引言
随着业务增长，存储开销与历史数据可分析性往往同时成为瓶颈：一方面，InnoDB 以行存与索引页为核心组织方式，在宽表、日志类与分析型查询场景下磁盘占用上升很快；另一方面，用户又希望把更长周期的数据保留下来用于 AP 分析与追溯，随时查询和复用归档的数据。
AliSQL引入 DuckDB 作为存储引擎，使 MySQL 在归档与分析场景中具备更强的压缩与扫描能力：数据以列式形态组织落盘，并在 checkpoint 写入阶段对每一列执行自适应编码与压缩选择，从而显著降低落盘体积，同时提升面向列扫描的查询效率。在此基础上，AliSQL还对 DuckDB 压缩过程进一步优化，结合存储层硬件压缩能力，进一步降低存储成本。本文将浅析 DuckDB 的压缩原理，并结合对比与实践说明 AliSQLDuckDB 存储引擎对归档与 AP 分析的价值。
DuckDB 中的压缩
DuckDB 中数据压缩过程
DuckDB 的表存储格式可抽象为四个层次：一张表（Table）首先以行（Row）为单位进行横向切分，形成多个 Row Group；每个 Row Group 再以列（Column）为单位纵向切分为多个 Column Data；每个 Column Data 继续以行（Row）为单位横向切分为多个 Column Segment；而 Column Segment 则对应实际落盘的数据单元，通常映射为一个约 256KB 的 Data Block，但在某些情况下也可能与其他 Column Segment 共享同一个 Data Block。
在表存储格式的层级中，DuckDB 数据压缩的处理单位是 Column Data。在 Column Data 内部，与压缩密切相关的成员主要包括三个：检查点状态集 checkpoint_states、压缩函数集 compression_functions 以及压缩分析状态集 analyze_states。其中，checkpoint_states 用于保存列在 checkpoint 过程中的上下文信息；在一般的 Column Data 中，checkpoint_states 的 size 通常为 2：checkpoint_states[0] 关联数据列本身，checkpoint_states[1] 关联校验列（validity）。compression_functions 是一个二维数组，用于保存各列可用的候选压缩函数列表，记作 compression_functions[i][j]（第 i 列的第 j 个候选压缩函数）。analyze_states 同样是二维结构，用于保存特定列在特定压缩算法下的分析状态/压缩效果信息，记作 analyze_states[i][j]（第 i 列的第 j 个算法的分析状态）。
在真正执行压缩之前，DuckDB 会先通过扫描分析来确定每一列的最佳压缩算法。对于一个 Column Data，选择最佳压缩算法的主要流程可以概括为：
1. 查压缩相关配置。
2. 初始化分析状态集 analyze_states。
3. 遍历该 Column Data 内的所有 Column Segment；在每个 Column Segment 内，遍历其中的各列（即 checkpoint_states 中的列）；对每一列，依次使用其候选压缩算法进行分析，并将分析结果写入 analyze_states；若某算法在分析过程中被判定不适用，则会被淘汰。
4. 遍历 analyze_states，对候选算法进行最终评分，选择“得分最低（压缩后空间最小）”的算法作为最佳方案。
5. 返回确定的压缩算法集。
每列可选的候选压缩算法与列的数据类型及相关配置有关，这里不展开。下面用一个简化例子说明 DuckDB 压缩的执行过程，假设表中只有一列 id，类型为 INT，则压缩流程大致如下：
1. checkpoint 会透传到 Column Data 来执行。ColumnDataCheckpointer 创建时会将 id 的数据列和检验列填充到 checkpoint_states 之中。
2. 分别初始化这两列候选的压缩函数。如 id 数据列候选的压缩函数可能包括：UncompressedFun、RLEFun、BitpackingFun 和 ZSTDFun，id 校验列候选的压缩函数可能包括 UncompressedFun 和 RoaringFun。
3. 初始化分析状态集。分别对 id 数据列和 id 校验列调用后续的压缩函数集的 init_analyze 接口，完成二维数组 analyze_states 的填充。
4. 扫描数据确定最佳压缩算法。对 id 的数据列依次执行 4 个压缩函数的分析，对 id 的校验列依次执行 2 个压缩函数的分析，将分析结果保存到分析状态集。接着遍历分析状态集，确定各列最优的压缩算法并保存。
5. 数据最终落盘时，将按照此前选定的最佳压缩算法对对应列进行压缩写入。
DuckDB 中的压缩算法
- 数值/布尔类型
- 字符串
- 浮点数
- 校验类型
DuckDB 压缩效果
DuckDB 的列式存储与自适应编码/压缩能显著降低数据落盘体积，从而直接带来存储成本与运维成本的下降：例如在 sysbench（25 张表、每表 2000 万行）场景下，InnoDB 约 127GB，而 DuckDB 仅 43GB；TPC-H SF100 场景下，InnoDB 约 168GB，而 DuckDB 仅 26GB。更大规模的生产归档场景中，某本地生活服务平台将 InnoDB 的约 133TB 数据归档到 DuckDB 后仅约 66TB，某互联网消费金融平台从约 94TB 降至约 49TB。上述平台均将 DuckDB 作为归档库并承载 AP 查询，在保持 MySQL 使用习惯的同时，通过更高的压缩率获得更低的存储占用、更高的单位容量性价比，并使长期历史数据的分析查询更具成本优势。
