(jù)加載到緩存中。當(dāng)從列很多的大表中讀取幾個(gè)列時(shí)，相比傳統(tǒng)的行存儲（Row Store）模式，列存儲（Column Store）能夠成千上萬倍地提高數(shù)據(jù)的讀取速度和查詢性能。

02、列存儲的物理實(shí)現(xiàn)

數(shù)據(jù)表（堆，B-Tree）以行存儲模式存儲數(shù)據(jù)，而列存儲索引以列存儲模式存儲數(shù)據(jù)，行存儲和列存儲的示例圖：

1，列存儲的優(yōu)點(diǎn)

對于列存儲，列C1…C6 存儲在不同的Page組中，列存儲的優(yōu)點(diǎn)是：

• 列存儲是把每一列都單獨(dú)存儲在Pages集合中，對于行存儲，哪怕只從數(shù)據(jù)表中選擇（select）一列，SQL Server引擎都把整個(gè)數(shù)據(jù)行所在的Page讀取到內(nèi)存中，而使用列存儲索引，僅僅需要把select子句指定的列讀取到內(nèi)存，不需要的列不會被讀??；因此，如果一個(gè)查詢請求只需要從少量的幾個(gè)列中獲得數(shù)據(jù)，列存儲能夠大幅度提高查詢性能；
• 由于單個(gè)數(shù)據(jù)列的數(shù)據(jù)冗余度更高，因此同一列的數(shù)據(jù)更容易被壓縮存儲，單個(gè)Page存儲更多的數(shù)據(jù)；
• 緩存命中率提高，這是因?yàn)橥涣械臄?shù)據(jù)被高度壓縮，常用的Page被頻繁訪問而變得異常活躍，Buffer Manager把活躍的數(shù)據(jù)頁緩存到內(nèi)存中，不常用的Page被換出（Page Out）。
• 更高級的查詢執(zhí)行技術(shù)，列存儲模式讀取數(shù)據(jù)使用的是批處理模式（Batch Processing Mode），相對于傳統(tǒng)的行處理技術(shù)，查詢性能更高。

2，列存儲模式的物理實(shí)現(xiàn)

SQL Server引擎分三步實(shí)現(xiàn)列存儲：

• step1，列存儲索引先把數(shù)據(jù)表的所有數(shù)據(jù)行分組，每個(gè)分組也稱作行組（Row Groups）。
• step2，在每個(gè)行組中，每列的所有數(shù)據(jù)行構(gòu)成一個(gè)列段（Column Segment），簡稱段。
• step3，對每個(gè)段進(jìn)行壓縮處理和編碼，每個(gè)段都單獨(dú)存儲在列存儲索引中。

3，編碼和壓縮

列存儲使用兩種編碼類型：基于字典（dictionary based）和基于值（value based），使用Vertipaq壓縮數(shù)據(jù)。

字典編碼是把唯一值編入字典，每一個(gè)唯一值都匹配一個(gè)序號，而序號用于索引字典，通過存儲序號來壓縮數(shù)據(jù)。如果數(shù)據(jù)表中存在大量的重復(fù)值，那么使用字典編碼壓縮率高。

值編碼用于整數(shù)類型，或小數(shù)類型，編碼的原理是把Value的范圍按照比例縮小或增大，并使用一個(gè)指數(shù)（exponent）來表示比例。如果整數(shù)（integer） 或小數(shù)（decimal）的值分布集中，那么使用基于值（value-based）編碼方法進(jìn)行壓縮非常高效。

列存儲索引的物理存儲如下圖所示：

03、列存儲索引

SQL Server 2012開始引入列存儲模式，用戶通過創(chuàng)建列存儲索引（Column Store Index）來體驗(yàn)列存儲模式帶來的性能提升。而列存儲模式非常適用于星型連接（Star- Join）類型的聚合查詢，所謂星型連接（Star-Join）的聚合查詢是指對一個(gè)大表（Large Table）和多個(gè)小表（Little Table）進(jìn)行連接，并對Large Table 進(jìn)行聚合查詢。在數(shù)據(jù)庫倉庫中，是指事實(shí)表和維度表的連接。

在大表上創(chuàng)建列存儲索引，SQL Server 引擎將充分使用批處理模式（Batch processing mode）來執(zhí)行星型查詢，獲取更高的查詢性能。

