前言
233酱工作中开始接触Presto等大数据分析场景下的内容，列式存储属于OLAP中重要的一环。这周主要花时间搜索阅读网上的相关资料，发现一众大数据、数据库开发等大佬们的总结文章，如知乎专栏：「分布式数据系统小菜」、「数据库内核」、「Presto」、「尬聊数据库」...这对我这种想要入门的小白是很好的读物。本篇文章是我主要基于上述专栏中的一些资料的笔记总结，因为能力有限，很难跳脱于本文参考资料的总结。希望本篇文章能对和我一样的小白起到科普作用，想要了解更多的小伙伴请移步以上专栏。另外，对OLAP/Presto等感兴趣的小伙伴也欢迎和233酱多多交流，一起学习进步，求抱大腿，hhh~~
什么是OLAP
OLAP（Online analytical processing）指联机分析处理。从字面意思上我们可以看出有「分析」二字，如：统计，报表，聚合类操作。你说Mysql不也是能做吗？OLAP还有一侧重点，指大数据量的在线分析，如PB级，TB级以上。
下表是对OLTP和OLAP的简单总结。
我们也可以通过两者的benchmark直观感受下评判性能的不同侧重点。
对于OLTP来说，有sysbench和tpcc测试套件。sysbench的lua脚本中的sql语句如下：
SELECT c FROM sbtest10 WHERE id=4352
SELECT c FROM sbtest10 WHERE id BETWEEN 5046 AND 5046+99 ORDER BY c
对于OLAP来说，有tpch和tpcds 2种。tpcds的 sql语句举例如下：
SELECT
"c_last_name"
, "c_first_name"
, "ca_city"
, "bought_city"
, "ss_ticket_number"
, "extended_price"
, "extended_tax"
, "list_price"
FROM
(
SELECT
"ss_ticket_number"
, "ss_customer_sk"
, "ca_city" "bought_city"
, "sum"("ss_ext_sales_price") "extended_price"
, "sum"("ss_ext_list_price") "list_price"
, "sum"("ss_ext_tax") "extended_tax"
FROM
${database}.${schema}.store_sales
, ${database}.${schema}.date_dim
, ${database}.${schema}.store
, ${database}.${schema}.household_demographics
, ${database}.${schema}.customer_address
WHERE ("store_sales"."ss_sold_date_sk" = "date_dim"."d_date_sk")
AND ("store_sales"."ss_store_sk" = "store"."s_store_sk")
AND ("store_sales"."ss_hdemo_sk" = "household_demographics"."hd_demo_sk")
AND ("store_sales"."ss_addr_sk" = "customer_address"."ca_address_sk")
AND ("date_dim"."d_dom" BETWEEN 1 AND 2)
AND (("household_demographics"."hd_dep_count" = 4)
OR ("household_demographics"."hd_vehicle_count" = 3))
AND ("date_dim"."d_year" IN (1999 , (1999 + 1) , (1999 + 2)))
AND ("store"."s_city" IN ('Midway' , 'Fairview'))
GROUP BY "ss_ticket_number", "ss_customer_sk", "ss_addr_sk", "ca_city"
) dn
, ${database}.${schema}.customer
, ${database}.${schema}.customer_address current_addr
WHERE ("ss_customer_sk" = "c_customer_sk")
AND ("customer"."c_current_addr_sk" = "current_addr"."ca_address_sk")
AND ("current_addr"."ca_city" <> "bought_city")
ORDER BY "c_last_name" ASC, "ss_ticket_number" ASC
LIMIT 100
显然，tpcds的查询复杂度相比oltp高非常多。
为什么行式存储不适用于OLAP领域
行式存储是指数据的存储是以行为单位，一行的数据在物理block上紧挨在一起存储。
好处：操作一行的数据方便。
（虽然听起来像一句废话：）
我们以行存代表Mysql为例，Innodb的聚簇索引（B+树）示意图如下：
其中Intern Page上存储的是索引数据，Leaf Page上存储的完整的行数据。
行存能保证数据的修改是原地更新的，对读取行数据友好，易于随机IO。IO的单位通常是以页为单位（如16KB），也可以通过内存缓存/SSD等方式优化IO。
缺点：对于分析类sql，通常只需要关联一行中的几个列数据，行存会导致读取大量无关的列数据，IO浪费，CPU缓存失效...
