实践教程之体验PolarDB-X分布式事务和数据分区

本文涉及的产品
PolarDB Agent Express,2核4GB
云数据库 PolarDB MySQL 版,列存表分析加速 4核8GB
简介: PolarDB-X 为了方便用户体验,提供了免费的实验环境,您可以在实验环境里体验 PolarDB-X 的安装部署和各种内核特性。除了免费的实验,PolarDB-X 也提供免费的视频课程,手把手教你玩转 PolarDB-X 分布式数据库。

本期实验将指导您使用PolarDB-X分布式事务和数据分区

本期免费实验地址

本期教学视频地址


前置准备

假设已经根据前一讲内容完成了PolarDB-X的搭建部署,可以成功链接上PolarDB-X数据库。

PolarDB-X:实践教程之如何快速安装部署PolarDB-X


体验PolarDB-X分布式事务

本步骤将带您体验PolarDB-X分布式事务。首先开启一个分布式事务,通过命令观察事务信息。然后模拟一个转账行为,观察原子性和隔离性保证,最后通过Flashback Query查看历史版本。

1.准备测试库、测试表和测试数据。

a. 执行如下SQL语句,创建测试库transfer_test并使用。

CREATE DATABASE transfer_test MODE='AUTO';
 USE transfer_test;

b. 执行如下SQL语句,创建测试表account。

CREATE TABLE account (
   pk bigint not null auto_increment,
   id varchar(64) not null,
   balance double not null,
   gmt_create timestamp default current_timestamp,
   gmt_modified timestamp default current_timestamp on update current_timestamp,
   PRIMARY KEY(pk),
   key(id)
);

c. 执行如下SQL语句,创建测试表user 。

CREATE TABLE user (
   pk bigint not null auto_increment,
   name varchar(64) not null,
   addr varchar(128) not null,
   gmt_create timestamp default current_timestamp,
   gmt_modified timestamp default current_timestamp on update current_timestamp,
   PRIMARY KEY(pk),
   key(name)
);

d. 执行如下SQL语句,初始化数据。

INSERT INTO account(id, balance) VALUES("Alice", 100), ("Bob", 100);
INSERT INTO user(name, addr) VALUES("Alice", "hz"), ("Bob", "sh");

e. 执行如下SQL语句,查看初始化结果。

SHOW FULL CREATE TABLE account;
SHOW FULL CREATE TABLE user;
SELECT * FROM account;
SELECT * FROM user;


2.转账测试。

a. 实验页面,单击右上角的+ 图标,创建新的终端三和终端四。

1.jpg

b. 在终端三和终端四中,分别执行如下命令,连接PolarDB-X集群。

mysql -h127.0.0.1 -P3306 -upolardbx_root transfer_test

c. 按照如下表格中的步骤顺序,在终端三和终端四中分别执行如下SQL语句,进行转账测试。

步骤顺序 终端三的命令 终端四的命令
1 BEGIN;
UPDATE account SET balance = balance - 30 WHERE id = "Alice";
2 SELECT * FROM account; SHOW TRANS;
SELECT * FROM account;
3 ROLLBACK;
4 SELECT * FROM account; SHOW TRANS;
SELECT * FROM account;
5 BEGIN;
UPDATE account SET balance = balance - 30 WHERE id = "Alice";
UPDATE account SET balance = balance + 30 WHERE id = "Bob";
6 SELECT * FROM account; SELECT * FROM account;
7 COMMIT;
8 SELECT * FROM account;


3.Flashback Query。

a. 实验页面,单击右上角的+图标,创建新的终端五。

20230412101447.jpg


b. 执行如下命令,连接PolarDB-X集群。

mysql -h127.0.0.1 -P3306 -upolardbx_root transfer_test

c. 执行如下SQL语句,记录当前时间点为ts0。

SELECT NOW();

2.jpg

d. 执行如下SQL语句,更新数据。

BEGIN;
UPDATE account SET balance = balance - 30 WHERE id = "Alice";
UPDATE account SET balance = balance + 30 WHERE id = "Bob";
COMMIT;
INSERT INTO account(id, balance) VALUES("Tom", 100);
INSERT INTO user(name, addr) VALUES("Tom", "bj");

e. 执行如下SQL语句,查看更新后的数据。

SELECT a.id, a.balance, b.addr FROM account a 
JOIN user b ON a.id = b.name;

f. 执行如下SQL语句,指定时间为ts0,查询历史版本数据。

说明 :

