背景
共享充电宝、共享单车、共享雨伞，共享女朋友^|^，共享汽车，。。。 共享经济最近几年发展确实非常迅猛。
共享必定涉及被共享对象的管理、会员的管理等，实际上也属于一种物联网系统。
本文以共享充电宝的场景为例，分享一下共享充电宝的经营分析、销售管理系统的后台数据库的设计。（老板关心的是整体销售的业绩，以及各个渠道的透视等。销售经理关心的是他管辖片区的销售业绩，运维人员关心的是设备的状态。）
一、数据结构和数据量
业务模式是什么样的？
在饭店、商场、火车站、足浴店等各种场所，都能看到充电宝的身影。每个充电宝会有相对固定的位置（比如放在外婆家餐馆），每个固定的位置都有相对固定的销售（就好像古惑仔受保护费一样），每个销售都有固定的上级。
用户借充电宝操作很简答，用户扫码，下单，借走；有些是不能借走的，那就扫码，下单，充电。
（这里除了充电业务，实际上还可以与商户合作，搞一些用户画像和广告推送、商家促销的业务。当然，前提是有用户画像。）
数据结构抽象
1、人员表（BOSS，销售总监，门店经理）。
数据量预估：3000+，极少更新。
2、类目表（足浴店、酒店、火车站、饭店。。。）
数据量预估：100+ ， 极少更新
3、门店表
数据量预估：百万级以内 ， 极少更新
4、设备表
数据量预估：百万级 ， 每个设备 每隔N分钟上报一次心跳
5、订单表
数据量预估：百万级/天 ，插入、并且每个订单至少更新一次（创建订单、支付订单、退单等），订单有最终状态。
二、分析需求
1、实时分析需求：
以日、月、年时间维度；再加上以全局、员工、员工一级下属、员工所有下属、类目、门店、设备等维度进行透视。
2、聚合指标：
新增设备数、在线设备数、离线设备数、新建订单量、成交订单量、退订量、账务流水等等。
3、时间需求：
有查询当天订单统计需求、有查询当天、前一天统一时间点统计需求，算同比。同样的也有月、年需求。
4、查询并发：
分析系统的查询并发通常不会太高，因为都是自己人使用的。一分钟可能不会超过3000。
5、查询时效性：
月、年统计 每天离线生成。（建议这么做，因为业务上月指标没必要实时看。）
日维度的统计，实时产生。（日数据量并不大，实时产生，实时查询，可以满足并发、响应时间的需求。同时也满足业务的需求。）
响应时间要求：几十毫秒级。
并发要求：100以内。
三、数据库选型
PostgreSQL 10：HTAP数据库，支持10TB级OLTP和OLAP混合需求。TP性能强劲，功能丰富。支持多核并行计算，HASH JOIN等一系列强大的功能，AP性能亦适中。
HybridDB for PostgreSQL：PB级，纯分析型数据库，支持多机并行计算。AP性能强劲，但是TP性能非常弱。
如果想了解更多的详情，请参考：
《空间|时间|对象 圈人 + 透视 - 暨PostgreSQL 10与Greenplum的对比和选择》
本场景到底选哪个呢？干脆两个都来做个DEMO设计，对比一下。
四、PostgreSQL 10 方案1
设计表结构
create table a ( -- 员工层级信息
id int primary key, -- 编号 ID
nick name, -- 名字
pid int -- 上级 ID
);
create table c ( -- 类目
id int primary key, -- 类目ID
comment text -- 类目名称
);
create table b ( -- 终端门店
id int primary key, -- 编号
nick text, -- 名称
cid int, -- 类目
aid int -- 门店经理ID
);
create table d ( -- 设备
id int primary key, -- 设备编号
bid int, -- 门店编号
alive_ts timestamp -- 设备心跳时间
);
create table log ( -- 订单日志
did int, -- 设备ID
state int2, -- 订单最终状态
crt_time timestamp, -- 订单创建时间
mod_time timestamp -- 订单修改时间
) partition by range (crt_time);
create table log_201701 partition of log for values from ('2017-01-01') to ('2017-02-01') with (parallel_workers =32);
create table log_201702 partition of log for values from ('2017-02-01') to ('2017-03-01') with (parallel_workers =32);
create table log_201703 partition of log for values from ('2017-03-01') to ('2017-04-01') with (parallel_workers =32);
create table log_201704 partition of log for values from ('2017-04-01') to ('2017-05-01') with (parallel_workers =32);
create table log_201705 partition of log for values from ('2017-05-01') to ('2017-06-01') with (parallel_workers =32);
create table log_201706 partition of log for values from ('2017-06-01') to ('2017-07-01') with (parallel_workers =32);
create table log_201707 partition of log for values from ('2017-07-01') to ('2017-08-01') with (parallel_workers =32);
create table log_201708 partition of log for values from ('2017-08-01') to ('2017-09-01') with (parallel_workers =32);
