周末写的数据库文章又被官方推荐了！

66 阅读 0 评论 44 点赞

我是靠谱客的博主会撒娇招牌，最近开发中收集的这篇文章主要介绍周末写的数据库文章又被官方推荐了！，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

近期，数字化转型在业界提的很火热，数字经济规划作为单独篇章出现在了最新的十四五规划中，足以说明国家对数字经济的重视。那么对于我们数据人来说，这无疑是一个非常好的“风口”，可以让我们大展身手。

那么对于做数据工作，特别是处理海量数据，有一款趁手的数据计算引擎，无疑是非常重要的。那么对于海量数据处理，今天给大家聊一聊 Vertica 这款数据库。

Vertica 是谁？

Vertica 是一款真正列存储的 MPP 架构的数据库，他支持 PB 级别的数据处理。

提到 Vertica，我们必须得聊聊他的作者 Michael Stonebraker，因对现代数据库系统底层的概念与实践所做出的基础性贡献而获得2014年图灵奖，VMware 的创始人 Diane Greene(戴安·格林)是他的学生！2004年 Stonebraker 基于 C-Store 创办了 Vertica，也就是今天我们要说的这款数据库。

一款无 Master MPP 数据库

Vertica 数据库属于无 Master 的 MPP 架构，所有节点均可访问使用，当然其也提供了负载均衡，以保障节点的合理使用。

什么意思？

一句话解释：就是说 Vertica 的所有节点都可以作为连接访问节点，同时也作为计算存储节点，这样就不会存在还要去考虑 Master 节点的高可用。比如，现在业内的 GreenPlum 属于有 Master 节点的数据库。

下图对比：

Master/Slave 架构

多主架构

列式存储数据库

Vertica 是一款列式存储数据库，列式存储的好处在哪呢？

比如我们查询一个表 table1，table1 有100列，写一个 SQL 语句查询出 col1，col2，col3，col4四列数据：

select col1,col2,col3,col4 from table1 ;

如果是行式关系型数据库，比如 Oracle，那么他会扫描每一行所有列数据，然后取出col1，col2，col3，col4。那么对于列存储的 Vertica，只需要扫描col1，col2，col3，col4这四列的每一行即可，减少了和剩余96列的数据进行 IO 操作，能不快吗？

行式查询

列式查询

而且列存储还有一个好处就是可以根据不同列数据类型不同，采取不同的压缩方式，减少存储的同时，提升IO性能，能不快吗？

Vertica 能干什么？

从上面我们讲的 Vertica 数据库的特点可以看出，Vertica 非常适合于 OLAP 场景，特别是对于我们常说的“大宽表”，查询性能异常强悍！

Vertica 作为数据仓库

所以，可以将 Vertica 替换为你现在的 Hive 作为数据仓库的计算引擎，效率可以提升百倍以上。

Vertica 还可以作为你的自助分析引擎，替换现有的 Spark 即席查询，效率可以提升几十倍。

与其他 OLAP 引擎的差异

本文选取了与 Vertica 同宗的 GreenPlum，还有目前市面上比较火的 Clickhouse 和 Kylin 作为对比，分析一下 Vertica 与它们的差异在哪？

Greenplum

Greenplum 也是典型的 MPP 架构，将数据平均分布到系统的所有节点服务器上，所以节点存储每张表或表分区的部分行，所有数据加载和查询都是自动在各个节点服务器上并行运行，并且该架构支持扩展到上万个节点。但是 Greenplum 有独立的 Master。

产品特性

Greenplum数据库通过将数据分布到多个节点上来实现规模数据的存储
支持行存储和列存储格式
应用生态丰富，利用 Greenplum 外部表技术，映射 Hadoop 集群中的 HDFS、HIVE、HBASE 等多种格式数据，使用标准 SQL 访问

Clickhouse

Clickhouse 是一个真正的列式数据库管理系统（DBMS)。在 ClickHouse 中，数据始终是按列存储的，包括矢量（向量或列块）执行的过程。只要有可能，操作都是基于矢量进行分派的，而不是单个的值，这被称为“矢量化查询执行”，它有利于降低实际的数据处理开销。

产品特性

支持 SQL 查询，但是比起 GreenPlum 还不完备
列式存储与数据压缩
向量化执行引擎，这是 Clickhouse 单表查询快的原因，极力的去“压榨硬件资源”
多样化的表引擎，我理解的这一点与 Vertica 建不同的 projection 有异曲同工之初
多主架构，就是前面介绍Vertica的一样，每个节点都可以是 Master