  • 您需要将{ts0}替换为实际记录的时间点ts0。
  • 示例:SELECT * FROM user AS OF TIMESTAMP "2022-05-12 10:14:14";
SELECT * FROM user AS OF TIMESTAMP "{ts0}";
SELECT * FROM account AS OF TIMESTAMP "{ts0}";

20230412101604.jpg


g. 执行如下SQL语句,在Join中为部分表指定时间戳。

说明 :您需要将{ts0}替换为实际记录的时间点ts0。

SELECT a.id, a.balance, b.addr FROM account a JOIN user AS OF TIMESTAMP "{ts0}" b ON a.id = b.name;


20230412101623.jpg

h. 执行如下SQL语句,查看并记录当前时间点为ts1。

SELECT NOW();


20230412101651.jpg


i. 执行如下SQL语句,模拟误删操作。

DELETE FROM account WHERE 1=1;

j. 执行如下SQL语句,查看删除结果。

SELECT * FROM account;


20230412101715.jpg

k. 执行如下SQL语句,通过Flashback Query恢复误删的数据。

说明 :您需要将{ts1}替换为实际记录的时间点ts1。

INSERT INTO account SELECT * FROM account AS OF TIMESTAMP "{ts1}";


20230412101742.jpg

l. 执行如下SQL语句,查看恢复结果。

SELECT * FROM account;


20230412101808.jpg


体验PolarDB-X数据分区

本步骤将带您体验PolarDB-X数据分区对查询性能的影响。首先用默认拆分方式创建一张表,然后通过增加全局索引和改变拆分方式来提升查询性能。

1.准备测试库、测试表和测试数据。

a. 切换至终端二,执行如下SQL语句,创建测试库partitioning_test并使用。

CREATE DATABASE partitioning_test MODE='AUTO';  USE partitioning_test;

b. 执行如下SQL语句,创建测试表ptest1。

CREATE TABLE ptest1 (
  id INTEGER UNSIGNED NOT NULL,
  k INTEGER UNSIGNED DEFAULT '0' NOT NULL,
  c CHAR(20) DEFAULT '' NOT NULL,
  pad CHAR(60) DEFAULT '' NOT NULL,
  PRIMARY KEY(id)
);

c. 执行如下SQL语句,插入数据。

INSERT INTO ptest1(id, k, c, pad) VALUES
(1, 1, "c", "pad"),(2, 2, "c", "pad"),(3, 3, "c", "pad"),
(4, 4, "c", "pad"),(5, 5, "c", "pad"),(6, 6, "c", "pad");


2.通过全局索引优化查询性能。

a. 执行如下SQL语句,查看主键上点查的执行计划。

EXPLAIN SELECT pad FROM ptest1 WHERE id = 1;

b. 执行如下SQL语句,查看k字段上点查的执行计划。

EXPLAIN SELECT pad FROM ptest1 WHERE k = 1;

c. 执行如下SQL语句,在k字段上增加索引。

ALTER TABLE `partitioning_test`.`ptest1`  ADD INDEX `__advise_index_ptest1_k`(`k`);

d. 执行如下SQL语句,查看添加索引后的执行计划。

EXPLAIN SELECT pad FROM ptest1 WHERE k = 1;

e. 执行如下SQL语句,在k字段上增加聚簇索引。

ALTER TABLE ptest1 ADD CLUSTERED INDEX c_k(k);

f. 执行如下SQL语句,查看增加聚簇索引后的执行计划。

EXPLAIN SELECT pad FROM ptest1 WHERE k=1;

g. 执行如下SQL语句,查看ptest1表的表结构。

SHOW CREATE TABLE ptest1; 
SHOW FULL CREATE TABLE ptest1;


3.通过变更分区键优化查询性能。

a. 执行如下SQL语句,删除之前创建的索引。

ALTER TABLE ptest1 DROP INDEX c_k;
ALTER TABLE ptest1 DROP INDEX __advise_index_ptest1_k;

b. 执行如下SQL语句,变更拆分键。

ALTER TABLE ptest1 PARTITION BY HASH(k); 
SHOW FULL CREATE TABLE ptest1;

c. 执行如下SQL语句,查看变更拆分键之后的执行计划。

EXPLAIN SELECT pad FROM ptest1 WHERE k=1;