create table log_201709 partition of log for values from ('2017-09-01') to ('2017-10-01') with (parallel_workers =32);
create table log_201710 partition of log for values from ('2017-10-01') to ('2017-11-01') with (parallel_workers =32);
create table log_201711 partition of log for values from ('2017-11-01') to ('2017-12-01') with (parallel_workers =32);
create table log_201712 partition of log for values from ('2017-12-01') to ('2018-01-01') with (parallel_workers =32);
create table log_201801 partition of log for values from ('2018-01-01') to ('2018-02-01') with (parallel_workers =32);
create index idx_log_201701_1 on log_201701 using btree (crt_time) ;
create index idx_log_201702_1 on log_201702 using btree (crt_time) ;
create index idx_log_201703_1 on log_201703 using btree (crt_time) ;
create index idx_log_201704_1 on log_201704 using btree (crt_time) ;
create index idx_log_201705_1 on log_201705 using btree (crt_time) ;
create index idx_log_201706_1 on log_201706 using btree (crt_time) ;
create index idx_log_201707_1 on log_201707 using btree (crt_time) ;
create index idx_log_201708_1 on log_201708 using btree (crt_time) ;
create index idx_log_201709_1 on log_201709 using btree (crt_time) ;
create index idx_log_201710_1 on log_201710 using btree (crt_time) ;
create index idx_log_201711_1 on log_201711 using btree (crt_time) ;
create index idx_log_201712_1 on log_201712 using btree (crt_time) ;
create index idx_log_201801_1 on log_201801 using btree (crt_time) ;
初始化数据
1、初始化员工层级 (0为老板，1-30为销售总监，31-3000为门店经理。)
do language plpgsql $$
declare
begin
truncate a;
insert into a select generate_series(0,3000);
update a set pid=0 where id between 1 and 30;
for i in 1..30 loop
update a set pid=i where id between 31+100*(i-1) and 31+100*i-1;
end loop;
end;
$$;
2、初始化类目
insert into c select generate_series(1,100);
3、初始化门店
insert into b select generate_series(1,500000), '', ceil(random()*100), 30+ceil(random()*(3000-30));
4、初始化设备
insert into d select generate_series(1,1000000), ceil(random()*500000);
5、生成1年订单，约3.65亿，实际写入3.78亿（每天100万比订单，90%支付，10%退款）
do language plpgsql $$
declare
s date := '2017-01-01';
e date := '2017-12-31';
begin
for x in 0..(e-s) loop
insert into log
select ceil(random()*1000000), case when random()<0.1 then 0 else 1 end, s + x + (i||' second')::interval
from generate_series(0,86399) t(i),
generate_series(1,12); -- 12是100万一天除以86400得到的，主要是方便写入测试数据。
end loop;
end;
$$;
postgres=# select count(*) from log;
count
-----------
378432001
(1 row)
6、索引（可选操作，优化项）
（建议实时数据使用btree索引，静态数据使用BRIN块级索引，静态数据删除BTREE索引。）。
例子
当订单数据成为静态历史数据时，删除静态表旧btree索引，增加如下brin索引。
create index idx_log_201701_1 on log_201701 using brin (crt_time) ;
