摘要：本文章将从使用者角度介绍HStore概念以及使用。
本文分享自华为云社区《GaussDB(DWS)HStore表讲解》，作者：大威天龙:- 。
面对实时入库和实时查询要求越来越高的趋势，已有的列存储无法支持并发更新入库，行存查询性能无法做到实时返回且空间压缩表现不佳。GaussDB(DWS)基于列存储格式设计和实现了全新的HStore表，同时提供高效的并发插入、更新入库，以及高性能实时查询。本文章将从使用者角度介绍HStore概念以及使用。
为什么要有HStore表呢？在具体讲解HStore表之前，我们先来回顾一下GaussDB(DWS)中几种已有的表类型:
最基础的表类型，顾名思义，数据按行存储，在实际的物理块中，数据的将按下列图示的方式存储：
优势很明显，点查场景下，直接就能索引到行存某行元组的位置，点查性能好。数据库中的系统表就是行存表，对于用户的一些对点查性能要求高或者频繁更新的小表，都推荐用行存表。
AP场景下，常常需要对某列进行批量查询来做分析业务，这时候采用行存的话就会把所有列都读出来产生冗余IO, 同时AP场景下的表数据量往往很大，行存表压缩暂未商用，使用行存表也会导致占用空间过大。
GaussDB(DWS)中的列存表就是针对这种场景实现的，列存表数据的实际存储示意图如下：
列存表将每列的数据批量存储成一个CU(Compress Unit), 能带来了很好的空间压缩与批量查询性能提升，对于一些涉及多表关联的分析类复杂查询、数据不经常更新的表，推荐使用列存表。
对于列存表，如果业务是频繁的小批量插入，那么将产生大量的小CU(单个CU里只有几百条甚至几条数据), 每个列的CU都是有压缩代价的，小CU过多将严重影响列存表的查询性能。
列存的Delta表就是针对这种场景实现的，让小批量插入的数据先存储到行存delta表，满6w后由后台autovacuum异步merge到主表CU。
需要注意的是列存带Delta表只解决小批量入库产生的小CU问题，不解决同一个CU上的并发更新问题
前面提到，虽然列存老Delta表解决了小批量入库产生的小CU问题，但是没有解决同一个CU上的并发更新产生的锁冲突问题。
而实时入库的场景下，需要将insert+upsert+update操作实时并发入库，数据来源于上游的其他数据库或者应用，同时要求入库后的数据要能及时查询，且对于查询的效率要求很高。
目前的列存表由于锁冲突的原因无法支持并发upsert/update入库，导致这些有需要的局点只能使用行存表，但是行存表因为格式的天然劣势，在AP查询场景下一方面性能较慢，另一方面由于压缩差导致占用了大量的磁盘空间，对用户产生额外成本。
GaussDB(DWS)中的HStore表， 在使用列存储格式尽量降低磁盘占用的同时，支持高并发的更新操作入库以及高性能的查询效率。面向对于实时入库和实时查询有较强诉求的场景，同时拥有处理传统TP场景的事务能力。
HStore表的示意图如下：
HStore表的实现主要依靠一张新设计的delta表以及内存并发控制机制，这里简单讲一下delta表的实现以及简单的观察delta表。
HStore的Delta表主要用于存放入库产生的Insert/Delete/Update操作，小批量Insert的数据会先进入Delta形成一条类型是I(Insert)的记录；删除会往Delta表插入一条类型是D(Delete)的记录；更新操作(Upsert与Update)会拆分成Delete + Insert，会插入一条类型X(表示由更新产生的删除)的记录以及一条类型I的记录；
（类型是U(Update)的记录由轻量化Update产生，不过当前轻量化更新默认关闭，所以不用管。）
可以看到，入库时的Upsert/Update/Delete都会转换成相应类型的记录插入的HStore的Delta表中，再结合内存并发控制机制，就能保证同一个CU上更新于删除操作不会阻塞。同时，由于小批量的插入只会在Delta表上形成一条记录，相比与列存老Delta的直接存储数据，能减少IO占用，提高MERGE效率。
当前HStore表提供了视图，可以用来观察Delta表的给类型元组数量以及Delta的膨胀情况。
select * from pgxc_get_hstore_delta_info('tableName');
同时也提供了函数可以对Delta表做轻量清理以及全量清理。
-- 轻量Merge满6万的I记录以及CU上的删除信息,持有四级锁不阻塞业务增删改查，但空间不会还给操作系统。 select hstore_light_merge('tableName'); -- 全量Merge所有记录，然后truncate清空Delta表返还空间给系统，不过持有八级锁会阻塞业务。 select hstore_full_merge('tableName');
这里做一个简单的观察实验：
1.往HStore表上批量插入一百条数据，能看到生成了一条类型是I的记录(n_i_tup 为1)
gaussdb=# create table data(a int primary key, b int); NOTICE: CREATE TABLE / PRIMARY KEY will create implicit index "data_pkey" for table "data" CREATE TABLE gaussdb=# insert into data values(generate_series(1,100),1); INSERT 0 100 gaussdb=# create table hs(a int primary key, b int)with(orientation=column, enable_hstore=on); NOTICE: CREATE TABLE / PRIMARY KEY will create implicit index "hs_pkey" for table "hs" CREATE TABLE gaussdb=# insert into hs select * from data; INSERT 0 100 gaussdb=# select * from pgxc_get_hstore_delta_info('hs'); --观察hstore表的delta表上的各类型数据 node_name | part_name | live_tup | n_i_type | n_d_type | n_x_type | n_u_type | n_m_type | data_size -----------+---------------------+----------+----------+----------+----------+----------+----------+----------- dn_1 | non partition table | 1 | 1 | 0 | 0 | 0 | 0 | 8192 (1 row)