了解更多


本文来源:PolarDB-X知乎号

相关文章
|
7月前
|
人工智能 安全 Java
分布式 Multi Agent 安全高可用探索与实践
在人工智能加速发展的今天,AI Agent 正在成为推动“人工智能+”战略落地的核心引擎。无论是技术趋势还是政策导向,都预示着一场深刻的变革正在发生。如果你也在探索 Agent 的应用场景,欢迎关注 AgentScope 项目,或尝试使用阿里云 MSE + Higress + Nacos 构建属于你的 AI 原生应用。一起,走进智能体的新世界。
1436 89
|
7月前
|
关系型数据库 Apache 微服务
《聊聊分布式》分布式系统基石:深入理解CAP理论及其工程实践
CAP理论指出分布式系统中一致性、可用性、分区容错性三者不可兼得,必须根据业务需求进行权衡。实际应用中,不同场景选择不同策略:金融系统重一致(CP),社交应用重可用(AP),内网系统可选CA。现代架构更趋向动态调整与混合策略,灵活应对复杂需求。
|
9月前
|
数据采集 消息中间件 监控
单机与分布式:社交媒体热点采集的实践经验
在舆情监控与数据分析中,单机脚本适合小规模采集如微博热榜,而小红书等大规模、高时效性需求则需分布式架构。通过Redis队列、代理IP与多节点协作,可提升采集效率与稳定性,适应数据规模与变化速度。架构选择应根据实际需求,兼顾扩展性与维护成本。
324 2
|
人工智能 安全 应用服务中间件
阿里巴巴 MCP 分布式落地实践:快速转换 HSF 到 MCP server
本文分享了阿里巴巴内部将大规模HSF服务快速转换为MCP Server的实践经验,通过Higress网关实现MCP协议卸载,无需修改代码即可接入MCP生态。文章分析了MCP生态面临的挑战,如协议快速迭代和SDK不稳定性,并详细介绍了操作步骤及组件功能。强调MCP虽非终极解决方案,但作为AI业务工程化的起点具有重要意义。最后总结指出,MCP只是AI原生应用发展的第一步,未来还有更多可能性值得探索。
1591 49
|
10月前
|
关系型数据库 分布式数据库 数据库
|
10月前
|
存储 关系型数据库 分布式数据库
喜报|阿里云PolarDB数据库(分布式版)荣获国内首台(套)产品奖项
阿里云PolarDB数据库管理软件(分布式版)荣获「2024年度国内首版次软件」称号,并跻身《2024年度浙江省首台(套)推广应用典型案例》。
|
7月前
|
存储 监控 算法
117_LLM训练的高效分布式策略:从数据并行到ZeRO优化
在2025年,大型语言模型(LLM)的规模已经达到了数千亿甚至数万亿参数,训练这样的庞然大物需要先进的分布式训练技术支持。本文将深入探讨LLM训练中的高效分布式策略,从基础的数据并行到最先进的ZeRO优化技术,为读者提供全面且实用的技术指南。
746 2
|
8月前
|
消息中间件 缓存 监控
中间件架构设计与实践:构建高性能分布式系统的核心基石
摘要 本文系统探讨了中间件技术及其在分布式系统中的核心价值。作者首先定义了中间件作为连接系统组件的"神经网络",强调其在数据传输、系统稳定性和扩展性中的关键作用。随后详细分类了中间件体系,包括通信中间件(如RabbitMQ/Kafka)、数据中间件(如Redis/MyCAT)等类型。文章重点剖析了消息中间件的实现机制,通过Spring Boot代码示例展示了消息生产者的完整实现,涵盖消息ID生成、持久化、批量发送及重试机制等关键技术点。最后,作者指出中间件架构设计对系统性能的决定性影响,
|
12月前
|
数据采集 存储 NoSQL
基于Scrapy-Redis的分布式景点数据爬取与热力图生成
基于Scrapy-Redis的分布式景点数据爬取与热力图生成
900 67
|
12月前
|
监控 Linux 应用服务中间件
Linux多节点多硬盘部署MinIO:分布式MinIO集群部署指南搭建高可用架构实践
通过以上步骤,已成功基于已有的 MinIO 服务,扩展为一个 MinIO 集群。该集群具有高可用性和容错性,适合生产环境使用。如果有任何问题,请检查日志或参考MinIO 官方文档。作者联系方式vx:2743642415。
3789 57

相关产品

  • 云原生数据库 PolarDB