Vertica的那些事

原创数据社 All China Database Union 2021-12-11

4642

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。

1. 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 Primary MPP数据库

Vertica数据库属于无Primary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Primary节点的高可用。比如，现在业内的GreenPlum属于有Primary节点的数据库。

下图对比：

Primary/Replica架构

多Primary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？

2. 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 还可以作为你的资助分析引擎，替换现有的Spark即席查询，效率可以提升几十倍。

3. Vertica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

简介

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

简介

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的建不同的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Primary

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,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Primary，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:\pycode\data\md0301.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。

4. Vertica应用展望

笔者是从2015年第一次接触Vertica，当时是Vertica7.X，不得不说，这几年Vertica发展了大的变化，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线扩展。

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中存的有。
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。