數據蔣堂 倍增分段技術

來源：數據蔣堂

作者：蔣步星

本文共1408字，建議閱讀3分鐘。

本文為大家帶來一種新的數據列存分塊方案—倍增分段技術。

區塊分段方案能夠滿足我們設定的4個目標。不過，除了處理區塊標記的麻煩外，這個辦法對於列存不是非常適合。

數據按列分別存儲後，分段時必須保證各列同步，即各列的分段點對應的是同一條記錄的列，否則就會出錯數據錯位。而各個列的寬度是不同的，同樣大小的區塊在存儲不同列的值時，能裝下的個數是不同的，繼續按區塊分段就無法保證同步了。

各列要同步分段，就需要按記錄數分段，但這樣就不能採用固定大小的區塊了，而要有個區塊索引。如果數據不再追加，那可以建立固定長度的索引，但數據不斷追加時，索引也會動態增長。這時候，要麼每次追加數據時把所有數據重寫一遍保證索引的連續性，要麼用某種複雜機制能處理不連續的索引，但成本都不低。

當前業界常用的列存分段也就是分塊方案：把數據分成若干塊，塊內是列存，分段以塊為單位。分塊數要足夠多才能保證平均分段，而分塊又要足夠大才能讓列存產生效果，這兩者就是個矛盾，要數據量很大時才合適。而且，這個分塊是按記錄數劃分的，不能固定大小，就需要我們上面說的分塊索引，當數據不斷追加時，索引也會動態變大，連續性就無法保證了。

為解決這些問題，我們設計一種倍增分段方案。

預留一個固定長度的索引區，可以保存N個位置信息，N是個固定的數，比如是1024。我們用索引區i號位表示其中保存的第i個位置。

初始狀態時沒有記錄。加入第1條記錄後，在索引區1號位填入該記錄（稱為記錄1）寫入存儲（比如文件）時的位置；加入第2條記錄後，在索引區2號位填入記錄2的位置，...；加入第N條記錄後，在索引區位置N填入記錄N的位置 。

索引區的i號位可以看成是一個區塊，對應由i號位內容指向的那條記錄起到第i+1號位內容指向的記錄之間的所有記錄（含頭不含尾）。在這一輪追加也，相當於每個分段中只有一條記錄。

再繼續追加記錄時，索引區已經沒有空位了。這時我們做這樣一個操作：1號位保留，2號位填入原3號數的內容，3號位填入原5號位的內容，...，i號位填入原2i-1號位的內容。這樣一直到在N/2號位填入原2*N/2-1即N-1號位的信息，然後再把第N/2+1到N號位的內容清空。

這個操作，相當於把區塊1和區塊2合併成區塊1，區塊3和區塊4合併成區塊2，..區塊2i-1和區塊2i合併成區塊i，這些區塊就變成由2條記錄構成，數據記錄本來就是連續寫入的，這樣合併後的區塊仍然是由連續記錄構成。

然後，清空的後半部分號位相當於空出一些空區塊了，如果繼續追加記錄時，就每次寫2條記錄才使用下一個號位，即把記錄N+1的位置填入N/2+1號位，記錄N+2繼續寫入，記錄N+3的位置填入N/2+2號位，記錄N+4繼續寫入，...。

再追加下去填滿所有號位後，再次做合併動作，把每區塊記錄號再倍增成4條。同時空出後半部分號位，再追加數據時每個號位要增加4條記錄才使用下一個號位。...，如此往複下去。

在這個機制下，任何時候都有N/2到N個可用區塊，只要N足夠大（1024基本上夠了），就可以做到平均程度較高的分段。每個分段由連續的區塊構成，區塊由連續緊湊的記錄構成，這樣能確保目標3，而上述的演算法過程已經解決了目標4。而且，在遍歷過程也不象固定區塊方案那樣需要處理標記，只是連續地從分段起始位置讀到結束位置就可以，動作非常簡單。

倍增分段方案是以記錄數為基礎的，所以對於列存也是適合的。各個列都採用這種方式追加數據後，分段點對於各列總是落在同一條記錄上，不會發生錯位的情況，而且，每個列的數據都是一直連續的，沒有中斷點，不象分塊式方式在只能在分塊內連續，也不會面對分塊大小與數量的矛盾。

專欄作者簡介

潤乾軟體創始人、首席科學家

清華大學計算機碩士，著有《非線性報表模型原理》等，1989年，中國首個國際奧林匹克數學競賽團體冠軍成員，個人金牌；2000年，創立潤乾公司；2004年，首次在潤乾報表中提出非線性報表模型，完美解決了中國式複雜報表製表難題，目前該模型已經成為報錶行業的標準；2014年，經過7年開發，潤乾軟體發布不依賴關係代數模型的計算引擎——集算器，有效地提高了複雜結構化大數據計算的開發和運算效率；2015年，潤乾軟體被福布斯中文網站評為「2015福布斯中國非上市潛力企業100強」；2016年，榮獲中國電子信息產業發展研究院評選的「2016年中國軟體和信息服務業十大領軍人物」；2017年, 自主創新研發新一代的數據倉庫、雲資料庫等產品即將面世。

數據蔣堂

《數據蔣堂》的作者蔣步星，從事信息系統建設和數據處理長達20多年的時間。他豐富的工程經驗與深厚的理論功底相互融合、創新思想與傳統觀念的相互碰撞，虛擬與現實的相互交織，產生出了一篇篇的瀝血之作。此連載的內容涉及從數據呈現、採集到加工計算再到存儲以及挖掘等各個方面。大可觀數據世界之遠景、小可看技術疑難之細節。針對數據領域一些技術難點，站在研發人員的角度從淺入深，進行全方位、360度無死角深度剖析；對於一些業內觀點，站在技術人員角度闡述自己的思考和理解。蔣步星還會對大數據的發展，站在業內專家角度給予預測和推斷。靜下心來認真研讀你會發現，《數據蔣堂》的文章，有的會讓用戶避免重複前人走過的彎路，有的會讓攻城獅面對扎心的難題茅塞頓開，有的會為初入行業的讀者提供一把開啟數據世界的鑰匙，有的甚至會讓業內專家大跌眼鏡，產生思想交鋒。

校對：陳娟

為保證發文質量、樹立口碑，數據派現設立「錯別字基金」，鼓勵讀者積極糾錯。

若您在閱讀文章過程中發現任何錯誤，請在文末留言，或到後台反饋，經小編確認後，數據派將向檢舉讀者發8.8元紅包。

同一位讀者指出同一篇文章多處錯誤，獎金不變。不同讀者指出同一處錯誤，獎勵第一位讀者。

感謝一直以來您的關注和支持，希望您能夠監督數據派產出更加高質的內容。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！