2.执行hstore_full_merge后能观察到Delta表上没有元组(live_tup为0)，并且Delta表的空间大小data_size是0.
gaussdb=# select hstore_full_merge('hs'); hstore_full_merge ------------------- 1 (1 row) gaussdb=# select * from pgxc_get_hstore_delta_info('hs'); --观察hstore表的delta表上的各类型数据 node_name | part_name | live_tup | n_i_type | n_d_type | n_x_type | n_u_type | n_m_type | data_size -----------+---------------------+----------+----------+----------+----------+----------+----------+----------- dn_1 | non partition table | 0 | 0 | 0 | 0 | 0 | 0 | 0 (1 row)
3.执行删除，能观察到Delta表上有一条类型是D的记录（n_d_tup为1）。
gaussdb=# delete hs where a = 1; DELETE 1 gaussdb=# select * from pgxc_get_hstore_delta_info('hs'); --观察hstore表的delta表上的各类型数据 node_name | part_name | live_tup | n_i_type | n_d_type | n_x_type | n_u_type | n_m_type | data_size -----------+---------------------+----------+----------+----------+----------+----------+----------+----------- dn_1 | non partition table | 1 | 0 | 1 | 0 | 0 | 0 | 8192 (1 row)
其它的操作这里不再一一尝试，感兴趣的读者可以自己下来试一下。
当需要使用HStore表时，需要同步修改以下几个清理相关的参数默认值，否则会导致HStore表性能严重劣化。推荐的参数修改配置是：autovacuum_max_workers_hstore=3，autovacuum_max_workers=6，autovacuum=true。
在列存表上插入一批数据后，开启两个会话，
1.会话1删除某一条数据，然后不结束事务：
gaussdb=# create table col(a int , b int)with(orientation=column); CREATE TABLE gaussdb=# insert into col select * from data; INSERT 0 100 gaussdb=# begin; BEGIN gaussdb=# delete col where a = 1; DELETE 1
2.会话2删除另一条数据，能看到会话2等待会话1，
gaussdb=# begin; BEGIN gaussdb=# delete col where a = 2;
会话1提交后会话2才能继续执行，这就复现了列存的CU锁问题：
3. 使用HStore表重复上面实验，能观察到会话2直接执行成功，不会锁等待。
gaussdb=# begin; BEGIN gaussdb=# delete hs where a = 2; DELETE 1
1.构建一张有三百万数据的数据表data
gaussdb=# create table data( a int, b bigint, c varchar(10), d varchar(10)); CREATE TABLE gaussdb=# insert into data values(generate_series(1,100),1,'asdfasdf','gergqer'); INSERT 0 100 gaussdb=# insert into data select * from data; INSERT 0 100 gaussdb=# insert into data select * from data; INSERT 0 200 ---循环插入，直到数据量达到三百万 gaussdb=# insert into data select * from data; INSERT 0 1638400 gaussdb=# select count(*) from data; count --------- 3276800 (1 row)
2.批量导入到行存表，观察大小为223MB
gaussdb=# create table row (like data including all); CREATE TABLE gaussdb=# insert into row select * from data; INSERT 0 3276800 gaussdb=# select pg_size_pretty(pg_relation_size('row')); pg_size_pretty ---------------- 223 MB (1 row)
