大資料訪問的選擇 行儲存還是列儲存?

2021-08-14 02:51:04 字數 2151 閱讀 8841

目前大資料儲存有兩種方案可供選擇:行儲存和列儲存。業界對兩種儲存方案有很多爭持,集中焦點是:誰能夠更有效地處理海量資料,且兼顧安全、可靠、完整性。從目前發展情況看,關聯式資料庫已經不適應這種巨大的儲存量和計算要求,基本是淘汰出局。在已知的幾種大資料處理軟體中,hadoop的hbase採用列儲存,mongodb是文件型的行儲存,lexst是二進位制型的行儲存。在這裡,我不討論這些軟體的技術和優缺點,只圍繞機械磁碟的物理特質,分析行儲存和列儲存的儲存特點,以及由此產生的一些問題和解決辦法。

行儲存資料排列

列儲存資料排列

**的灰色背景部分表示行列結構,白色背景部分表示資料的物理分布,兩種儲存的資料都是從上至下,從左向右的排列。行是列的組合,行儲存以一行記錄為單位,列儲存以列資料集合單位,或稱列族(column family)。行儲存的讀寫過程是一致的,都是從第一列開始,到最後一列結束。列儲存的讀取是列資料集中的一段或者全部資料,寫入時,一行記錄被拆分為多列,每一列資料追加到對應列的末尾處。

從上面**可以看出,行儲存的寫入是一次完成。如果這種寫入建立在作業系統的檔案系統上,可以保證寫入過程的成功或者失敗,資料的完整性因此可以確定。列儲存由於需要把一行記錄拆分成單列儲存,寫入次數明顯比行儲存多,再加上磁頭需要在碟片上移動和定位花費的時間,實際時間消耗會更大。所以,行儲存在寫入上占有很大的優勢。

還有資料修改,這實際也是一次寫入過程。不同的是,資料修改是對磁碟上的記錄做刪除標記。行儲存是在指定位置寫入一次,列儲存是將磁碟定位到多個列上分別寫入,這個過程仍是行儲存的列數倍。所以,資料修改也是以行儲存佔優。 資料讀取時,行儲存通常將一行資料完全讀出,如果只需要其中幾列資料的情況,就會存在冗餘列,出於縮短處理時間的考量,消除冗餘列的過程通常是在記憶體中進行的。列儲存每次讀取的資料是集合的一段或者全部,如果讀取多列時,就需要移動磁頭,再次定位到下一列的位置繼續讀取。 再談兩種儲存的資料分布。由於列儲存的每一列資料型別是同質的,不存在二義性問題。比如說某列資料型別為整型(int),那麼它的資料集合一定是整型資料。這種情況使資料解析變得十分容易。相比之下,行儲存則要複雜得多,因為在一行記錄中儲存了多種型別的資料,資料解析需要在多種資料型別之間頻繁轉換,這個操作很消耗cpu,增加了解析的時間。所以,列儲存的解析過程更有利於分析大資料。

顯而易見,兩種儲存格式都有各自的優缺點:行儲存的寫入是一次性完成,消耗的時間比列儲存少,並且能夠保證資料的完整性,缺點是資料讀取過程中會產生冗餘資料,如果只有少量資料,此影響可以忽略;數量大可能會影響到資料的處理效率。列儲存在寫入效率、保證資料完整性上都不如行儲存,它的優勢是在讀取過程,不會產生冗餘資料,這對資料完整性要求不高的大資料處理領域,比如網際網路,猶為重要。

改進集中在兩方面:行儲存讀取過程中避免產生冗餘資料,列儲存提高讀寫效率。

如何改進它們的缺點,並保證優點呢?

行儲存的改進:減少冗餘資料首先是使用者在定義資料時避免冗餘列的產生;其次是優化資料儲存記錄結構,保證從磁碟讀出的資料進入記憶體後,能夠被快速分解,消除冗餘列。要知道,目前市場上即使最低端cpu和記憶體的速度也比機械磁碟快上100-1000倍。如果用上高階的硬體配置,這個處理過程還要更快。

列儲存的兩點改進:1.在計算機上安裝多塊硬碟,以多執行緒並行的方式讀寫它們。多塊硬碟並行工作可以減少磁碟讀寫競用,這種方式對提高處理效率優勢十分明顯。缺點是需要更多的硬碟,這會增加投入成本,在大規模資料處理應用中是不小的數目,運營商需要認真考慮這個問題。2.對寫過程中的資料完整性問題,可考慮在寫入過程中加入類似關聯式資料庫的「回滾」機制,當某一列發生寫入失敗時,此前寫入的資料全部失效,同時加入雜湊碼校驗,進一步保證資料完整性。

這兩種儲存方案還有乙個共同改進的地方:頻繁的小量的資料寫入對磁碟影響很大,更好的解決辦法是將資料在記憶體中暫時儲存並整理,達到一定數量後,一次性寫入磁碟,這樣消耗時間更少一些。目前機械磁碟的寫入速度在20m-50m/秒之間,能夠以批量的方式寫入磁碟,效果也是不錯的。

兩種儲存格式各自的特性都決定了它們不可能是完美的解決方案。 如果首要考慮是資料的完整性和可靠性,那麼行儲存是不二選擇,列儲存只有在增加磁碟並改進軟體設計後才能接近這樣的目標。如果以儲存資料為主,行儲存的寫入效能比列儲存高很多。在需要頻繁讀取單列集合資料的應用中,列儲存是最合適的。如果每次讀取多列,兩個方案可酌情選擇:採用行儲存時,設計中應考慮減少或避免冗餘列;若採用列儲存方案,為保證讀寫入效率,每列資料盡可能分別儲存到不同的磁碟上,多個執行緒並行讀寫各自的資料,這樣避免了磁碟競用的同時也提高了處理效率。 無論選擇哪種方案,將同內容資料聚湊在一起都是必須的,這是減少磁頭在磁碟上的移動,提高資料讀取時間的有效辦法。

大資料訪問的選擇 行儲存還是列儲存?

目前大資料儲存有兩種方案可供選擇 行儲存和列儲存。業界對兩種儲存方案有很多爭持,集中焦點是 誰能夠更有效地處理海量資料,且兼顧安全 可靠 完整性。從目前發展情況看,關聯式資料庫已經不適應這種巨大的儲存量和計算要求,基本是淘汰出局。在已知的幾種大資料處理軟體中,hadoop的hbase採用列儲存,mo...

大資料訪問的選擇 行儲存還是列儲存?

上個月參加了乙個 雲儲存的技術討論會。這乙個月裡,陸續收到幾位同學討論 大資料儲存和處理的郵件。今天是週末,索性把這個月的交流內容整理寫下來,供各位參考。目前大資料儲存有兩種方案可供選擇 行儲存和列儲存。業界對兩種儲存方案有很多爭持,集中焦點是 誰能夠更有效地處理海量資料,且兼顧安全 可靠 完整性。...

大資料訪問的選擇 行儲存還是列儲存?

上個月參加了乙個雲儲存的技術討論會。這乙個月裡,陸續收到幾位同學討論大資料儲存和處理的郵件。今天是週末,索性把這個月的交流內容整理寫下來,供各位參考。目前大資料儲存有兩種方案可供選擇 行儲存和列儲存。業界對兩種儲存方案有很多爭持,集中焦點是 誰能夠更有效地處理海量資料,且兼顧安全 可靠 完整性。從目...