Greenplum 分布键的选择

由于Greenplum是一个分布式数据库，所以建表时需要指定分布键，将数据平均分布到各个Segment上。

Greenplum有两种数据分布策略：

1）Hash分布。选择一个或多个列作为分布键，计算 hash 值，并通过 hash 值路由到特定的Segment节点上。如果不指定分布键，默认将第一个字段作为分布键。

2）随机分布。数据随机分散在每一个节点中，可以保证数据平均分布，但是在执行 SQL 的过程中，关联等操作都需要将数据重分布，性能较差。

选择法则：

1）尽量选择经常需要 JOIN 的列

当关联键和分布键均一致时，可以在 Segment 中完成 JOIN，不需要重分布或者广播小表。

当关联键和分布键不一致时，则需要重分布不一致的表或者广播小表，带来额外的开销。

2）尽量选择分布均匀的列或者多列

若选择的分布列值分布不均匀，则可能导致数据倾斜。某些 Segment 非常大（压力大），某些 Segment 非常小。根据木桶原理，时间消耗会卡在数据多的节点上。

3）尽量选择高并发查询的条件列（指该查询条件产生的中间结果集小的，如果中间结果集很大，那就让所有节点都来参与运算更好，因此不选）

如果数据经常被高并发的键值或离散查询，可以将查询条件的列作为分布列，这样不需要连接到所有的 Segment 去查，可以大大提高并发能力。

4）不要轻易使用随机分布