跳到主要内容

OPTIMIZE TABLE

引入或更新: v1.2.395

在Databend中优化表涉及压缩或清除历史数据，以节省存储空间并提高查询性能。

为什么要优化?
Databend使用Parquet格式将数据存储在表中，这些数据被组织成块。此外，Databend支持时间回溯功能，其中每个修改表的操作都会生成一个Parquet文件，该文件捕获并反映对表所做的更改。

随着表随着时间的推移积累更多的Parquet文件，它可能会导致性能问题和增加的存储需求。为了优化表的性能，可以在不再需要时删除历史Parquet文件。这种优化可以帮助提高查询性能并减少表使用的存储空间量。

Databend数据存储: 快照、段和块​

快照、段和块是Databend用于数据存储的概念。Databend使用它们来构建用于存储表数据的层次结构。

Databend在数据更新时自动创建表快照。快照表示表段元数据的版本。

在使用Databend时，当您使用AT子句检索和查询表数据的先前版本时，您最有可能使用快照ID访问快照。

快照是一个JSON文件，不保存表的数据，但指示快照链接到的段。如果您对表运行FUSE_SNAPSHOT，您可以找到为该表保存的快照。

段是一个JSON文件，组织存储块(至少1个，最多1,000个)，其中存储数据。如果您使用快照ID对快照运行FUSE_SEGMENT，您可以找到快照引用的段。

Databend将实际表数据保存在parquet文件中，并将每个parquet文件视为一个块。如果您使用快照ID对快照运行FUSE_BLOCK，您可以找到快照引用的块。

Databend为每个数据库和表创建一个唯一ID，用于存储快照、段和块文件，并将它们保存到对象存储中的路径<bucket_name>/<tenant_id>/<db_id>/<table_id>/。每个快照、段和块文件都使用UUID(32字符小写十六进制字符串)命名。

文件格式文件名存储文件夹
快照JSON<32bitUUID>_<version>.json<bucket_name>/<tenant_id>/<db_id>/<table_id>/_ss/
段JSON<32bitUUID>_<version>.json<bucket_name>/<tenant_id>/<db_id>/<table_id>/_sg/
块parquet<32bitUUID>_<version>.parquet<bucket_name>/<tenant_id>/<db_id>/<table_id>/_b/

表优化​

在Databend中，建议的目标块大小为100MB(未压缩)或1,000,000行，每个段包含1,000个块。为了最大化表优化，必须清楚地了解何时以及如何应用各种优化技术，例如段压缩、块压缩和清除。

  • 当使用COPY INTO或REPLACE INTO命令将数据写入包含集群键的表时，Databend将自动启动重新聚类过程，以及段和块压缩过程。

  • 段和块压缩支持在集群环境中分布式执行。您可以通过将ENABLE_DISTRIBUTED_COMPACT设置为1来启用它们。这有助于提高集群环境中的数据查询性能和可扩展性。

    SET enable_distributed_compact = 1;

段压缩​

当表有太多小段(每个段少于100个块)时，压缩段。

SELECT
  block_count,
  segment_count,
  IF(
              block_count / segment_count < 100,
              'The table needs segment compact now',
              'The table does not need segment compact now'
    ) AS advice
FROM
  fuse_snapshot('your-database', 'your-table')
    LIMIT 1;

语法

OPTIMIZE TABLE [database.]table_name COMPACT SEGMENT [LIMIT <segment_count>]

通过将小段合并为较大的段来压缩表数据。

  • 选项LIMIT设置要压缩的最大段数。在这种情况下，Databend将选择并压缩最新的段。

示例

-- 检查是否需要段压缩
SELECT
  block_count,
  segment_count,
  IF(
              block_count / segment_count < 100,
              'The table needs segment compact now',
              'The table does not need segment compact now'
    ) AS advice
FROM
  fuse_snapshot('hits', 'hits');

+-------------+---------------+-------------------------------------+
| block_count | segment_count | advice                              |
+-------------+---------------+-------------------------------------+
|         751 |            32 | The table needs segment compact now |
+-------------+---------------+-------------------------------------+
    
-- 压缩段
OPTIMIZE TABLE hits COMPACT SEGMENT;
    
-- 再次检查
SELECT
  block_count,
  segment_count,
  IF(
              block_count / segment_count < 100,
              'The table needs segment compact now',
              'The table does not need segment compact now'
    ) AS advice
FROM
  fuse_snapshot('hits', 'hits')
    LIMIT 1;

+-------------+---------------+---------------------------------------------+
| block_count | segment_count | advice                                      |
+-------------+---------------+---------------------------------------------+
|         751 |             1 | The table does not need segment compact now |
+-------------+---------------+---------------------------------------------+

块压缩​

当表有大量小块或表有高比例的插入、删除或更新行时，压缩块。

您可以通过检查每个块的未压缩大小是否接近100MB的理想大小来检查。

如果大小小于50MB，我们建议进行块压缩，因为它表示太多小块:

