分布式DB(Greenplum)中数据倾斜的原因和解法 - 阿里云HybridDB for PostgreSQL最佳实践
背景
对于分布式数据库来说，QUERY的运行效率取决于最慢的那个节点。
当数据出现倾斜时，某些节点的运算量可能比其他节点大。除了带来运行慢的问题，还有其他的问题，例如导致OOM，或者DISK FULL等问题。
如何监控倾斜
1、监控数据库级别倾斜
postgres=# select gp_execution_dbid(), datname, pg_size_pretty(pg_database_size(datname)) from gp_dist_random('pg_database') order by 2,1,pg_database_size(datname) desc;
gp_execution_dbid | datname | pg_size_pretty
-------------------+-----------+----------------
2 | postgres | 42 GB
3 | postgres | 42 GB
4 | postgres | 42 GB
5 | postgres | 42 GB
6 | postgres | 42 GB
7 | postgres | 42 GB
8 | postgres | 42 GB
9 | postgres | 42 GB
10 | postgres | 42 GB
... ...
2、监控表级倾斜
select gp_execution_dbid(), pg_size_pretty(pg_total_relation_size('表名')) from gp_dist_random('gp_id') ;
出现数据倾斜的原因和解决办法
1、分布键选择不正确，导致数据存储分布不均。
例如选择的字段某些值特别多，由于数据是按分布键VALUE的HASH进行分布的，导致这些值所在的SEGMENT的数据可能比而其他SEGMENT多很多。
分布键的选择详见：
《Greenplum 最佳实践 - 数据分布黄金法则 - 分布列与分区的选择》
2、查询导致的数据重分布，数据重分布后，数据不均。
例如group by的字段不是分布键，那么运算时就需要重分布数据。
解决办法1：
由于查询带来的数据倾斜的可能性非常大，所以Greenplum在内核层面做了优化，做法是：
先在segment本地聚合产生少量记录，将聚合结果再次重分布，重分布后再次在segment聚合，最后将结果发到master节点，有必要的话在master节点调用聚合函数的final func（已经是很少的记录数和运算量）。
例子：
tbl_ao_col表是c1的分布键，但是我们group by使用了c398字段，因此看看它是怎么做的呢？请看执行计划的解释。
postgres=# explain analyze select c398,count(*),sum(c399),avg(c399),min(c399),max(c399) from tbl_ao_col group by c398;
QUERY PLAN
--------------------------------------------------------------------------------------------------------------------------------------------------------
Gather Motion 48:1 (slice2; segments: 48) (cost=123364.18..123582.28 rows=9693 width=96)
// 返回结果
Rows out: 10001 rows at destination with 120 ms to end, start offset by 1.921 ms.
-> HashAggregate (cost=123364.18..123582.28 rows=202 width=96)
// 重分布后再次聚合。
Group By: tbl_ao_col.c398
Rows out: Avg 208.4 rows x 48 workers. Max 223 rows (seg17) with 0.001 ms to first row, 54 ms to end, start offset by 35 ms.
-> Redistribute Motion 48:48 (slice1; segments: 48) (cost=122928.00..123121.86 rows=202 width=96)
// 第一次聚合后，记录数以及降低到了几千行，因此重分布后即使出现倾斜，关系也不大。
Hash Key: tbl_ao_col.c398
Rows out: Avg 8762.2 rows x 48 workers at destination. Max 9422 rows (seg46) with 31 ms to end, start offset by 63 ms.
-> HashAggregate (cost=122928.00..122928.00 rows=202 width=96)
// 这一步是在segment节点聚合
Group By: tbl_ao_col.c398
Rows out: Avg 8762.2 rows x 48 workers. Max 8835 rows (seg2) with 0.004 ms to first row, 8.004 ms to end, start offset by 82 ms.
-> Append-only Columnar Scan on tbl_ao_col (cost=0.00..107928.00 rows=20834 width=16)
Rows out: 0 rows (seg0) with 28 ms to end, start offset by 64 ms.
Slice statistics:
(slice0) Executor memory: 377K bytes.
(slice1) Executor memory: 1272K bytes avg x 48 workers, 1272K bytes max (seg0).
(slice2) Executor memory: 414K bytes avg x 48 workers, 414K bytes max (seg0).
