在 DB2 Database Partitioning Feature 環境中選擇分區鍵

簡介

本文做了如下假設：

您具有一個 DB2 DPF 環境並且熟悉 DB2 DPF 的概念。

您正在設計一個將被哈希分區的新表，或者您已經有了一個哈希分區的表，並且此表有可能會存在數據傾斜問題。

本文將幫助您實現如下任務：

在定義和填充一個表之前，選擇正確的初始分區鍵（PK）

評估表上已有 PK 的質量

評估已有表上的候選替換 PK 的質量

在保持表在線的情況下，更改此 PK

本文提供了如下這類幫助：

回顧概念和關注點

設計准則

新例程用來評估已有的和新的分區鍵的數據傾斜

哈希分區的快速浏覽

在 DPF 環境中，大型表一般要跨多個數據庫分區。對表進行分區的方法有幾種，但本文只著重於哈希方式的分區。

哈希分區基於的是分區鍵。一個分區鍵由在表創建時定義的一個或多個列組成。對於每個新插入的記錄，分區鍵會決定這個記錄應該存儲在哪個數據庫分區。這種安置是由一個內部的哈希函數決定的，該函數接受定義為分區鍵的列內的值並返回數據庫分區號。哈希函數是一個確定性 函數，這意味著對於相同的分區鍵值，它總是假設對數據庫分區組的定義沒有更改並總是會生成相同的分區安置。

如下的語法示例展示了創建一個哈希分區表所需步驟：

創建一個數據庫分區組來指定要參加分區的那些數據庫分區。如下的例子展示了如何在數據庫分區 1、2、 3 和 4 上創建一個數據庫分區組 PDPG：

CREATE　DATABASE　PARTITION　GROUP　pdpg1　ON　DBPARTITIONNUMS(1　to　4)

根據 IBM Smart Analytics System 和 IBM InfoSphere™ Balanced Warehouse 的最佳實踐，被哈希分區的表應該在 coordinator 或 administration 分區（數據庫分區 0）上創建。數據庫分區 0 通常用於存儲小型的非分區的查找表。

創建數據庫分區組內的表空間。在此表空間內創建的所有對象都將跨在數據庫分區組定義內指定的這些數據庫分區：

CREATE　TABLESPACE　tbsp1　IN　pdpg1　...

在表空間內創建表。至此，此表的定義與數據庫分區組的定義相關聯。更改此關系的惟一方式是丟棄此表並在與不同的數據庫分區組相關聯的一個不同的表空間內重新創建它。

在如下的例子中，Table1 創建於數據庫分區 1、2、3 和 4 並且會基於列 COL1 上的一個分區鍵重新分配：

CREATE　TABLE　table1(col1　INTEGER　NOT　NULL,　col2　SMALLINT　NOT　NULL,　col3　CHAR(10),　
　PRIMARY　KEY　(col1,col2)　)　IN　tbsp1　
　　　DISTRIBUTE　BY　HASH　(col1)　

請記住，數據庫分區組定義可以更改。比如，可以添加新的數據庫分區。如果發生更改，那麼在此次更改之前定義的哈希分區表將不會使用這個新的分區，直到此數據庫分區組被 REDISTRIBUTE DATABASE PARTITION GROUP 命令重新分配。

定義分區鍵

分區鍵由 CREATE TABLE 命令內的 DISTRIBUTED BY HASH 子句定義。分區鍵定義後，就不能更改。更改它的惟一辦法是重新創建此表。

如下的規則和建議適用於分區鍵定義：

表的主鍵和所有惟一索引都必須是相關分區鍵的超集。換句話說，作為分區鍵一部分的所有列都必須出現在主鍵或惟一索引定義中。列的順序可任意。

一個分區鍵應該包括一至三個列。通常列越少越好。

整型分區鍵要比字符鍵高效，而字符鍵又比小數鍵高效。

如果在 CREATE TABLE 命令內沒有顯式地提供分區鍵，那麼就會使用如下的這些默認值：

如果在 CREATE TABLE 語句中指定了一個主鍵，那麼主鍵的首列會被用作分配鍵。

如果沒有主鍵，就會使用非長型字段的首列。

為何選擇正確的分區鍵如此重要

選擇正確的分區鍵之所以如此關鍵，有兩方面的原因：

它改善了使用哈希分區的那些查詢的性能

它平衡了所有分區的存儲需求

數據平衡

數據平衡指的是存儲在各個數據庫分區的記錄的相對數量。理想情況下，一個哈希分區表內的每個數據庫分區都應具有相同數量的記錄。如果各數據庫分區存儲的記錄數不均，就會導致不均衡的存儲需求和性能問題。之所以會出現性能問題是因為查詢均獨立在每個數據庫分區完成，但是查詢的結果則要由協調代理進行整合，而該代理必須等所有數據庫分區均返回結果集後才開始整合。換言之，整體的性能受制於最慢的數據庫分區的性能。

表數據傾斜 指的是特定的一些數據庫分區上的某個表內的記錄數與這個表所跨的所有數據庫分區的平均記錄數之間的差額。所以，對於本例，如果某個表在數據庫分區 1 上的表數據傾斜是 60%， 那麼這意味著此數據庫分區包含的該表的行要比平均的數據庫分區多出 60%。

從最佳實踐的角度來看，各個數據庫分區上的表數據傾斜應該不多於 10%。為了實現此目標，分區鍵應該在具有較高基數（換言之，即包含大量不同值）的列上選擇。

如果表的統計信息是最新的，那麼就可以通過如下語句快速檢查現有表內列的基數：

清單 1. 檢查現有表內列的基數

SELECT　colname,　colcard　FROM　syscat.columns　
WHERE　tabname='CUSTOMER'　AND　tabschema　=　'BCULinux'　ORDER　BY　colno　
　
　
COLNAME　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　COLCARD　
------------------------------------------------------------------------　---------------　
C_CUSTOMER_SK　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　100272　
C_CUSTOMER_ID　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　25068　
C_CURRENT_CDEMO_SK　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　25068　
C_CURRENT_HDEMO_SK　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　6912　
C_CURRENT_ADDR_SK　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　19456　
C_FIRST_SHIPTO_DATE_SK　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　3651　
C_FIRST_SALES_DATE_SK　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　3584　
...　[remainder　of　the　output　omitted　from　this　example]