GBase 8a MPP Cluster的hash分布列选取策略

哈希分布表

       选择有效的哈希分布策略，是保障数据均匀分布和提升性能体验的关键所在。下文将分享GBase 8a 对于 hash 分布列的选择建议~

选择的依据：

1. 如果经常进行大表 join 连接，优先把 join 连接字段定义成 hash 分布列，这样使大表间的 join 尽量在本地运算，减少节点间数据的拉表操作；【相关子查询也可参考此原则】
2. 其次考虑使用频率高的 group by 字段作为hash字段；
3. 最后尽量保证使用频率较高的 where 等值查询列，努力保障其产生的结果集的存储也相对均匀的，避免在出现某些节点过于繁忙或清闲的情况；
4. 针对上述三个条件判有多个选择时，优先挑选表中重复值较少的列，即选择count(distinct col)值大的列做 hash 分布列，以此保障所有节点的数据均匀存放，避免有节点出现数据分布过多或过少情况。

限制说明：

• hash 分布列支持选择多列，最多支持10个字段；
• hash 分布列支持整数型（int | bigint | smallint | tinyint）、浮点型（decimal | numeric）、字符型（varchar | varbinary)；
• hash 列在使用过程中，禁止加类似 LTRIM 等函数操作，此举会破坏 hash 分布；
• hash 列的值，不允许进行 update 更新操作；

建议：

• 当 join 的等值关联条件中有 hash 列时，尽量保持两个等值关联列在字段类型定义上完全相同；
• 当 group by 语句中如果有 hash 列，请将 hash 列放到最前面；（多个 group 列时）
• 当有多个 hash 分布列时，join 条件中应尽量包含所有 hash 列。

语法样例：

• 创建哈希分布表

create table tb_name(
col1 int,
col2 varchar(20),
col3 datetime) distributied by ('col1');

• 将已有表改为哈希分布表

create table hash_tb_name
distributed by ('col_name')
as select col1,col2,... 
from tb_name;

• 将已有哈希分布表（hash）改为随机分布表（random）

drop distributed col_hash on hash_tb_name;