SQL Server 2012 列存储索引分析（转载）

一、概述

---

列存储索引是SQL Server 2012中为提高数据查询的性能而引入的一个新特性，顾名思义，数据以列的方式存储在页中，不同于聚集索引、非聚集索引及堆表等以行为单位的方式存储。因为它并不要求存储的列必须唯一，因此它可以通过压缩将重复的列合并，从而减少查询时的磁盘IO，提高效率。
为了分析列存储索引，我们先看看B树或堆中的数据的存储方式，如下图，在page1上，数据是按照行的方式存储数据的，假设一行有10列，那么在该页上，实际的存储也会以每行10列的方式存储，如下图中的C1到C10。
假设我们执行select c1,c2 from table时，数据库会读取整个page1，显然，从C3到C10并不是我们想要的数据，但因为数据库每次读的最小单位是一页，因此这些不得不都加载到内存中。如果数据页多时，必然要消耗更过的IO和内存。

如果是列存储索引，数据按列的方式存储在一个页面中，如下图，page1中只存储表中C1列，page2只存储c2列，以此类推，page10存储c10列。
假设我们执行select c1,c2 from table时，结果会怎样呢？数据库只会读page1和page2，至于page3到page10因为没有对应的数据，数据库不会去读这些页，也不会加载到内存中，相比行存储而言，减少了磁盘IO和优化了内存的使用。

下文做了一个技术验证，用来分析列存储索引的查询性能。
思路：做两张一模一样的分区表（分区表可以更好的展示效果），含1000000行数据，然后给其中一张表（sales2）建立聚集索引，另一张表（sales）建列存储索引，最后来对比这两张表的查询性能。

二、创建表

---

先做两张相同的表，创建的语句如下：

create partition function pf (date) as range left for values
('', '', '', '', '');
go

create partition scheme ps as partition pf all to ([PRIMARY]);
go

create table sales (
[id] int not null identity (1,1),
[date] date not null,
itemid smallint not null,
price money not null,
quantity numeric(18,4) not null)
on ps([date]);
go

declare @i int = 0;

begin transaction;
    while @i < 1000000
    begin
        declare @date date = dateadd(day, @i /250000.00, '');

        insert into sales ([date], itemid, price, quantity)
        values (@date, rand()*10000, rand()*100 + 100, rand()* 10.000+1);

        set @i += 1;

        if @i % 10000 = 0
        begin
            raiserror (N'Inserted %d', 0, 1, @i);
            commit;
            begin tran;
        end
    end
commit;
GO

create table sales2 (
[id] int not null identity (1,1),
[date] date not null,
itemid smallint not null,
price money not null,
quantity numeric(18,4) not null)
on ps([date]);
go

declare @i int = 0;

begin transaction;
    while @i < 1000000
    begin
        declare @date date = dateadd(day, @i /250000.00, '');

        insert into sales2 ([date], itemid, price, quantity)
        values (@date, rand()*10000, rand()*100 + 100, rand()* 10.000+1);

        set @i += 1;

        if @i % 10000 = 0
        begin
            raiserror (N'Inserted %d', 0, 1, @i);
            commit;
            begin tran;
        end
    end
commit;
GO

三、查询含聚集键的表

---

(1) 创建表sales2的聚集键

CREATE CLUSTERED INDEX Clu_sales2_index ON sales2(date,price,quantity) on ps([date])

查看表的存储信息

select * from sys.system_internals_partitions p
where p.object_id = object_id('sales2');
select au.* from sys.system_internals_allocation_units au
join sys.system_internals_partitions p
on p.partition_id = au.container_id
where p.object_id = object_id('sales2');
GO

该表一共有6个分区，其中只有4个分区有数据，每个分区250000行，已使用1089页。

(2) 执行查询语句 （注意清掉缓存）

SET STATISTICS IO ON;
SET STATISTICS TIME ON;
SELECT COUNT(*),SUM(price*quantity) FROM sales2 WHERE date='';
GO

我们可以看到，在这个查询中，一共有1089次逻辑读（等于该表每个分区中的已使用页数），CPU时间为62毫秒，占用时间为261毫秒。
备注：CPU时间，执行语句的时间；
占用时间，从磁盘读取数据开始到完全处理使用的时间。

四、查询含列存储索引的表

---

(1) 创建表sales的列存储索引

CREATE NONCLUSTERED COLUMNSTORE INDEX [cs_sales_price] ON [dbo].[sales]
(
    [date],
    [price],
    [quantity]
)WITH (DROP_EXISTING = OFF, COMPRESSION_DELAY = 0)
ON PS([date])
GO

上面创建的是非聚集的列存储索引，顺便说一下聚集的列存储索引是不能选择表列的，只能将整张表的所有列一起创建为列存储索引，语句如下：

CREATE CLUSTERED COLUMNSTORE INDEX [cs_sales_price] ON [dbo].[sales]
WITH (DROP_EXISTING = OFF, COMPRESSION_DELAY = 0)
ON PS([date])

此外当前版本的SQL Server（SQL Server 2016） 中，每张表只能创建一个列存储索引，实际上按理说非聚集的列存储索引应该支持创建多个才对，不知道以后版本的SQL Server会不会支持在一张表上创建多个非聚集的列存储索引。

查看表的存储信息：

select * from sys.system_internals_partitions p
where p.object_id = object_id('sales')
and index_id = 2;
select au.* from sys.system_internals_allocation_units au
join sys.system_internals_partitions p
on p.partition_id = au.container_id
where p.object_id = object_id('sales')
and index_id = 2;
GO

在建有列存储索引后，表的行数并没有改变，每个分区依然还是250000行，但页面数明显减少，且页的类型由原来的IN_ROW_DATA变成了LOB_DATA。

(2) 执行查询语句

select count(*), sum(price*quantity) from sales where date = ''

在这个查询中，一共有363次逻辑读（等于该表每个分区），CPU时间为93毫秒，占用时间为191毫秒。

总结

---

从两次查询的结果来看，无论是逻辑读的次数和占用时间，在列存储索引的表中执行查询明显要快于聚集索引的表。
而且，从两种表的存储结构中可以看到，列存储索引占用的页面数量较聚集索引的少，这也印证了列存储索引的压缩功能。
备注：通过两次查询，我们看到两者的CPU时间差距不是很大，相反聚集索引占用的时间更小，考虑到列存储实际上是压缩存储，我认为在一张小表或者简单的表中，对列存储索引进行查询或许会占用更多的CPU时间，因为查询时需要解压（我没有具体验证过），因此列存储索引在小表中的优势主要体现在IO和空间上，实际上列存储索引的对象往往是含有大数据量的表，数据量越大，其优势体现越明显。
说明：准确的说本文并不是原创，文章是从如下地址翻译过来，然后结合自己的实践，增加了一些自己的理解。

http://rusanu.com/2011/07/13/how-to-update-a-table-with-a-columnstore-index/

列存储索引，几个好的应用场景：

如果你有大型的事实表并且存在查询问题的，或者SSAS存在其他性能问题的，列存储是一个不错的方案。以下两种情况是经过测试的比较好的应用场景:

• 对于高频率响应的报表/仪表板,尤其分析当性能表现不佳的时候，会有很不错的性能。
• 对于ETL的过程来讲，源数据的列存储索引将会极大提高性能，如果数据足够大甚至可以考虑临时创建列存储索引。然后执行ETL。

原文链接