Kylin

Apache Kylin™ 是一个开源的、分布式的分析型数据仓库，提供 Hadoop/Spark 之上的 SQL 查询接口及多维分析（OLAP）能力以支持超大规模数据，最初由 eBay 开发并贡献至开源社区。它能在亚秒内查询巨大的表。

值得一提的是，Kylin 是国人主导的 Apache 顶级项目，爆赞！

产品特性

作为一个分析型数据仓库(也是 OLAP 引擎)，Kylin 为 Hadoop 提供标准 SQL 支持大部分查询功能
用户能够在 Kylin 里为百亿以上数据集定义数据模型并构建多维立方体（MOLAP Cube）
Kylin 可以在数据产生时进行实时处理，用户可以在秒级延迟下进行实时数据的多维分析。
Kylin 可以说是与市面上流行的 OLAP 引擎走了一条完全不同的道路，Kylin 在如何快速求得预计算结果，以及优化查询解析使得更多的查询能用上预计算结果方面在优化，而像 Greenplum 与 Clickhouse 则着重于优化查询数据的过程环节。

Vertica

同上面三种计算引擎对比，首先它和 Clickhouse 一样，属于多主架构，每个节点都可以是 Master，避免了单节点故障，事实上 Vertica 只要集群有一半以上节点存活，集群即处于可用状态。另外，Vertica 的底层和 Greenplum 一样都是基于 postgreSQL，SQL支持功能强大，多表关联，窗口函数完全不在话下。Vertica 的周边生态已经足够完善，支持和HDFS数据无缝对接，支持和 Spark，kafka，R，BI 工具等，其本身也封装了一些机器学习的函数。

以前做机器学习，一般得用 Python，掉一些包，才能实现，比如线性回归：

import pandas as pd from sklearn 
import linear_model 
import matplotlib.pyplot as plt # 读入CSV数据 
csv_data = pd.read_csv('E:pycodedatamd0301.csv').dropna() #过滤空值 
print(csv_data.shape) 
print(csv_data.all)
# 建立线性回归模型 
regr = linear_model.LinearRegression() 
# 拟合 
regr.fit(csv_data['m_motor_rotate'].values.reshape(-1, 1), csv_data['vehicle_speed']) # 注意此处.reshape(-1, 1)，因为X是一维的！
#得到线性回归公式的系数y=ax+b 
a=regr.coef_ print(len(a)) 
b=regr.intercept_ print(b) 
print(regr.score(csv_data['m_motor_rotate'].values.reshape(-1, 1), csv_data['vehicle_speed'])) # 1.真实的点 plt.scatter(csv_data['m_motor_rotate'], csv_data['vehicle_speed'], color='black’) 
# 2.拟合的直线 
plt.plot(csv_data['m_motor_rotate'], regr.predict(csv_data['m_motor_rotate'].values.reshape(-1,1)), color='red', linewidth=1) plt.show()

现在使用 Vertica，调用函数 LINEAR_REG 一样可以实现。

可以说从数据实时接入，到数据处理，到数据分析，算法挖掘以及可视化应用，一站式服务。

Vertica 应用展望

笔者是从2015年第一次接触 Vertica，当时是 Vertica 7.X，不得不说，这几年 Vertica 发生了大的变化，特别是以前 Eon 模式之前，Vertica 的元数据管理做的不是很理想，元数据经常会很大；Eon 以前，特别是集群节点不建议无限扩展。

Vertica 目前在国内还是很小众，在网上搜资料你会发现都不多，不过目前还好，17年以前，那真是只有官方文档了，笔者也是当时开始写了一些列 Vertica 使用相关的博客。对 Vertica 的发展也提几点自己的心得：

灾备

笔者在17年的时候还碰到过一次很意外的异常，当时联系了原厂工程师还是无法解决，只能重新建了一个新库，还好历史数据在 Hive 中存有。

后来考虑了备份机制，备份了元数据和表的物理文件，这是一种通用的备份机制，针对任何数据库都适合。建议 Vertica 可以出一些灾备的方案，能够将备份文件移到另外节点数不一致的集群中也能快速的恢复。

HTAP

目前流批一体化是数据处理的大趋势，各种技术方案都有，对于数据库来说，能够支持 HTAP 也许是解决这一问题的关键，希望可以考虑这方面的规划，毕竟市场上有大把的需求，老板都希望用更少的人员（资源）去管理更多的业务（赚钱）。

生态

其实“酒香也怕巷子深”，Vertica 是个好东西，但是社区这块做的不太好，很少见到相关技术活动。一方面由于 Vertica 是不开源的，但是 Oracle 也是不开源的，现在资料随手一搜就能找到。只有生态建立起来了，用户才会考虑去用，毕竟每个架构师都不希望自己使用的技术栈完全处于“盲区”。