一、背景介绍
Data Lake Analytics（简称DLA）在构建第一天就是支持直接关联分析Table Store（简称OTS）里的数据，实现存储计算分离架构，满足用户基于SQL接口分析Table Store数据需求。
玩转DLA+OTS：https://ots.console.aliyun.com/index#/demo/cn-hangzhou/dla
王烨：DLA如何分析Table Store的数据
DLA控制台：https://openanalytics.console.aliyun.com/
二、DLA与Table Store的密切配合
这是DLA与Table Store在生态中的关系，作为存储计算分离架构，DLA负责主要的SQL算子计算，而Table Store则负责部分计算（由DLA下推下来）和核心存储功能。
三、Table Store的数据原型
目前，Table Store的宽数据表结构（https://help.aliyun.com/document_detail/89879.html）中的列， 主要分成两部分：主键（所有主键都不可改，也不为空；其中第一主键是物理分区键），非主键列（可改可覆盖可为空，可有可无）：
假设有张表tbl（主键：pk1,pk2；非主键：col1,col2），当DLA收到这样的SQL时:
select pk2,col1 from tbl where pk1 = 123 and pk2 >= '2019-01-10' and col2 = 'zzz'
DLA就会基于Table Store的SDK接口下发相关的查询：
1）查询tbl表数据，其中只查询pk2、pk3、col3这几个列；
2）按照pk1做分区裁剪，只下推查询到pk1=123所在的分区；
3）下推 pk1 =123、pk2 >='2019-01-10'和col4 ='zzz' 这三个条件；
4）如果当前分区的数据很大，则会切分出多个分片，并行查询；
这里，最关键的条件就是** pk1 =123**，DLA基于这个第一主键（分区键）条件来筛选OTS的目标分区然后下发查询条件。其他支持的分区条件有
比较条件：>,>=,=,<,<=,!=
范围条件：[1,20], (2,10), (-∞,10], (20,+∞)等
四、DLA+Table Store查询时的瓶颈
针对上面的表结构，如果遇到如下的SQL：
select pk2,pk3,col3 from tbl where pk2 >= '2019-01-10' and col4 = 'zzz'
因为pk1并没有出现在条件中，无法做分区裁剪，因此目前DLA会先将整个TableStore的表切好分片，然后下推其他条件，并行获取每个分片的数据并做计算。这样的问题就是：
- 如果where条件的过滤性很强（满足条件的数据不多），那这种拉取大量数据方式就会引起极大的浪费；即使where条件是可以下推的，但Table Store内部也要消耗大量的CU来做计算和过滤；
- 虽然通过并行计算来加速，但整体延时还是会很高，无论这些计算是在Table Store内部还是DLA这一侧；尤其是强过滤性的SQL，更加不符合用户需求；
无论是计算成本还是延时，都会影响客户的体验。
而多元索引是基于倒排索引（https://en.wikipedia.org/wiki/Inverted_index）来设计和实现的：
- 把一行Table Store记录看成一篇Document，而Pk是这个Document的DocId；
- 每个索引字段都当成一个Term，每个Term值都反向形成一个DocId的链表；
- 在查询时针对where条件中每个列找到满足值域的Term列表，再对应产生多个DocId列表；
- 再通过拉链合并算法，最终得到合并DocId之后的最大公共集合；
- 基于这个合并之后的DocId集合（即Pk集合），再回主表查询数据和过滤、返回；
因此，DLA全面升级了，支持直接以SQL方式访问Table Store的多元索引（https://help.aliyun.com/document_detail/91974.html）
从而来加速查询。
五*、DLA访问Table Store的多元索引
对DLA的客户来说，只需一步，就可以使用DLA来访问Table Store的多元索引。因为目前统计信息采集及优化器等原因，暂时还不支持自动判断多元索引，所以需要利用DLA的hint来主动开启（DLA的hint机制：https://zhuanlan.zhihu.com/p/55068247）：
/*+ ots-index-first=<相关的索引开关> */ select * from tbl1 where ...
其中，索引开关有几种模式：
- auto模式，会寻找与表相关的索引，只要有满足条件的索引，就会强制使用：
/*+ ots-index-first=auto */ select * from tbl1 where ...