create index idx_log_201702_1 on log_201702 using brin (crt_time) ;
create index idx_log_201703_1 on log_201703 using brin (crt_time) ;
create index idx_log_201704_1 on log_201704 using brin (crt_time) ;
create index idx_log_201705_1 on log_201705 using brin (crt_time) ;
create index idx_log_201706_1 on log_201706 using brin (crt_time) ;
create index idx_log_201707_1 on log_201707 using brin (crt_time) ;
create index idx_log_201708_1 on log_201708 using brin (crt_time) ;
create index idx_log_201709_1 on log_201709 using brin (crt_time) ;
create index idx_log_201710_1 on log_201710 using brin (crt_time) ;
create index idx_log_201711_1 on log_201711 using brin (crt_time) ;
create index idx_log_201712_1 on log_201712 using brin (crt_time) ;
create index idx_log_201801_1 on log_201801 using brin (crt_time) ;
创建必要的UDF函数
1、创建immutable函数，获取当前时间，前天，前年时间。(使用immutable函数，优化器将过滤不必查询的分区。)，如果要支持并行，设置为parallel safe.
create or replace function cdate() returns date as $$
select current_date;
$$ language sql strict immutable PARALLEL safe;
create or replace function cts(interval default '0') returns timestamp as $$
select (now() - $1)::timestamp;
$$ language sql strict immutable PARALLEL safe;
透视SQL设计
按人，查询下级所有层级，关联门店，关联设备，关联订单。
输出统计信息：
1、聚合项：
今日截止总订单，今日截止支付订单，同比昨日截止总订单，同比昨日截止支付订单
当月截止总订单，当月截止支付订单，同比上月截止总订单，同比上月截止支付订单
当年截止总订单，当年截止支付订单，同比上年截止总订单，同比上年截止支付订单
2、聚合维度：
全量，TOP
类目，TOP
门店，TOP
所有下属，TOP
所有下属，类目，TOP
所有下属，门店，TOP
门店经理，TOP
门店经理，类目，TOP
门店经理，门店，TOP
透视SQL性能指标举例
1、全量透视，32个并发，77毫秒。
select t1.cnt, t1.succ_cnt, t2.cnt, t2.succ_cnt from
(
select count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate() and cts()
) t1,
(
select count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate()-1 and cts(interval '1 day')
) t2;
cnt | succ_cnt | cnt | succ_cnt
--------+----------+--------+----------
796621 | 716974 | 796620 | 716930
(1 row)
Time: 76.697 ms
2、类目 TOP，32个并发，446毫秒。
select c.id, count(*) cnt, sum(state) succ_cnt from c
join b on (c.id=b.cid)
join d on (b.id=d.bid)
join log on (d.id=log.did)
where crt_time between cdate() and cts()
group by c.id
order by cnt desc limit 10;
id | cnt | succ_cnt
----+------+----------
39 | 8369 | 7543
70 | 8346 | 7517
64 | 8281 | 7488
13 | 8249 | 7412
29 | 8222 | 7427
3 | 8217 | 7370
90 | 8200 | 7387
79 | 8199 | 7346
71 | 8175 | 7348
75 | 8169 | 7373
(10 rows)
Time: 446.977 ms
3、我的总销量（包括所有下属），464毫秒。
这里用到了with recursive递归语法，根据当前登录用户的ID，树形查询所有下属。
with recursive tmp as (
select * from a where id=31 -- 输入我的USER ID
union all
select a.* from a join tmp on (a.pid=tmp.id)
)
select count(*) cnt, sum(state) succ_cnt from tmp
join b on (tmp.id=b.aid)
join d on (b.id=d.bid)
join log on (d.id=log.did)
where crt_time between cdate() and cts()
;