Statement statistics:
Memory used: 128000K bytes
Settings: optimizer=off
Optimizer status: legacy query optimizer
Total runtime: 122.173 ms
(22 rows)
对于非分布键的分组聚合请求，Greenplum采用了多阶段聚合如下：
第一阶段，在SEGMENT本地聚合。（需要扫描所有数据，这里不同存储，前面的列和后面的列的差别就体现出来了，行存储的deform开销，在对后面的列进行统计时性能影响很明显。） Greenplum会根据字段的distinct值的比例，考虑是直接重分布数据，还是先在本地聚合后再重分布数据（减少重分布的数据量）。
第二阶段，根据分组字段，将结果数据重分布。（重分布需要用到的字段，此时结果很小。）
第三阶段，再次在SEGMENT本地聚合。（需要对重分布后的数据进行聚合。）
第四阶段，返回结果给master，有必要的话master节点调用聚合函数的final func（已经是很少的记录数和运算量）。
3、内核只能解决一部分查询引入的数据重分布倾斜问题，还有一部分问题内核没法解决。例如窗口查询。
postgres=# explain select * from (select row_number() over (partition by c2 order by c3) as rn , * from tbl_ao_col) t where rn=1;
QUERY PLAN
-------------------------------------------------------------------------------------------------------------------------
Gather Motion 48:1 (slice2; segments: 48) (cost=5294619.34..5314619.34 rows=1000 width=3208)
-> Subquery Scan t (cost=5294619.34..5314619.34 rows=21 width=3208)
Filter: rn = 1
-> Window (cost=5294619.34..5302119.34 rows=20834 width=3200)
Partition By: tbl_ao_col.c2
Order By: tbl_ao_col.c3
-> Sort (cost=5294619.34..5297119.34 rows=20834 width=3200)
Sort Key: tbl_ao_col.c2, tbl_ao_col.c3
-> Redistribute Motion 48:48 (slice1; segments: 48) (cost=0.00..127928.00 rows=20834 width=3200)
如果c2的数据倾斜很严重，会导致某个SEGMENT节点的数据过多。后面的计算截断可能造成OOM或者disk full。
Hash Key: tbl_ao_col.c2
-> Append-only Columnar Scan on tbl_ao_col (cost=0.00..107928.00 rows=20834 width=3200)
Settings: optimizer=off
Optimizer status: legacy query optimizer
(13 rows)
使用窗口函数时，Greenplum需要先按窗口中的分组对数据进行重分布，这一次重分布就可能导致严重的倾斜。
实际上内核层优化才是最好的解决办法，例如以上窗口函数，由于我们只需要取c2分组中c3最小的一条记录。因此也可以在每个节点先取得一条，再重分布，再算。
不通过修改内核，还有什么方法呢？
3.1 Mapreduce任务就很好解决，Greenplum的mapreduce接口调用方法如下：
http://greenplum.org/docs/ref_guide/yaml_spec.html
3.2 通过写PL函数也能解决。例如
declare
v_c2 int;
v_t tbl_ao_col;
begin
for v_c2 in select c2 from tbl_ao_col group by c2
loop -- 引入多次扫描数据的成本，其实是不划算的，还是内核解决最棒。
select t into v_t from tbl_ao_col as t where c2=v_c2 order by c3 limit 1;
return next v_t;
end loop;
end;
小结
数据倾斜的原因可能是数据存储的倾斜，QUERY执行过程中数据重分布的倾斜。
数据倾斜可能引入以下后果：
1、计算短板
2、oom
3、disk full
数据倾斜的解决办法：
1、如果是存储的倾斜，通过调整更加均匀的分布键来解决。（也可以选择使用随机分布，或者使用多列作为分布键）。
2、如果是QUERY造成的倾斜，Greenplum内核对group by已经做了优化，即使分组字段不是分布键，通过多阶段聚合，可以消除影响。
3、如果是窗口函数QUERY造成的倾斜，目前内核没有对这部分优化，首先会对窗口函数的分组字段所有数据进行重分布，如果这个分组字段数据有严重倾斜，那么会造成重分布后的某些节点数据量过大。解决办法有mapreduce或pl函数。
参考
《Greenplum 最佳实践 - 数据分布黄金法则 - 分布列与分区的选择》