3.批量导入到列存表，观察大小为3.5MB
gaussdb=# create table hs(a int, b bigint, c varchar(10),d varchar(10))with(orientation= column, enable_hstore=on); CREATE TABLE gaussdb=# insert into hs select * from data; INSERT 0 3276800 gaussdb=# select pg_size_pretty(pg_relation_size('hs')); pg_size_pretty ---------------- 3568 KB (1 row)
4.总结
这个表结构比较简单，数据也都是重复数据，所以HStore表的压缩效果很好，一般情况下HStore表相比行存能有3-5倍的压缩。
还是使用上面建的表，这里简单验证一下批量查询
1.查询行存表的第四列，耗时在4s左右
gaussdb=# explain analyze select d from data; explain analye QUERY PLAN ----------------------------------------------------------------------------------------------------------------------------------------- id | operation | A-time | A-rows | E-rows | Peak Memory | E-memory | A-width | E-width | E-costs ----+------------------------------+----------------------+---------+---------+--------------+----------+---------+---------+---------- 1 | -> Streaming (type: GATHER) | 4337.881 | 3276800 | 3276800 | 32KB | | | 8 | 61891.00 2 | -> Seq Scan on data | [1571.995, 1571.995] | 3276800 | 3276800 | [32KB, 32KB] | 1MB | | 8 | 61266.00
2.查询HStore表的第四列，耗时300毫秒左右
gaussdb=# explain analyze select d from hs; QUERY PLAN --------------------------------------------------------------------------------------------------------------------------------------------------- id | operation | A-time | A-rows | E-rows | Peak Memory | E-memory | A-width | E-width | E-costs ----+----------------------------------------+--------------------+---------+---------+----------------+----------+---------+---------+---------- 1 | -> Row Adapter | 335.280 | 3276800 | 3276800 | 24KB | | | 8 | 15561.80 2 | -> Vector Streaming (type: GATHER) | 111.492 | 3276800 | 3276800 | 96KB | | | 8 | 15561.80 3 | -> CStore Scan on hs | [111.116, 111.116] | 3276800 | 3276800 | [254KB, 254KB] | 1MB | | 8 | 14936.80
3.总结
这里只验证了批量查询场景，该场景下列存以及HStore表相比行存都有很好的查询性能。但在索引点查询场景下，列存是比不上行存的，这里不再做详细对比。
1.参数设置
HStore依赖后台常驻线程对HStore表进行MERGE清理操作，才能保证查询性能与压缩效率，所以使用HStore表务必设置相关GUC,推荐的配置如下：
autovacuum_max_workers_hstore=3 autovacuum_max_workers=6 autovacuum=true
2.并发同一行：
当前HStore并发更新同一行仍然是不支持的，其中同一行上并发update/delete操作会先等锁然后报错，同一行上的并发upsert操作会先等锁然后继续执行。由于等待开销也是会影响业务的入库性能，甚至可能产生死锁，所以需要在入库时保证不会并发更新到同一行或者同一个key。
3.索引相关
索引会占用额外的空间，同时带来的点查性能提升有限，所以HStore表只建议在需要做Upsert或者有点查（这里指唯一性与接近唯一的点查）的诉求下创建一个主键或者btree索引。
4.MERGE相关
由于HStore表依赖后台autovacuum来将操作MERGE到主表，所以入库速度不能超过MERGE速度，否则会导致delta表的膨胀，可以通过控制入库的并发来控制入库速度。同时由于Delta表本身的空间复用受oldestXmin的影响，如果有老事务存在可能会导致Delta空间复用不及时而产生膨胀。
5.UPSERT性能
HStore表虽然相比普通列存，并发upsert入库性能得到了很大提升，但相比行存还是有差距，大概只有行存的1/3。所以在不追求压缩率以及批量查询性能、只追求单点查询性能的场景下，还是推荐行存表入库。