全部產品
Search
文件中心

Hologres:聚簇索引Clustering Key

更新時間:Jun 30, 2024

本文為您介紹在Hologres中聚簇索引Clustering Key使用的相關內容。

Clustering Key介紹

Hologres會按照聚簇索引在檔案內對資料進行排序,建立聚簇索引能夠加速在索引列上的範圍和過濾查詢。設定Clustering Key的文法如下,需要建表時指定。

-- Hologres V2.1版本起支援的文法
CREATE TABLE <table_name> (...) WITH (clustering_key = '[<columnName>[,...]]');

-- 所有版本支援的文法
BEGIN;
CREATE TABLE <table_name> (...);
CALL set_table_property('<table_name>', 'clustering_key', '[<columnName>{:asc} [,...]]');
COMMIT;

參數說明:

參數

說明

table_name

設定聚簇索引的表名稱。

columnName

設定聚簇索引的欄位名稱。

使用建議

  • Clustering Key主要適用於點查以及範圍查詢的情境,對於過濾操作有比較好的效能提升,即對於where a = 1或者where a > 1 and a < 5的情境加速效果比較好。可以同時設定Clustering Key和Bitmap Column以達到最佳的點查效能。

  • Clustering Key具備左匹配原則,因此一般不建議設定Clustering Key超過兩個欄位,否則適用情境受限。Clustering Key是用於排序,所以Clustering Key裡的列組合是有先後關係的,即排在前面列的排序優先順序高於後面的列。

  • 指定Clustering Key欄位時,可在欄位名後添加:asc來構建索引時的排序方式。排序方式預設為asc,即升序。Hologres V2.1以前版本不支援設定構建索引時的排序方式為降序(desc),如果設定了降序,無法命中Clustering Key,導致查詢效能不佳;從V2.1版本開始,開啟如下GUC後支援設定Clustering Key為desc,但僅支援Text、Char、Varchar、Bytea、Int等類型的欄位,其餘資料類型的欄位暫不支援設定Clustering Key為desc

    set hg_experimental_optimizer_enable_variable_length_desc_ck_filter = on;
  • 對於行存表,Clustering Key預設為主鍵 (Hologres V0.9之前版本預設不設定)。如果設定和主鍵不同的Clustering Key,那麼Hologres會為這張表產生兩個排序(Primary Key排序和Clustering Key排序),造成資料冗餘。

使用限制

  • 如需修改Clustering Key,請重建立表並匯入資料。

  • Clustering Key必須為not nullable的列或者列組合。Hologres V1.3.20~1.3.27版本支援Clustering Key為nullable,從V1.3.28版本開始不支援Clustering Key為nullable,為nullable的Clustering Key可能會影響資料正確性,如果業務有強需求設定Clustering Key為null,可以在SQL前添加如下參數。

    set hg_experimental_enable_nullable_clustering_key = true;
  • 不支援將Float、Float4、Float8、Double、Decimal(Numeric)、Json、Jsonb、Bit、Varbit、Money、Time With Time Zone及其他複雜資料類型的欄位設定為Clustering Key。

  • Hologres V2.1以前版本不支援設定構建索引時的排序方式為降序(desc),如果設定了降序,無法命中Clustering Key,導致查詢效能不佳;從V2.1版本開始,開啟如下GUC後支援設定Clustering Key為desc,但僅支援Text、Char、Varchar、Bytea、Int等類型的欄位,其餘資料類型的欄位暫不支援設定Clustering Key為desc

    set hg_experimental_optimizer_enable_variable_length_desc_ck_filter = on;
  • 對於列存表,Clustering Key預設為空白,需要根據業務情境顯式指定。

  • 在Hologres中,每個表只能設定一組Clustering Key。即建表的時候只能使用call命令一次,不能執行多次,如下樣本:

    • V2.1版本起支援的建表文法:

      --正確樣本
      CREATE TABLE tbl (
          a int NOT NULL,
          b text NOT NULL
      )
      WITH (
          clustering_key = 'a,b'
      );
      
      --錯誤樣本
      CREATE TABLE tbl (
          a int NOT NULL,
          b text NOT NULL
      )
      WITH (
          clustering_key = 'a',
          clustering_key = 'b'
      );
    • 所有版本支援的建表文法:

      --正確樣本
      BEGIN;
      CREATE TABLE tbl (a int NOT NULL, b text NOT NULL);
      CALL set_table_property('tbl', 'clustering_key', 'a,b');
      COMMIT;
      