典型的Star- Join的聚合查詢類似于下面的示例腳本：

select lt.Grouping_Columns,
        AggregationFunction(bt.Columns)
from dbo.LittleTable lt with(nolock)
inner join dbo.BitTable bt with(nolock)
    on lt.Int_Col1=bt.Int_col1
where ....
group by lt.Grouping_Columns

在SQL Server 2012中，只能創(chuàng)建非聚集的列存儲索引，由于列存儲索引的每一列都有獨(dú)立的存儲空間（Page Set），因此，列存儲索引會包含數(shù)據(jù)表的所有列，這樣，每一個(gè)數(shù)據(jù)列都會被索引到。但是，并不是每一列都能獲得相同的性能提升，這是因?yàn)?，列存儲使用的壓縮算法對于具有大量重復(fù)值的字符或數(shù)值的數(shù)據(jù)，壓縮效率更高。對于列存儲索引而言，查詢性能的提升很大程度上依賴列數(shù)據(jù)的高度壓縮，這會大幅減少存儲該列數(shù)據(jù)所占用的數(shù)據(jù)頁（Data Page），進(jìn)而大幅減少把數(shù)據(jù)加載到內(nèi)存所耗費(fèi)的內(nèi)存和時(shí)間。

CREATE[NONCLUSTERED]COLUMNSTOREINDEXindex_name
ON schema_name . table_name ( column  [ ,...n ] )
[ WITH ( DROP_EXISTING = { ON | OFF } | MAXDOP = max_degree_of_parallelism ) ]
[ ON  partition_scheme_name ( column_name )  | filegroup_name ]

一旦表上創(chuàng)建了非聚集的列存儲索引，基礎(chǔ)表就變成只讀的（read-only），不能對基礎(chǔ)表做任何更新（insert，update，delete 或merge）操作，如果需要修改數(shù)據(jù)，那么，首先要禁用列存儲索引，然后更新數(shù)據(jù)，最后重建列存儲索引：

ALTER INDEX mycolumnstoreindex ON mytable DISABLE;
-- update mytable --
ALTER INDEX mycolumnstoreindex on mytable REBUILD

由于創(chuàng)建或重建列存儲索引是IO密集型資源，十分耗費(fèi)內(nèi)存資源，因此必須在系統(tǒng)空閑的情況下，更新數(shù)據(jù)。

04、列存儲索引的空間使用

列存儲索引首先把數(shù)據(jù)分組，然后每個(gè)行組中的每個(gè)列構(gòu)成一個(gè)段（Segment），每段都是單獨(dú)存儲的，列存儲索引占用的存儲空間的大小是由所有段占用的硬盤空間的加和。

系統(tǒng)視圖：sys.column_store_segments 提供每個(gè)段的數(shù)據(jù)信息，每個(gè)段都是每個(gè)行組中的一列的數(shù)據(jù)的集合，例如，如果一個(gè)列存儲索引分為10個(gè)行組，每個(gè)行組有15個(gè)數(shù)據(jù)列，那么，該視圖將返回150個(gè)段。

select i.object_id
    ,object_name(i.object_id) as object_name
    ,i.name as index_name
    ,i.type_desc as index_type
    ,col_name(i.object_id,ic.column_id) as index_column_name
    ,sum(s.row_count) as row_count
    ,sum(s.on_disk_size)/1024/1024 as on_disk_size_mb
from sys.column_store_segments s
inner join sys.partitions p 
    on s.partition_id=p.partition_id
inner join sys.indexes i 
    on p.object_id=i.object_id
        and p.index_id=i.index_id
inner join sys.index_columns ic 
    on i.object_id=ic.object_id
        and i.index_id=ic.index_id
        and s.column_id=ic.index_column_id
group by i.object_id
    ,i.index_id
    ,i.name
    ,i.type_desc
    ,ic.column_id
order by i.object_id
    ,i.name
    ,index_column_name

可以看出，列存儲索引中每個(gè)段占用的硬盤空間是很少的，加載到內(nèi)存所需要耗費(fèi)的時(shí)間，IO次數(shù)和內(nèi)存資源也是很少的，再配上性能更高的批處理模式，所以，列存儲能夠大幅度提高數(shù)據(jù)的查詢性能，特別是對星型聚合的查詢。