作者：
周雷皓 ，百度外卖大数据工程师。
来自：
《程序员》3月技术板原创投稿。
摘要：
本文介绍了大数据引擎Greenplum的架构和部分技术特点，从GPDB基本背景开始，在架构的层面上讲解GPDB系统内部各个模块的概貌，然后围绕GPDB的自身特性，并行执行和运维等技术细节，阐述了为什么选择使用Greenplum作为下一代的查询引擎解决方案。
Greenplum的MPP架构
Greenplum（以下简称GPDB）是一款开源数据仓库。基于开源的PostgreSQL改造，主要用来处理大规模数据分析任务，相比Hadoop，Greenplum更适合做大数据的存储、计算和分析引擎。
GPDB是典型的Master/Slave架构，在Greenplum集群中，存在一个Master节点和多个Segment节点，其中每个节点上可以运行多个数据库。Greenplum采用shared
nothing架构（MPP）。典型的Shared
Nothing系统会集数据库、内存Cache等存储状态的信息；而不在节点上保存状态的信息。节点之间的信息交互都是通过节点互联网络实现。通过将数据分布到多个节点上来实现规模数据的存储，通过并行查询处理来提高查询性能。每个节点仅查询自己的数据。所得到的结果再经过主节点处理得到最终结果。通过增加节点数目达到系统线性扩展。
图1 GPDB的基本架构
如上图1为GPDB的基本架构，客户端通过网络连接到gpdb，其中Master
Host是GP的主节点（客户端的接入点），Segment
Host是子节点（连接并提交SQL语句的接口），主节点是不存储用户数据的，子节点存储数据并负责SQL查询，主节点负责相应客户端请求并将请求的SQL语句进行转换，转换之后调度后台的子节点进行查询，并将查询结果返回客户端。
Greenplum Master
Master只存储系统元数据，业务数据全部分布在Segments上。其作为整个数据库系统的入口，负责建立与客户端的连接，SQL的解析并形成执行计划，分发任务给Segment实例，并且收集Segment的执行结果。正因为Master不负责计算，所以Master不会成为系统的瓶颈。
Master节点的高可用（图2），类似于Hadoop的NameNode
HA，如下图，Standby Master通过synchronization process，保持与Primary
Master的catalog和事务日志一致，当Primary Master出现故障时，Standby Master承担Master的全部工作。
图2 Master节点的高可用
Segments
Greenplum中可以存在多个Segment，Segment主要负责业务数据的存储和存取（图3），用户查询SQL的执行，每个Segment存放一部分用户数据，但是用户不能直接访问Segment，所有对Segment的访问都必须经过Master。进行数据访问时，所有的Segment先并行处理与自己有关的数据，如果需要关联处理其他Segment上的数据，Segment可以通过Interconnect进行数据的传输。Segment节点越多，数据就会打的越散，处理速度就越快。因此与Share
All数据库集群不同，通过增加Segment节点服务器的数量，Greenplum的性能会成线性增长。
图3 Segment负责业务数据的存取
每个Segment的数据冗余存放在另一个Segment上，数据实时同步，当Primary
Segment失效时，Mirror Segment将自动提供服务，当Primary
Segment恢复正常后，可以很方便的使用gprecoverseg -F工具来同步数据。
Interconnect
Interconnect是Greenplum架构中的网络层（图4），是GPDB系统的主要组件，默认情况下，使用UDP协议，但是Greenplum会对数据包进行校验，因此可靠性等同于TCP，但是性能上会更好。在使用TCP协议的情况下，Segment的实例不能超过1000，但是使用UDP则没有这个限制。
图4 Greenplum网络层Interconnect
Greenplum，新的解决方案
前面介绍了GPDB的基本架构，让读者对GPDB有了初步的了解，下面对GPDB的部分特性描述可以很好的理解为什么选择GPDB作为新的解决方案。
丰富的工具包，运维从此不是事儿
对比开源社区的其他项目在运维上的困难，GPDB提供了丰富的管理工具，图形化的web监控页面，帮助管理员更好的管理集群，监控集群本身以及所在服务器的运行状况。
最近的公有云集群迁移过程中，impala总查询段达到100的时候，系统开始变得极不稳定，后来在外援的帮助下发现是系统内核本身的问题，在恶补系统内核参数的同时，发现GPDB的工具也变相的填充了我们的短板，比如提供了gpcheck和gpcheckperf等命令，用以检测GPDB运行所需要的系统配置是否合理以及对相关硬件做性能测试，如下，执行gpcheck命令后，检测sysctl.conf中参数的设置是否符合要求，如果对参数的含义感兴趣，可以自行百度学习。
（点击可查看高清版）
另外，在安装过程中，用其提供的gpssh-exkeys命令打通所有机器免密登录后，可以很方便的使用gpassh命令对所有的机器批量操作，如下图演示了在master主机上执行gpssh命令后，在集群的五台机器上批量执行pwd命令。
（点击可查看高清版）
诸如上述的工具GPDB还提供了很多，比如恢复segment节点的gprecoverseg命令，比如切换主备节点的gpactivatestandby命令，等等。这类工具的提供让集群的维护变得很简单，当然我们也可以基于强大的工具包开发自己的管理后台，让集群的维护更加的傻瓜化。
查询计划和并行执行，SQL优化利器
查询计划包括了一些传统的操作，比如：扫表、关联、聚合、排序等。另外，GPDB有一个特定的操作：移动（motion）。移动操作涉及到查询处理期间在Segment之间移动数据。
下面的SQL是TPCH中Query 1的简化版，用来简单描述查询计划。
（点击可查看高清版）
执行计划执行从下至上，可以看到每个计划节点操作的额外信息。
-
Segment节点扫描各自所存储的customer表数据，按照过滤条件生成结果数据，并将自己生成的结果数据依次发送到其他Segment。
-
每个Segment上，orders表的数据和收到的rs做join，并把结果数据返回给master
上面的执行过程可以看出，GPDB是将结果数据给每个含有orders表数据的节点都发了一份。为了最大限度的实现并行化处理，GPDB会将查询计划分成多个处理步骤。在查询执行期间，分发到Segment上的各部分会并行的执行一系列的处理工作，并且只处理属于自己部分的工作。重要的是，可以在同一个主机上启动多个postgresql数据库进行更多表的关联以及更复杂的查询操作，单台机器的性能得到更加充分的发挥。
如何查看执行计划？
如果一个查询表现出很差的性能，可以通过查看执行计划找到可能的问题点。
• 计划中是否有一个操作花费时间超长？
• 规划期的评估是否接近实际情况？
• 选择性强的条件是否较早出现？
• 规划期是否选择了最佳的关联顺序？
• 规划其是否选择性的扫描分区表？
• 规划其是否合适的选择了Hash聚合与Hash关联操作？
高效的数据导入，批量不再是瓶颈