      --錯誤樣本
      BEGIN;
      CREATE TABLE tbl (a int NOT NULL, b text NOT NULL);
      CALL set_table_property('tbl', 'clustering_key', 'a');
      CALL set_table_property('tbl', 'clustering_key', 'b');
      
      COMMIT;

技術原理

Clustering Key在實體儲存體上是指在檔案內進行排序,預設為升序(asc),可以通過下圖理解Clustering Key的布局概念。

  • 邏輯布局。

    Clustering Key查詢具備左匹配原則,不匹配則無法使用Clustering Key查詢加速。如下情境樣本將為您說明Hologres中Clustering Key的邏輯布局。

    準備一張表,其欄位分別包括Name、Date、Class。

    • 設定Date為Clustering Key,會將表內的資料按照Date進行排序。

    • 設定ClassDate為Clustering Key,會對錶先按照Class排序後再按照Date進行排序。

    設定不同的欄位為Clustering Key,其最終的呈現結果也不同,具體如下圖所示。邏輯布局

  • 實體儲存體布局。

    Clustering Key的實體儲存體布局如下圖所示。物理布局

通過Clustering Key的布局原理可以看出:

  • Clustering Key適合範圍過濾的情境。比如where date= 1/1或者where a > 1/1 and a < 1/5的情境加速效果比較好。

  • Clustering Key查詢具備左匹配原則,不匹配則無法利用上Clustering Key查詢加速。即假設設定a,b,c三列為Clustering Key,如果是查a,b,c或者查a,b可以命中Clustering Key;如果查a,c只有a可以命中Clustering Key;如果查b,c則無法命中Clustering Key。

如下樣本,設定uid,class,date三列為Clustering Key。

  • V2.1版本起支援的文法:

    CREATE TABLE clustering_test (
        uid int NOT NULL,
        name text NOT NULL,
        class text NOT NULL,
        date text NOT NULL,
        PRIMARY KEY (uid)
    )
    WITH (
        clustering_key = 'uid,class,date'
    );
    
    INSERT INTO clustering_test VALUES
    (1,'張三','1','2022-10-19'),
    (2,'李四','3','2022-10-19'),
    (3,'王五','2','2022-10-20'),
    (4,'趙六','2','2022-10-20'),
    (5,'孫七','2','2022-10-18'),
    (6,'周八','3','2022-10-17'),
    (7,'吳九','3','2022-10-20');
  • 所有版本支援的文法:

    BEGIN;
    CREATE TABLE clustering_test (
      uid int NOT NULL,
      name text NOT NULL,
      class text NOT NULL,
      date text NOT NULL,
      PRIMARY KEY (uid)
    );
    CALL set_table_property('clustering_test', 'clustering_key', 'uid,class,date');
    COMMIT;
    
    INSERT INTO clustering_test VALUES
    (1,'張三','1','2022-10-19'),
    (2,'李四','3','2022-10-19'),
    (3,'王五','2','2022-10-20'),
    (4,'趙六','2','2022-10-20'),
    (5,'孫七','2','2022-10-18'),
    (6,'周八','3','2022-10-17'),
    (7,'吳九','3','2022-10-20');
  • 只查uid列,可以命中Clustering Key。

    SELECT * FROM clustering_test WHERE uid > '3';

    通過查看執行計畫(explain SQL),如下所示執行計畫中有Cluster Filter運算元,表明命中了Clustering Key,查詢加速。只查uid執行計畫

  • uid,class列,可以命中Clustering Key。

    SELECT * FROM clustering_test WHERE uid = '3' AND class >'1' ;

    通過查看執行計畫(explain SQL),如下所示執行計畫中有Cluster Filter運算元,表明命中了Clustering Key,查詢加速。執行計畫2

  • uid,class,date三列可以命中Clustering Key。

    SELECT * FROM clustering_test WHERE uid = '3' AND class ='2' AND date > '2022-10-17';

    通過查看執行計畫(explain SQL),如下所示執行計畫中有Cluster Filter運算元,表明命中了Clustering Key,查詢加速。執行計畫3

  • uid,date兩列,不符合左匹配原則,因此只有uid可以命中Clustering Key,date則是走普通過濾。

    SELECT * FROM clustering_test WHERE uid = '3'  AND date > '2022-10-17';

    通過查看執行計畫(explain SQL),如下所示執行計畫中只有uid列有Cluster Filter運算元。執行計畫4

  • 只查class,date兩列,不符合左匹配原則,都無法命中Clustering Key。

    SELECT * FROM clustering_test WHERE class ='2' AND date > '2022-10-17';

