作者：李樹桓 個推數據研發工程師
前言：近年來，互聯網的快速發展積累了海量大數據，而在這些大數據的處理上，不同技術棧所具備的性能也有所不同，如何快速有效地處理這些龐大的數據倉，成爲很多運營者爲之苦惱的問題！隨着Greenplum的異軍突起，以往大數據倉庫所面臨的很多問題都得到了有效解決，Greenplum也成爲新一代海量數據處理典型代表。本文結合個推數據研發工程師李樹桓在大數據領域的實踐，對處理龐大的數據量時，如何選擇有效的技術棧做了深入研究，探索出Greenplum是當前處理大數據倉較爲高效穩定的利器。
一、Greenplum誕生的背景
時間回到2002年，那時整個互聯網數據量正處於快速增長期，一方面傳統數據庫難以滿足當前的計算需求，另一方面傳統數據庫大多基於SMP架構，這種架構最大的一個特點是共享所有資源，擴展性能差，因此面對日益增長的數據量，難以繼續支撐，需要一種具有分佈式並行數據計算能力的數據庫，Greenplum正是在此背景下誕生了。
和傳統數據庫的SMP架構不同，Greenplum主要基於MPP架構，這是由多個服務器通過節點互聯網絡連接而成的系統，每個節點只訪問自己的本地資源(包括內存、存儲等)，是一種完全無共享(Share Nothing)結構，擴展能力較之前有明顯提升。
二、解讀 Greenplum架構
Greenplum主要由Master主節點和Interconnect網絡層以及負責數據存儲和計算的多個節點共同組成。
Master上有主節點和從節點兩部分，兩者主要的功能是生成查詢計劃並派發，以及協調Segment並行計算，同時在Master上保存着global system catalog，這個全局目錄存着一組Greenplum數據庫系統本身所具有的元數據的系統表。需要說明的是Master本身不參與數據交互，Greenplum所有的並行任務都是在Segment的數據節點上完成的，因此，Master節點不會成爲數據庫的性能瓶頸。
中間的網絡層Interconnect，主要負責並行查詢計劃生產和Dispatch分發以及協調節點上QE執行器的並行工作， 正是因爲Interconnect的存在，Greenplum才能實現對同一個集羣中多個PostgreSQL實例的高效協同和並行計算。
整個結構圖下方負責數據存儲和計算的每個節點上又有多個實例，每個實例都是一個PostgreSQL數據庫，這些實例共享節點的IO和CPU。PostgreSQL在穩定性和性能方面較爲先進，同時又有豐富的語法支持，滿足了Greenplum的功能需要。
三、瞭解Greenplum優勢
Greenplum之所以能成爲處理海量大數據的有效工具，與其所具備的幾大優勢密不可分。
優勢一：計算效率提升
Greenplum的數據管道可以高效地將數據從磁盤傳輸到CPU，而目前市面上常用的計算引擎SPARK在傳輸數據時，則需要爲每個併發查詢分配一個內存，這對大型數據集的查詢十分不利，而Greenplum所具備的實時查詢功能，能夠有效對大數據集進行計算。
優勢二：擴展性能增強
Greenplum基於的MPP架構，節點之間完全不共享，同時又可以達到並行查詢，因此在進行線性擴展時，數據規模可以達到PB級別。目前，Greenplum已經實現了開源，並且社區生態活躍，對於使用者而言，也會覺得更爲可靠。
優勢三：功能性優化
Greenplum可以支持複雜的SQL查詢，大幅簡化了數據的操作和交互過程。而目前流行的HAWQ、Spark SQL、Impala等技術基本都基於MapReduce進行的優化，雖然部分也使用了SQL查詢，但是對SQL的支持十分有限。
四、Greenplum的容錯機制
Greenplum數據庫簡稱GPDB，它擁有豐富的特性，支持多級容錯機制和高可用。
1）主節點高可用：爲了避免主節點單點故障，特別設置一個主節點的副本（稱爲 Standby Master），通過流複製技術實現兩者同步複製，當主節點發生故障時，從節點可以成爲主節點，從而完成用戶請求並協調查詢執行。
2）數據節點高可用：每個數據節點都可以配備一個鏡像，它們之間通過文件操作級別的同步來實現數據的同步複製（稱爲filerep技術）。故障檢測進程（ftsprobe）會定期發送心跳給各個數據節點，當某個節點發生故障時，GPDB會自動進行故障切換。
3）網絡高可用：爲了避免網絡的單點故障，每個主機會配置多個網口，並使用多個交換機，避免網絡故障時造成整個服務器不可用。
同時，GPDB具有圖形化的性能監控功能，基於此功能，用戶可以確定數據庫當前的運行情況和歷史查詢信息，同時跟蹤系統使用情況和資源信息。
五、 Greenplum在業務場景中的應用
個推在大數據領域深耕多年，在處理龐大的數據倉的過程中，也在不斷進行優化和更新技術棧，在進行技術選型時，針對不同的技術棧做了如下對比：
總得來說，Greenplum幫助開發者有效解決了處理數據庫時遇到的一些難點，比如跨天去重、用戶自定義維度、複雜的SQL查詢等問題，同時，也方便開發者直接在原始數據上進行實時查詢，減少了數據聚合過程中的遺失，當然，強大的Greenplum仍存在着一些問題需要去完善，例如在節點擴展的過程中元數據的管理問題，分佈式數據庫在擴展節點時會帶來數據一致性，擴展的過程中有時會出現元數據混亂的情況等等，好在Greenplum有很多優秀的運維工具，能夠幫我們在發生問題及時進行排查，更好的保障業務的穩定性。但是，儘管Greenplum在處理大數據方面的優勢比較明顯，對開發者來說，還是要根據自身需求選擇相應的技術棧。