cnt | succ_cnt
-----+----------
296 | 268
(1 row)
Time: 463.970 ms
4、我的直接下属，TOP，2.6秒。
这里用到了with recursive递归语法，根据当前登录用户的ID，树形查询所有下属。
这里还用到了正则表达式，用于对直接下属进行分组聚合。得到他们的销量。
with recursive tmp as (
select id::text from a where id=0 -- 输入我的USER ID
union all
select tmp.id||'.'||a.id as id from a join tmp on (a.pid=substring(tmp.id, '([\d]+)$')::int)
)
select substring(tmp.id, '^[\d]*\.?([\d]+)'), count(*) cnt, sum(state) succ_cnt from tmp
join b on (substring(tmp.id, '([\d]+)$')::int=b.aid)
join d on (b.id=d.bid)
join log on (d.id=log.did)
where crt_time between cdate() and cts()
group by 1
order by cnt desc limit 10
;
substring | cnt | succ_cnt
-----------+-------+----------
15 | 27341 | 24615
19 | 27242 | 24500
17 | 27190 | 24481
26 | 27184 | 24481
9 | 27179 | 24466
3 | 27157 | 24323
6 | 27149 | 24481
1 | 27149 | 24402
21 | 27141 | 24473
12 | 27140 | 24439
(10 rows)
Time: 2661.556 ms (00:02.662)
5、我的所有下属(递归)，TOP，642毫秒。
这里用到了with recursive递归语法，根据当前登录用户的ID，树形查询所有下属。
with recursive tmp as (
select * from a where id=30 -- 输入我的USER ID
union all
select a.* from a join tmp on (a.pid=tmp.id)
)
select tmp.id, count(*) cnt, sum(state) succ_cnt from tmp
join b on (tmp.id=b.aid)
join d on (b.id=d.bid)
join log on (d.id=log.did)
where crt_time between cdate() and cts()
group by tmp.id
order by cnt desc limit 10
;
id | cnt | succ_cnt
------+-----+----------
2996 | 385 | 353
2969 | 339 | 301
2935 | 335 | 312
2936 | 332 | 304
2988 | 326 | 290
2986 | 321 | 295
2960 | 319 | 293
2964 | 313 | 276
2994 | 309 | 268
2975 | 308 | 276
(10 rows)
Time: 641.719 ms
五、PostgreSQL 10 方案设计2 - 极限优化
方案1的优化点分析
前面看到，虽然用了并行，实际上部分透视查询的效率并没有达到100毫秒内的响应。
主要的消耗在JOIN层面，虽然已经并行哈希JOIN了，接下来的优化方法很奇妙，可以在订单写入时，自动补齐确实的上游信息（订单所对应设备的 销售的员工ID(ltree)，类目、门店等）。
补齐信息后，就可以实现不需要JOIN的透视。
如何补齐呢？
补齐时，销售员工必须是包含所有层级关系的，因此我们选择了PostgreSQL ltree树类型来存储这个关系。
写入订单时，通过触发器，自动根据设备号补齐（用户ID(ltree)，类目、门店）
1、创建树类型
create extension ltree;
2、创建复合类型，包含树、类目、门店信息。
create type ntyp as (lt ltree, cid int, bid int);
对订单表新增补齐字段
alter table log add column addinfo ntyp;
3、创建物化视图1，存储实时员工结构。物化后，不需要再通过递归进行查询。
CREATE MATERIALIZED VIEW mv1 as
select id, (
with recursive tmp as (
select id::text as path from a where id=t.id
union all
select a.pid||'.'||tmp.path as path from a join tmp on (a.id=substring(tmp.path, '^([\d]+)')::int)
)
select * from tmp order by length(path) desc nulls last limit 1
) from a as t;
3.1、创建UK
create unique index mv1_uk1 on mv1 (id);
3.2、刷新方法，当有员工结构变化时，刷一下即可。刷新速度很快。
refresh materialized view CONCURRENTLY mv1;
4、创建物化视图2，实时设备补齐值（类目和门店ID）。物化后，通过设备号，可以直接取出类目、门店。
CREATE MATERIALIZED VIEW mv2 as
select a.id as aid, c.id as cid, b.id as bid, d.id as did from
a join b on (a.id=b.aid)
join c on (c.id=b.cid)
join d on (d.bid=b.id)
;
4.1、创建UK