SELECT
  block_count,
  humanize_size(bytes_uncompressed / block_count) AS per_block_uncompressed_size,
  IF(
              bytes_uncompressed / block_count / 1024 / 1024 < 50,
              'The table needs block compact now',
              'The table does not need block compact now'
    ) AS advice
FROM
  fuse_snapshot('your-database', 'your-table')
    LIMIT 1;
信息

我们建议先进行段压缩，然后进行块压缩。

语法

OPTIMIZE TABLE [database.]table_name COMPACT [LIMIT <segment_count>]

通过将小块和段合并为较大的块和段来压缩表数据。

  • 此命令创建表最新数据的新的快照(以及压缩的段和块)，而不影响现有存储文件，因此直到您清除历史数据时才会释放存储空间。

  • 根据给定表的大小，执行可能需要相当长的时间才能完成。

  • 选项LIMIT设置要压缩的最大段数。在这种情况下，Databend将选择并压缩最新的段。

  • Databend将在压缩过程后自动重新聚类聚类表。

示例

OPTIMIZE TABLE my_database.my_table COMPACT LIMIT 50;

清除​

清除永久删除历史数据，包括未使用的快照、段和块，但保留保留期内(包括此快照引用的段和块)的快照。这可以节省存储空间，但可能会影响时间回溯功能。考虑清除时:

  • 存储成本是一个主要问题，并且您不需要历史数据用于时间回溯或其他目的。
  • 您已经压缩了表，并希望删除较旧的未使用数据。
备注

默认保留期内的历史数据不会被删除。要调整保留期，请使用data_retention_time_in_days设置。

语法

OPTIMIZE TABLE <table_name> PURGE 
  [ BEFORE 
          (SNAPSHOT => '<SNAPSHOT_ID>') | 
          (TIMESTAMP => '<TIMESTAMP>'::TIMESTAMP) |
          (STREAM => <stream_name>)
  ]
  [ LIMIT <snapshot_count> ]
参数描述
BEFORE指定清除历史数据的条件。它与SNAPSHOT、TIMESTAMP或STREAM选项一起使用，以定义应清除数据的时间点。
当指定BEFORE选项时，命令首先选择一个基本快照，如指定选项所示。然后，它删除在此基本快照之前生成的快照。在指定流的情况下，命令将创建流之前最近的快照标识为基本快照。然后，它删除在此最近的快照之前生成的快照。
LIMIT设置要清除的最大快照数。当指定时，Databend将选择并清除最旧的快照，最多指定数量。

示例

此示例演示使用BEFORE STREAM选项清除历史数据。

  1. 创建一个名为t的表，其中包含单列a，并向表中插入两行值1和2。
CREATE TABLE t(a INT);

INSERT INTO t VALUES(1);
INSERT INTO t VALUES(2);
  1. 在表t上创建一个名为s的流，并向表中添加一行值3。
CREATE STREAM s ON TABLE t;

INSERT INTO t VALUES(3);
  1. 返回表t的快照ID和相应的时间戳。
SELECT snapshot_id, timestamp FROM FUSE_SNAPSHOT('default', 't');

┌───────────────────────────────────────────────────────────────┐
│            snapshot_id           │          timestamp         │
├──────────────────────────────────┼────────────────────────────┤
│ 00dd8ca67c1f461987f31a6b3a1c3c84 │ 2024-04-02 18:09:39.157702 │
│ e448bb2bf488489dae7294b0a8af38d1 │ 2024-04-02 18:09:34.986507 │
│ 2ac038dd83e741afbae543b170105d63 │ 2024-04-02 18:09:34.966336 │
└───────────────────────────────────────────────────────────────┘

-- 将数据保留时间设置为0仅用于演示目的。不建议在生产中使用。
SET data_retention_time_in_days = 0;
  1. 使用BEFORE STREAM选项清除历史快照。
OPTIMIZE TABLE t PURGE BEFORE (STREAM => s);

-- 该命令选择快照ID e448bb2bf488489dae7294b0a8af38d1作为基本快照，该快照是在创建流's'之前生成的。
-- 因此，快照ID 2ac038dd83e741afbae543b170105d63，在基本快照之前生成，被删除。
SELECT snapshot_id, timestamp FROM FUSE_SNAPSHOT('default', 't');

┌───────────────────────────────────────────────────────────────┐
│            snapshot_id           │          timestamp         │
├──────────────────────────────────┼────────────────────────────┤
│ 00dd8ca67c1f461987f31a6b3a1c3c84 │ 2024-04-02 18:09:39.157702 │
│ e448bb2bf488489dae7294b0a8af38d1 │ 2024-04-02 18:09:34.986507 │
└───────────────────────────────────────────────────────────────┘
这篇文章对您有帮助吗？
Yes
No
加入我们的社区
GitHub
🌟 8.0K Stars
知乎
bilibili
开源中国
微信
开始使用 Databend Cloud
低成本
快速分析
多种数据源
弹性扩展
注册