- custom模式，根据用户选择表列表，来自动选择满足条件的索引；其中tbl1不需要显示指定库名，是因为当前连接上已经绑定了一个库（比如use xxx）；如下case中，只有tbl1和tbl2会走索引，而tbl3则不会：
/*+ ots-index-first=[tbl1, dla_schema2.tbl2, ...] */ select * from tbl1
join dla_schema2.tbl2 join dla_schema3.tbl3 where ...
- threshold模式，会根据当前条件匹配的数据量来动态决策，如果找到一个索引，其匹配的数据量小于一定的行数或者一定比例，那就会自动选择；threshold:200表示where条件匹配的行数不超过200行才会使用，而threshold:5%则表示匹配的比例不超过5%才会使用（至于200和5%，DLA内部会调用Table Store的count接口做快速测试并预估判断）：
/*+ ots-index-first=threshold:200 */ select * from tbl1 where ...
/*+ ots-index-first=threshold:5% */ select * from tbl1 where ...
另外，早期客户给DLA做的角色授权策略里并没有这些新增的多元索引接口，因此老客户需要重新给DLA做跨云服务访问的角色授权，戳这里>>>
六、多元索引不是银弹，请合理使用
虽然Table Store多元索引很好用，但他也不是银弹，需要合理的使用。有几个场景的约束：
- 查询多元索引时，只能构建并下发一个分片，因此无法利用并行计算优势；因此对于匹配行数非常少时，单分片索引计算是有优势的；而过滤性很差、数据量很多时就没有优势；
- 目前多元索引与主表数据之间不是强一致同步的（正常同步时间在毫秒到秒级），因此业务上需要容忍这个延时；
- 通过索引找到一批Pk列表后，会再发起随机query来查找主表数据，所以可能会更慢；
- 索引字段的类型、定义等，可能不符合数据库的使用特性（比如定义了全文索引字段等），暂时也不能被自动使用起来；
当然，针对传统数据库的索引中的一些特性，在DLA中也尽量采纳进来，比如Covering Index（http://literatejava.com/sql/covering-indexes-query-optimization/） 来避免随机查询主表，DLA和Table Store也支持，比如这样的SQL：
-- pk1, pk2是主键，col1，col2是非主键列，索引是idx_col1_col2
select pk1, col1 from tbl where col2 = 21
这里col1和col2都在索引中，而pk1和pk2也间接在索引中，因此这个SQL完全可以在索引上完成过滤和输出，从而避免回主表查询。
七、未来方向考虑
除了多元索引之外，目前Table Store团队也在积极地推广二级索引（https://help.aliyun.com/document_detail/91935.html），帮助用户更好的使用Table Store。未来DLA也会将这块能力集成进来，这样DLA可以帮助用户在主表、二级索引表、多元索引表之间最优化选择，帮助客户提升性能并且降低成本。
未来，DLA需要实现预先采集更多的统计信息，免去用户主动添加hint的麻烦，完全自动化的选择和路由，做到真正的数据库体验。
未来，DLA还需要下推更多的计算到Table Store上，实现更好的”近存储计算“，比如聚合能力下推、函数下推、支持全文索引等等，让用户使用DLA+Table Store获得更好的体验。
八、相关文档
- DLA文档专栏：https://zhuanlan.zhihu.com/data-lake-analytics
- DLA+Table Store分析：https://zhuanlan.zhihu.com/p/74895537
- DLA使用场景：https://help.aliyun.com/document_detail/70380.html
- OLAP on TableStore——基于Data Lake Analytics的Serverless SQL大数据分析https://yq.aliyun.com/articles/618501
- 使用Data Lake Analytics从OSS清洗数据到AnalyticDB：https://yq.aliyun.com/articles/623401
- 使用Data Lake Analytics 分析OSS数据：https://help.aliyun.com/document_detail/70387.html
- Data Lake Analytics数据库的连接方式：https://help.aliyun.com/document_detail/71074.html
- DLA用户与权限操作：https://zhuanlan.zhihu.com/p/75624936
本文作者：Roin
本文为云栖社区原创内容，未经允许不得转载。
网友评论