编码与压缩机制和效果对比
在 MySQL 中，业务表通常默认使用 InnoDB 引擎进行存储。InnoDB 属于以 B+Tree 页（page） 为核心组织形式的行存引擎，默认配置下一般不启用压缩，因此在分析型/宽表场景下，数据与索引往往会占用较大的磁盘空间（尽管 InnoDB 也支持如 ROW_FORMAT=COMPRESSED、透明页压缩等能力，但压缩收益、CPU 开销与写放大之间需要权衡，线上一般不开启）。
HBase、ClickHouse 和 Doris（SelectDB）在存储组织上更偏向面向分析的压缩友好形态，但各自路径不同。HBase 基于 LSM-tree（MemStore + HFile）的结构，数据排序和编码后落盘到 HFile，并在 block 级别启用通用压缩（如 LZ4、ZSTD、Snappy 等）。压缩主要发生在块层，收益相对稳定，通常取决于数据的重复度与排序特征。ClickHouse 采用列式存储，列数据数据流/part 持久化。其压缩通常由列级 codec（如 Delta、Gorilla、Dictionary 等变换/编码） 与底层通用压缩算法叠加实现：先对列级数据做更贴合分布特征的编码，再通过通用压缩进一步压缩，从而获得较好的空间效率与扫描性能。Doris（SelectDB） 以列式 segment/page 组织数据，通常会对不同类型/数据分布采用合适的编码（如字典、RLE 等）并结合通用压缩，将数据以更高密度写入磁盘，因此在典型分析型数据集上往往能获得较好的空间节省效果。
OceanBase 在存储层对“编码 + 压缩”的分层设计更细：其 SSTable 内部以 micro block 为基本组织单元，在 micro block 内对列数据进行 encoding（面向类型与分布特征的编码/变换） 以提升可压缩性与扫描效率；当 micro block 聚合并写入 macro block 时会叠加通用压缩，目标是在保证读写效率的前提下尽可能降低磁盘空间占用。
以 TPC-H SF100 为例，不同系统的落盘数据量差异明显：MySQL（InnoDB）约 168GB；而在列式存储的系统中，整体空间占用显著下降，HBase 约 73GB，ClickHouse 约 39GB、OceanBase 约 33GB、SelectDB（Doris）约 31GB。在同一数据集与规模下，DuckDB 仅约 26GB，不仅相较 InnoDB 实现约 6.5 倍的空间节省，也在与多种主流分析型系统对比中具备最低落盘体积，意味着在归档与分析场景下可进一步降低存储成本、提升单位磁盘可承载的数据规模。
AliSQL压缩优化
AliSQL将 DuckDB 作为 MySQL 的存储引擎后，对 DuckDB 的压缩链路做了进一步工程化优化，重点提升写入与构建阶段的吞吐与并发效率，包括：
1. 压缩/编码策略复用：对 DuckDB 在列级别进行的 encoding/compression 策略选择（通常依赖列类型与数据分布特征的统计/采样）进行固化与缓存复用，减少重复探测带来的 CPU 开销与延迟抖动。
2. 并发路径优化：在压缩相关的关键路径中降低锁竞争，提升多线程并发压缩时的吞吐稳定性。
3. 采样与并行化：通过采样降低策略选择/统计的成本，并结合多线程流水线进一步提升压缩阶段整体吞吐，从而加快数据写入与存储构建速度。
此外，AliSQL支持在存储层对用户数据进行压缩存储，以减少写入存储介质的数据量并节省存储空间，使单位容量数据的存储成本最高可降低 50%；该能力基于智能自研硬件芯片与企业级 NAND 闪存介质，在物理磁盘层面实现实时压缩与解压缩，不额外占用实例计算资源，开启后对数据库性能几乎无影响；同时提供数据持久性与稳定性保障。
结语
DuckDB 的压缩优势来自“列式组织 + 自适应算法选择”的组合：以 Column Data 为决策单元，在 checkpoint 过程中对数据列与校验列分别建立候选压缩函数集合，通过扫描分析确定最终方案；结合 RLE、Bitpacking、Dictionary/FSST、ALP/Chimp、Roaring 等针对不同类型与分布特征的专用编码，使数据以更高密度落盘，同时降低分析查询的 I/O 与解码成本。这也是在大规模生产归档中，DuckDB 往往能显著小于 InnoDB 落盘体积的根本原因。
AliSQL 在 DuckDB 高效压缩的基础上进一步优化：通过策略固化与缓存减少重复探测带来的 CPU 消耗与延迟波动，通过并行化与锁竞争优化提升写入与构建阶段吞吐，并可结合存储层硬件压缩继续压缩落盘数据量。AliSQL DuckDB 引擎为历史数据归档提供了更低的存储占用与更可控的构建成本，同时让归档数据具备可直接承载 AP 分析的查询效率，使历史数据的长期存储与低成本分析查询可以在统一的 MySQL 入口与使用习惯下同时实现。
参考
1. https://mp.weixin.qq.com/s/GeCMoC43T7sIMzZS94Yq3A
2. https://github.com//oceanbase
3. https://github.com/apache/hbase
4. https://github.com/ClickHouse/ClickHouse
5. https://github.com/apache/doris
6. https://github.com/duckdb/duckdb
7. https://help.aliyun.com/zh/rds/apsaradb-rds-for-mysql/storage-compression