为什么列式存储适用于OLAP领域
列式存储是指数据的存储是以列为单位，一列的数据在物理block上紧挨在一起存储。
显然，如果我们查询：
select count(*) from table where name = '233'；
只需要从中按需读取name一列进行分析总数就可以了，看样子节省了不少I/O。但列式存储只有这一个必杀技吗？
Column-Stores vs. Row-Stores: How Different Are TheyReally?一文中在行式存储中模拟了列式范式设计：
通过将表结构垂直拆分以及全列建索引，就可以在查询时，只查询部分列对应的数据，从而加快分析速度。
最终实验得出：在行式存储上就算以column-oriented方式来设计数据的物理结构，面对分析型场景还是无法与列式存储抗衡。对于分析型场景，列式存储在本质上优于行式存储。
其中关键的几大杀器是：编码压缩（compression）、向量化查询处理（vectorized query processing）、隐式连接（invisible join）、延迟物化（late materialization）等。压缩带来的性能提升要看真实数据，最多时有一个数量级之多，延迟物化提高3倍，块迭代和隐式连接提升约1.5倍。而这些技术的应用，需要从存储层到计算层的全面支持才行，显然，目前主流的行式存储并不具备这样的条件。
下面我将简单介绍下这些技术。
编码压缩
列式存储的数据属于同一种类型，如数值类型，字符串类型等。相似度很高，试用合适的编码压缩可减少数据的存储空间，进而减少IO提高读取性能。
C-Store中针对数值类型的数据是否排序、区分度（Number of Distince Values）排列组合出4种情况，并给出了一些编码方案。
- 有序且区分度不多
可以使用一系列三元组(v,f,n)对列数据编码，表示值 v 从第 f 行出现，一共有 n 个（即 f 到 f+n−1 行）。如：数值 2 出现在 10-15行，则编码为 (2,10,6)。
- 无序且区分度不多
可以使用位图构造每个列取值出现的行位置，如：一列的数据为0,0,1,1,1,0,0,2,2，
则编码为 (0, 110001100)、(1, 001110000) 和 (2,000000011)
同时对稀疏的位图可进一步进行行程编码（Run Length Encoding，RLE)压缩数据。
- 有序且区分度多
这时候可以使用等差数列（每个数值表示为前一个数值加上一个变化量）来减小数据的存储。如：对于一列数据 1,4,7,7,8,12，
可以表示为序列 1,3,3,0,1,4。
- 无序且区分度多
这种情况数据的规律性不强，没有很好的编码方式。
其他场景的编码还有varint、字符串字典编码（Dictionary Encoding）等，这些轻量级的编码技术仅需要多付出一些CPU，就可以节省不小的IO。
对于复杂类型，嵌套类型的可以使用Google Dremel提出Striping/Assembly算法（开源Parquet），使用Definition Level+Repetition Level做编解码。一些数值类型有时也可以尝试大一统的用bitshuffle做转换，配合压缩效果也不错，例如KUDU和百度Palo（Doris）中有应用。
同时，对于有些压缩/编码算法，比如RLE算法，针对压缩后的数据无需解压就可以直接做谓词下推，加快计算速度。如：AAAAABBCCCDDDDA --> A5B2C3D4A1，如果要以where col = 'C'过滤数据，平均计算复杂度等于总行数/列的基数，列基越大过滤越快（当然副作用是结果集很大）；另外，如果输出的列数据是排过序的，那where col = 'C'过滤数据的计算复杂度降为log(总行数/列的基数)，速度更快。
在编码基础上，还可以进行传统的压缩，如snappy等支持流式处理、吞吐量高的压缩算法。
向量化执行
向量化是指一个CPU指令可以同时处理多条数据，如下图:
当把v1和v2数组中的数据分别加载到寄存器XMM0和XMM1中时，可以通过一条指令就完成两个数组的和vec_res计算。
这需要CPU对向量化指令的支持，如SSE2, AVX等。
在软件层面上，向量化代码的书写方式体现在：先准备好待处理的批量数据，然后在对批量数据在一个for循环内做简单操作。
对于一个实现两个 int 相加的 expression：
没有向量化的代码书写方式：
class ExpressionIntAdd extends Expression {
Datum eval(Row input) {
int left = input.getInt(leftIndex);
int right = input.getInt(rightIndex);
return new Datum(left+right);
}
}
向量化后的代码书写方式：
class VectorExpressionIntAdd extends VectorExpression {
int[] eval(int[] left, int[] right) {
int[] ret = new int[input.length];
for(int i = 0; i < input.length; i++) {
ret[i] = new Datum(left[i] + right[i]);
}
return ret;
}
}
对比向量化之前的版本，向量化之后的版本不再是每次只处理一条数据，而是每次能处理一批数据，而且这种向量化的计算模式在计算过程中也具有更好的数据局部性。这样可以让计算更多的停留在函数内，而不是频繁的交互切换，提高了CPU的流水线并行度，而且还可以使用SIMD指令，例如AVX指令集来实现数据并行处理。
向量化执行引擎以列存为前提，每次从磁盘上读取一批列，这些列以数组形式组织。每次operator（如实际执行中的scan扫表算子，agg聚合算子）的next操作都通过for循环处理列数组。这么做可以大幅减少next的调用次数。相应的CPU的利用率得到了提高，另外数据被组织在一起。可以进一步利用CPU硬件的特性，如SIMD，将所有数据加载到CPU的缓存当中去，提高缓存命中率，提升效率。在列存储与向量化执行引擎的双重优化下，查询执行的速度会有一个非常巨大的飞跃。但是向量化也会带来额外的开销，就是物化中间结果（materlization），以牺牲物化的开销换取更高的计算性能。
延迟物化
物化指的是在SQL的执行过程中，获得最终数据的所处执行时机。如：
select R.b from R where R.a=X and R.d=Y
延迟物化是指只有在算出过滤条件所对应的准确记录时，才去取记录所对应的结果值b.