    通過查看執行計畫(explain SQL),如下所示執行計畫中沒有Cluster Filter運算元,表明未命中Clustering Key。執行計畫5

使用樣本

樣本1:命中Clustering Key的情境。

  • V2.1版本起支援的文法:

    CREATE TABLE table1 (
        col1 int NOT NULL,
        col2 text NOT NULL,
        col3 text NOT NULL,
        col4 text NOT NULL
    )
    WITH (
        clustering_key = 'col1,col2'
    );
    
    --如上的建表sql,query可以被加速的情況如下:
    -- 可加速
    select * from table1 where col1='abc';
    
    -- 可加速
    select * from table1 where col1>'xxx' and col1<'abc';
    
    -- 可加速
    select * from table1 where col1 in ('abc','def');
    
    -- 可加速
    select * from table1 where col1='abc' and col2='def'; 
    
    -- 不可加速
    select col1,col4 from table1 where col2='def';
  • 所有版本支援的文法:

    begin;
    create table table1 (
      col1 int not null,
      col2 text not null,
      col3 text not null,
      col4 text not null
    );
    call set_table_property('table1', 'clustering_key', 'col1,col2');
    commit;
    
    --如上的建表sql,query可以被加速的情況如下:
    -- 可加速
    select * from table1 where col1='abc';
    
    -- 可加速
    select * from table1 where col1>'xxx' and col1<'abc';
    
    -- 可加速
    select * from table1 where col1 in ('abc','def');
    
    -- 可加速
    select * from table1 where col1='abc' and col2='def';
    
    -- 不可加速
    select col1,col4 from table1 where col2='def';

樣本2:Clustering Key設定為asc/desc

  • V2.1版本起支援的文法:

    CREATE TABLE tbl (
        a int NOT NULL,
        b text NOT NULL
    )
    WITH (
        clustering_key = 'a:desc,b:asc'
    );
  • 所有版本支援的文法:

    BEGIN;
    CREATE TABLE tbl (
      a int NOT NULL, 
      b text NOT NULL
    );
    CALL set_table_property('tbl', 'clustering_key', 'a:desc,b:asc');
    COMMIT;

進階調優手段

和傳統資料庫(MySQL或SQLServer)中的聚簇索引不同,Hologres的排序僅做到了檔案內的排序,並非是全表資料的排序,因此在Clustering Key上做order by操作仍然有一定的代價。

Hologres從V1.3版本開始針對Clustering Key的情境使用做了較多的效能最佳化,實現在使用Clustering Key時有更好的效能,主要包含如下兩個情境最佳化。如果您的版本低於1.3版本,請您使用自助升級或加入HologresDingTalk交流群反饋,詳情請參見如何擷取更多的線上支援?

  • 針對Clustering Keys做Order By情境

    在Hologres中,檔案內是按照Clustering Keys定義排序的,但在V1.3版本之前,最佳化器無法利用檔案內的Clustering Keys有序性產生最優執行計畫;同時經過Shuffle節點時也無法保障資料有序輸出(多路歸併),這就容易導致實際的計算量更大,耗時較久。在Hologres V1.3版本針對上面的情況進行最佳化,保證了產生的執行計畫能夠利用Clustering Keys的有序性,並能保障跨Shuffle保序,從而提高查詢效能。但要注意:

    • 當表沒有對Clustering Keys做過濾時,預設走的是SeqScan,而不是IndexScan(只有IndexScan才會利用Clustering Keys的有序屬性)。

    • 最佳化器並不保障總是產生基於Clustering Keys有序的執行計畫,因為利用Clustering Keys有序性是有些代價的(檔案內有序但記憶體中需要額外排序的)。

    樣本如下。

    • 表的DDL如下。

      V2.1版本起支援的文法:

      DROP TABLE IF EXISTS test_use_sort_info_of_clustering_keys;
      
      CREATE TABLE test_use_sort_info_of_clustering_keys (
          a int NOT NULL,
          b int NOT NULL,
          c text
      )
      WITH (
          distribution_key = 'a',
          clustering_key = 'a,b'
      );
      
      INSERT INTO test_use_sort_info_of_clustering_keys SELECT i%500, i%100, i::text FROM generate_series(1, 1000) as s(i);
      
      ANALYZE test_use_sort_info_of_clustering_keys;

      所有版本支援的文法:

      DROP TABLE if exists test_use_sort_info_of_clustering_keys;
      BEGIN;
      CREATE TABLE test_use_sort_info_of_clustering_keys
      (
                a int NOT NULL,
                b int NOT NULL,
                c text
      );
      CALL set_table_property('test_use_sort_info_of_clustering_keys', 'distribution_key', 'a');
      CALL set_table_property('test_use_sort_info_of_clustering_keys', 'clustering_key', 'a,b');
      COMMIT;
      
