数据量越发庞大怎么办？新一代数据处理利器Greenplum来助攻

作者：李树桓 个推数据研发工程师

前言：近年来，互联网的快速发展积累了海量大数据，而在这些大数据的处理上，不同技术栈所具备的性能也有所不同，如何快速有效地处理这些庞大的数据仓，成为很多运营者为之苦恼的问题！随着Greenplum的异军突起，以往大数据仓库所面临的很多问题都得到了有效解决，Greenplum也成为新一代海量数据处理典型代表。本文结合个推数据研发工程师李树桓在大数据领域的实践，对处理庞大的数据量时，如何选择有效的技术栈做了深入研究，探索出Greenplum是当前处理大数据仓较为高效稳定的利器。

一、Greenplum诞生的背景

时间回到2002年，那时整个互联网数据量正处于快速增长期，一方面传统数据库难以满足当前的计算需求，另一方面传统数据库大多基于SMP架构，这种架构最大的一个特点是共享所有资源，扩展性能差，因此面对日益增长的数据量，难以继续支撑，需要一种具有分布式并行数据计算能力的数据库，Greenplum正是在此背景下诞生了。

和传统数据库的SMP架构不同，Greenplum主要基于MPP架构，这是由多个服务器通过节点互联网络连接而成的系统，每个节点只访问自己的本地资源(包括内存、存储等)，是一种完全无共享(Share Nothing)结构，扩展能力较之前有明显提升。

 

二、解读 Greenplum架构

Greenplum主要由Master主节点和Interconnect网络层以及负责数据存储和计算的多个节点共同组成。

Master上有主节点和从节点两部分，两者主要的功能是生成查询计划并派发，以及协调Segment并行计算，同时在Master上保存着global system catalog，这个全局目录存着一组Greenplum数据库系统本身所具有的元数据的系统表。需要说明的是Master本身不参与数据交互，Greenplum所有的并行任务都是在Segment的数据节点上完成的，因此，Master节点不会成为数据库的性能瓶颈。

中间的网络层Interconnect，主要负责并行查询计划生产和Dispatch分发以及协调节点上QE执行器的并行工作， 正是因为Interconnect的存在，Greenplum才能实现对同一个集群中多个PostgreSQL实例的高效协同和并行计算。

整个结构图下方负责数据存储和计算的每个节点上又有多个实例，每个实例都是一个PostgreSQL数据库，这些实例共享节点的IO和CPU。PostgreSQL在稳定性和性能方面较为先进，同时又有丰富的语法支持，满足了Greenplum的功能需要。

三、了解Greenplum优势

Greenplum之所以能成为处理海量大数据的有效工具，与其所具备的几大优势密不可分。

优势一：计算效率提升

Greenplum的数据管道可以高效地将数据从磁盘传输到CPU，而目前市面上常用的计算引擎SPARK在传输数据时，则需要为每个并发查询分配一个内存，这对大型数据集的查询十分不利，而Greenplum所具备的实时查询功能，能够有效对大数据集进行计算。

优势二：扩展性能增强

Greenplum基于的MPP架构，节点之间完全不共享，同时又可以达到并行查询，因此在进行线性扩展时，数据规模可以达到PB级别。目前，Greenplum已经实现了开源，并且社区生态活跃，对于使用者而言，也会觉得更为可靠。

优势三：功能性优化

Greenplum可以支持复杂的SQL查询，大幅简化了数据的操作和交互过程。而目前流行的HAWQ、Spark SQL、Impala等技术基本都基于MapReduce进行的优化，虽然部分也使用了SQL查询，但是对SQL的支持十分有限。

四、Greenplum的容错机制

Greenplum数据库简称GPDB，它拥有丰富的特性，支持多级容错机制和高可用。

1）主节点高可用：为了避免主节点单点故障，特别设置一个主节点的副本（称为 Standby Master），通过流复制技术实现两者同步复制，当主节点发生故障时，从节点可以成为主节点，从而完成用户请求并协调查询执行。

2）数据节点高可用：每个数据节点都可以配备一个镜像，它们之间通过文件操作级别的同步来实现数据的同步复制（称为filerep技术）。故障检测进程（ftsprobe）会定期发送心跳给各个数据节点，当某个节点发生故障时，GPDB会自动进行故障切换。

3）网络高可用：为了避免网络的单点故障，每个主机会配置多个网口，并使用多个交换机，避免网络故障时造成整个服务器不可用。

同时，GPDB具有图形化的性能监控功能，基于此功能，用户可以确定数据库当前的运行情况和历史查询信息，同时跟踪系统使用情况和资源信息。

五、 Greenplum在业务场景中的应用

个推在大数据领域深耕多年，在处理庞大的数据仓的过程中，也在不断进行优化和更新技术栈，在进行技术选型时，针对不同的技术栈做了如下对比：

总得来说，Greenplum帮助开发者有效解决了处理数据库时遇到的一些难点，比如跨天去重、用户自定义维度、复杂的SQL查询等问题，同时，也方便开发者直接在原始数据上进行实时查询，减少了数据聚合过程中的遗失，当然，强大的Greenplum仍存在着一些问题需要去完善，例如在节点扩展的过程中元数据的管理问题，分布式数据库在扩展节点时会带来数据一致性，扩展的过程中有时会出现元数据混乱的情况等等，好在Greenplum有很多优秀的运维工具，能够帮我们在发生问题及时进行排查，更好的保障业务的稳定性。但是，尽管Greenplum在处理大数据方面的优势比较明显，对开发者来说，还是要根据自身需求选择相应的技术栈。