create unique index mv2_uk1 on mv2(did);
4.2、增量刷新物化视图，当设备与门店、类目关系发生变化时，刷新一下即可。刷新速度很快。
refresh materialized view CONCURRENTLY mv2;
5、创建函数，通过设备号得到设备号补齐信息：（用户ID(ltree)，类目、门店）
create or replace function gen_res (vdid int) returns ntyp as $$
select (mv1.path, mv2.cid, mv2.bid)::ntyp from
mv1 join mv2 on (mv1.id=mv2.aid) where mv2.did=vdid;
$$ language sql strict;
7、对订单表创建触发器，自动补齐关系(设备->门店->类目 和 销售->层级关系)
create or replace function tg() returns trigger as $$
declare
begin
NEW.addinfo := gen_res(NEW.did);
return NEW;
end;
$$ language plpgsql strict;
create trigger tg before insert on log_201701 for each row execute procedure tg();
create trigger tg before insert on log_201702 for each row execute procedure tg();
create trigger tg before insert on log_201703 for each row execute procedure tg();
create trigger tg before insert on log_201704 for each row execute procedure tg();
create trigger tg before insert on log_201705 for each row execute procedure tg();
create trigger tg before insert on log_201706 for each row execute procedure tg();
create trigger tg before insert on log_201707 for each row execute procedure tg();
create trigger tg before insert on log_201708 for each row execute procedure tg();
create trigger tg before insert on log_201709 for each row execute procedure tg();
create trigger tg before insert on log_201710 for each row execute procedure tg();
create trigger tg before insert on log_201711 for each row execute procedure tg();
create trigger tg before insert on log_201712 for each row execute procedure tg();
create trigger tg before insert on log_201801 for each row execute procedure tg();
8、效果
postgres=# insert into log values (1,1,now());
INSERT 0 1
postgres=# select * from log_201709 where did=1;
did | state | crt_time | mod_time | addinfo
-----+-------+----------------------------+----------+-----------------------
1 | 1 | 2017-09-23 16:58:47.736402 | | (0.17.1702,60,417943)
9、老数据订正，补齐设备号补齐（用户ID(ltree)，类目、门店）为空的记录（例如某些时刻，设备号新上的，还没有刷新到MV1，MV2中）。
update log set addinfo=gen_res(did) where addinfo is null;
补齐后的数据透视（完全规避JOIN），开启并行，贼快
1、全量（不变，性能杠杠的），74毫秒。
select t1.cnt, t1.succ_cnt, t2.cnt, t2.succ_cnt from
(
select count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate() and cts()
) t1,
(
select count(*) cnt, sum(state) succ_cnt from log where crt_time between cdate()-1 and cts(interval '1 day')
) t2;
cnt | succ_cnt | cnt | succ_cnt
--------+----------+--------+----------
836965 | 753286 | 836964 | 753178
(1 row)
Time: 74.205 ms
2、类目 TOP，41毫秒。
postgres=# select (log.addinfo).cid, count(*) cnt, sum(state) succ_cnt from log
where crt_time between cdate() and cts()
group by (log.addinfo).cid
order by cnt desc limit 10;
cid | cnt | succ_cnt