      INSERT INTO test_use_sort_info_of_clustering_keys SELECT i%500, i%100, i::text FROM generate_series(1, 1000) as s(i);
      
      ANALYZE test_use_sort_info_of_clustering_keys;
    • 查詢語句。

      explain select * from test_use_sort_info_of_clustering_keys where a > 100  order by a, b;
    • 執行計畫對比

      • V1.3之前版本(V1.1)的執行計畫(執行explain SQL)如下。

         Sort  (cost=0.00..0.00 rows=797 width=11)
           ->  Gather  (cost=0.00..2.48 rows=797 width=11)
                 Sort Key: a, b
                 ->  Sort  (cost=0.00..2.44 rows=797 width=11)
                       Sort Key: a, b
                       ->  Exchange (Gather Exchange)  (cost=0.00..1.11 rows=797 width=11)
                             ->  Decode  (cost=0.00..1.11 rows=797 width=11)
                                   ->  Index Scan using holo_index:[1] on test_use_sort_info_of_clustering_keys  (cost=0.00..1.00 rows=797 width=11)
                                         Cluster Filter: (a > 100)
      • V1.3版本的執行計畫如下。

         Gather  (cost=0.00..1.15 rows=797 width=11)
           Merge Key: a, b
           ->  Exchange (Gather Exchange)  (cost=0.00..1.11 rows=797 width=11)
                 Merge Key: a, b
                 ->  Decode  (cost=0.00..1.11 rows=797 width=11)
                       ->  Index Scan using holo_index:[1] on test_use_sort_info_of_clustering_keys  (cost=0.00..1.01 rows=797 width=11)
                             Order by: a, b
                             Cluster Filter: (a > 100)

      V1.3版本的執行計畫相較於之前版本,利用表Clustering Keys的有序性直接做歸併輸出,整個執行可Pipeline起來,不用再擔心資料量大的時候排序慢的問題。從執行計畫對比中可以看到,V1.3版本產生的是Groupagg,相比Hashagg,處理複雜度更低,效能會更好。

  • 針對Clustering Keys做Join的情境(Beta)

    Hologres在V1.3版本新增了SortMergeJoin類型,以保證產生的執行計畫能夠利用Clustering Keys的有序性,減少計算量,從而提高效能。但需要注意:

    • 當前該功能還處於Beta版本,預設不開啟,需要在Query前添加如下參數開啟。

      -- 開啟merge join
      set hg_experimental_enable_sort_merge_join=on;
    • 當表沒有對Clustering Keys做過濾時,預設走的是SeqScan,而不是IndexScan(只有IndexScan才會利用Clustering Keys的有序屬性)。

    • 最佳化器並不保障總是產生基於Clustering Keys有序的執行,因為利用Clustering Keys有序性是有些代價的(檔案內有序但記憶體中需要額外排序)。

    樣本如下。

    • 表的DDL如下。

      V2.1版本起支援的文法:

      DROP TABLE IF EXISTS test_use_sort_info_of_clustering_keys1;
      CREATE TABLE test_use_sort_info_of_clustering_keys1 (
          a int,
          b int,
          c text
      )
      WITH (
          distribution_key = 'a',
          clustering_key = 'a,b'
      );
      
      INSERT INTO test_use_sort_info_of_clustering_keys1 SELECT i % 500, i % 100, i::text FROM generate_series(1, 10000) AS s(i);
      ANALYZE test_use_sort_info_of_clustering_keys1;
      
      DROP TABLE IF EXISTS test_use_sort_info_of_clustering_keys2;
      CREATE TABLE test_use_sort_info_of_clustering_keys2 (
          a int,
          b int,
          c text
      )
      WITH (
          distribution_key = 'a',
          clustering_key = 'a,b'
      );
      
      INSERT INTO test_use_sort_info_of_clustering_keys2 SELECT i % 600, i % 200, i::text FROM generate_series(1, 10000) AS s(i);
      ANALYZE test_use_sort_info_of_clustering_keys2;