对于OLAP场景，延迟物化的好处有：
很多聚合与选择计算，压根不需要整行数据，过早物化会浪费严重；
很多列是压缩过的，过早物化会导致提前解压缩，但很多操作可以直接下推到压缩数据上的；
面向真正需要的列做计算，CPU的cache效率很高（100%），而行存因为非必要列占用了cache line中的空间，cache效率显然不高；
针对定长的列做块迭代处理，可以当成一个数组来操作，可以利用CPU的很多优势（SIMD加速、cache line适配、CPU pipeline等）；相反，行存中列类型往往不一样，长度也不一样，还有大量不定长字段，难以加速。
隐式连接
对于多表Join，传统的做法一般是找到过滤性最强的维度表来关联事实表并过滤，然后再与其他维度表一一关联，得到最终的结果。
而隐式连接主要分三个步骤：
对于SQL：
SELECT c.nation, s.nation, d.year,
sum(lo.revenue) as revenue
FROM customer AS c, lineorder AS lo,
supplier AS s, dwdate AS d
WHERE lo.custkey = c.custkey
AND lo.suppkey = s.suppkey
AND lo.orderdate = d.datekey
AND c.region = 'ASIA'
AND s.region = 'ASIA'
AND d.year >= 1992 and d.year <= 1997
GROUP BY c.nation, s.nation, d.year
ORDER BY d.year asc, revenue desc;
1.下推相关条件到各个维度表，提炼出被事实表关联的主键列表（也就是事实表的外键），并构建对应的hash table（key是外键值，value是外键在维度表中的position）；
2.对多个事实表以外键关联维度表的列进行探测，查找对应的hash table，过滤出多个position list（与被关联的列相关），然后对多个position list求交集（比如bitmap的AND计算等），得到一个最终的position list；
3.基于前面的position list，最终从事实表中找到需要投影的其他列，而通过hash table从维度表找到需要投影的其他列，hash table中的value是维度表中的position，所以可以快速定位维度表的其他列。
这里的“隐式”是指，没有通过传统的join方式（两两表迭代，生成两个表联合在一起的宽行数据，再做过滤）来实现join，而是通过维持不同列的相同行之间的position对应关系来完成多个表join。与倒排索引很类似。
除此之外，动态代码生成、块IO（相比page IO,一次读取的数据量更大）,针对块建立的稀疏索引（因为块较大，索引量小，可尽可能将索引数据加载到内存），倒排索引，Join索引等都可加速基于列式存储的SQL执行效率。
但是仅仅将数据按照列式存储就可以解决所有问题了吗？
列式存储本质上方便的是列式数据的读取，但当SQL的查询结果是需要行相关的数据时，如何兼顾列式存储重构出行的数据，这和列式存储的存储格式和索引结构有很大关系。
存储格式和索引结构
典型的列式存储数据库系统有Microsoft SQL Server、C-Store (2005) / Vertica、Dremel、Apache Kudu、MonetDB等。文末的参考资料中分别对其存储结果有一些介绍。这里我列举一下Apache ORC文件格式帮助对列式的存储格式和索引结构有所了解。
Apache ORC的分区索引结构如下：
ORC将数据结构分成以下 3 个层级，在每个层级上都有索引信息来加速查询。
File Level：即一个 ORC 文件，Footer 中保存了数据的 meta 信息，还有文件数据的索引信息，例如各列数据的最大最小值（范围）、NULL 值分布、布隆过滤器等，这些信息可用来快速确定该文件是否包含要查询的数据。每个 ORC 文件中包含多个 Stripe。
Stripe Level 对应原表的一个范围分区，里面包含该分区内各列的值。每个 Stripe 也有自己的一个索引放在 footer 里，和 file-level 索引类似。
Row-Group Level ：一列中的每 10000 行数据构成一个 row-group，每个 row-group 拥有自己的 row-level 索引，信息同上。
ORC 里的 Stripe 就像传统数据库的页，它是 ORC 文件批量读写的基本单位。
其中Row-Group的概念方便对行数据的重新整合。数据分区、分区内索引、行列混合等这些思想都可见于分布式存储系统中。
后记
本文简要总结了列式存储的好处，Apache ORC的存储格式等。旨在帮助你我对OLAP场景下的列式存储有一个初步认识。更深一步的话题：如列式存储到底是如何实现的，CRUD过程是如何的，涉及的分布式存储问题又是如何解决的...开头的一些专栏和文末参考资料中有一些阐述。因为233酱离数据库开发还很远，就不进一步尬聊了。。
文中有不懂的地方欢迎和233酱交流，一起进步。后面233酱也打算分享更多OLAP相关的知识，如Presto。不是这种总结笔记的方式。期待与你再次相遇～
参考资料：
[1].https://zhuanlan.zhihu.com/p/144926830
[2].https://zhuanlan.zhihu.com/p/35622907
[3].https://zhuanlan.zhihu.com/p/54484592
[4].https://zhuanlan.zhihu.com/p/100933389
[5].https://www.bilibili.com/video/BV1Bt411v7ST
[6].https://www.the-paper-trail.org/post/2013-01-30-columnar-storage/