      所有版本支援的文法:

      drop table if exists test_use_sort_info_of_clustering_keys1;
      begin;
      create table test_use_sort_info_of_clustering_keys1
      (
        a int,
        b int,
        c text
      );
      call set_table_property('test_use_sort_info_of_clustering_keys1', 'distribution_key', 'a');
      call set_table_property('test_use_sort_info_of_clustering_keys1', 'clustering_key', 'a,b');
      commit;
      insert into test_use_sort_info_of_clustering_keys1 select i%500, i%100, i::text from generate_series(1, 10000) as s(i);
      analyze test_use_sort_info_of_clustering_keys1;
      
      drop table if exists test_use_sort_info_of_clustering_keys2;
      begin;
      create table test_use_sort_info_of_clustering_keys2
      (
        a int,
        b int,
        c text
      );
      call set_table_property('test_use_sort_info_of_clustering_keys2', 'distribution_key', 'a');
      call set_table_property('test_use_sort_info_of_clustering_keys2', 'clustering_key', 'a,b');
      commit;
      insert into test_use_sort_info_of_clustering_keys2 select i%600, i%200, i::text from generate_series(1, 10000) as s(i);
      analyze test_use_sort_info_of_clustering_keys2;
                                      
    • 查詢語句如下。

      explain select * from test_use_sort_info_of_clustering_keys1 a join test_use_sort_info_of_clustering_keys2 b on a.a = b.a and a.b=b.b where a.a > 100 and b.a < 300;
    • 執行計畫對比

      • V1.3之前版本(V1.1)的執行計畫如下。

         Gather  (cost=0.00..3.09 rows=4762 width=24)
           ->  Hash Join  (cost=0.00..2.67 rows=4762 width=24)
                 Hash Cond: ((test_use_sort_info_of_clustering_keys1.a = test_use_sort_info_of_clustering_keys2.a) AND (test_use_sort_info_of_clustering_keys1.b = test_use_sort_info_of_clustering_keys2.b))
                 ->  Exchange (Gather Exchange)  (cost=0.00..1.14 rows=3993 width=12)
                       ->  Decode  (cost=0.00..1.14 rows=3993 width=12)
                             ->  Index Scan using holo_index:[1] on test_use_sort_info_of_clustering_keys1  (cost=0.00..1.01 rows=3993 width=12)
                                   Cluster Filter: ((a > 100) AND (a < 300))
                 ->  Hash  (cost=1.13..1.13 rows=3386 width=12)
                       ->  Exchange (Gather Exchange)  (cost=0.00..1.13 rows=3386 width=12)
                             ->  Decode  (cost=0.00..1.13 rows=3386 width=12)
                                   ->  Index Scan using holo_index:[1] on test_use_sort_info_of_clustering_keys2  (cost=0.00..1.01 rows=3386 width=12)
                                         Cluster Filter: ((a > 100) AND (a < 300))
      • V1.3版本的執行計畫如下。

          Gather  (cost=0.00..2.88 rows=4762 width=24)
           ->  Merge Join  (cost=0.00..2.46 rows=4762 width=24)
                 Merge Cond: ((test_use_sort_info_of_clustering_keys2.a = test_use_sort_info_of_clustering_keys1.a) AND (test_use_sort_info_of_clustering_keys2.b = test_use_sort_info_of_clustering_keys1.b))
                 ->  Exchange (Gather Exchange)  (cost=0.00..1.14 rows=3386 width=12)
                       Merge Key: test_use_sort_info_of_clustering_keys2.a, test_use_sort_info_of_clustering_keys2.b
                       ->  Decode  (cost=0.00..1.14 rows=3386 width=12)
                             ->  Index Scan using holo_index:[1] on test_use_sort_info_of_clustering_keys2  (cost=0.00..1.01 rows=3386 width=12)
                                   Order by: test_use_sort_info_of_clustering_keys2.a, test_use_sort_info_of_clustering_keys2.b
                                   Cluster Filter: ((a > 100) AND (a < 300))
                 ->  Exchange (Gather Exchange)  (cost=0.00..1.14 rows=3993 width=12)
                       Merge Key: test_use_sort_info_of_clustering_keys1.a, test_use_sort_info_of_clustering_keys1.b
                       ->  Decode  (cost=0.00..1.14 rows=3993 width=12)
                             ->  Index Scan using holo_index:[1] on test_use_sort_info_of_clustering_keys1  (cost=0.00..1.01 rows=3993 width=12)
                                   Order by: test_use_sort_info_of_clustering_keys1.a, test_use_sort_info_of_clustering_keys1.b
                                   Cluster Filter: ((a > 100) AND (a < 300))

      V1.3版本的執行計畫相較於之前版本的執行計畫,利用Clustering Index的有序性,在Shard內做歸併排序後直接進行SortMergeJoin,讓整個執行Pipeline起來;可規避資料量大較大時,HashJoin需將Hash Side填充至記憶體而導致的OOM問題。