-----+------+----------
70 | 8796 | 7919
39 | 8793 | 7930
64 | 8700 | 7863
13 | 8659 | 7777
29 | 8621 | 7787
71 | 8613 | 7739
79 | 8613 | 7719
3 | 8597 | 7714
75 | 8590 | 7747
90 | 8579 | 7725
(10 rows)
Time: 41.221 ms
3、我的总销量（包括所有下属），41毫秒
select count(*) cnt, sum(state) succ_cnt from log
where crt_time between cdate() and cts()
and (log.addinfo).lt ~ '*.1.*' -- 求USER ID = 1 的总销量（包括所有下属）
;
cnt | succ_cnt
-------+----------
28502 | 25627
(1 row)
Time: 41.065 ms
4、我的直接下属，TOP
BOSS 视角查看，111毫秒。
select substring(((log.addinfo).lt)::text, '\.?(0\.?[\d]*)'), -- USER ID = 0 的直接下属，请使用输入的用户ID替换
count(*) cnt, sum(state) succ_cnt from log
where crt_time between cdate() and cts()
and (log.addinfo).lt ~ '*.0.*' -- USER ID = 0，请使用输入的用户ID替换。
group by 1 -- 第一个字段为分组
order by cnt desc limit 10
;
substring | cnt | succ_cnt
-----------+-------+----------
0.19 | 28656 | 25756
0.15 | 28655 | 25792
0.26 | 28560 | 25721
0.1 | 28548 | 25668
0.9 | 28545 | 25701
0.6 | 28506 | 25706
0.12 | 28488 | 25646
0.17 | 28485 | 25652
0.21 | 28469 | 25665
0.3 | 28459 | 25486
(10 rows)
Time: 111.221 ms
一级销售经理视角，41毫秒
select substring(((log.addinfo).lt)::text, '\.?(1\.?[\d]*)'), -- USER ID = 1 的直接下属，请使用输入的用户ID替换
count(*) cnt, sum(state) succ_cnt from log
where crt_time between cdate() and cts()
and (log.addinfo).lt ~ '*.1.*' -- USER ID = 1，请使用输入的用户ID替换。
group by 1 -- 第一个字段为分组
order by cnt desc limit 10
;
substring | cnt | succ_cnt
-----------+-----+----------
1.120 | 368 | 320
1.59 | 367 | 331
1.54 | 357 | 316
1.93 | 344 | 313
1.80 | 342 | 306
1.37 | 338 | 305
1.64 | 334 | 298
1.90 | 329 | 299
1.66 | 327 | 296
1.109 | 326 | 293
(10 rows)
Time: 41.276 ms
5、我的所有下属(递归)，TOP
BOSS 视角（全体末端销售TOP），231毫秒。
select (log.addinfo).lt, -- 所有下属(递归)
count(*) cnt, sum(state) succ_cnt from log
where crt_time between cdate() and cts()
and (log.addinfo).lt ~ '*.0.*' -- USER ID = 0，请使用输入的用户ID替换。
group by 1 -- 第一个字段为分组
order by cnt desc limit 10
;
lt | cnt | succ_cnt
-----------+-----+----------
0.30.2996 | 405 | 371
0.28.2796 | 402 | 350
0.21.2093 | 393 | 347
0.3.234 | 391 | 356
0.14.1332 | 381 | 347
0.13.1283 | 381 | 344
0.19.1860 | 380 | 347
0.16.1553 | 380 | 341
0.28.2784 | 377 | 346
0.7.672 | 377 | 347
(10 rows)
Time: 230.630 ms
一级销售经理视角，41毫秒
select (log.addinfo).lt, -- 所有下属(递归)
count(*) cnt, sum(state) succ_cnt from log
where crt_time between cdate() and cts()
and (log.addinfo).lt ~ '*.1.*' -- USER ID = 1，请使用输入的用户ID替换。
group by 1 -- 第一个字段为分组
order by cnt desc limit 10
;
lt | cnt | succ_cnt
---------+-----+----------
0.1.59 | 367 | 331
0.1.120 | 367 | 320
0.1.54 | 355 | 315
0.1.93 | 344 | 313
0.1.80 | 341 | 305
0.1.37 | 338 | 305
0.1.64 | 334 | 298
0.1.90 | 328 | 298
0.1.66 | 327 | 296
0.1.109 | 325 | 293
(10 rows)
Time: 41.558 ms
补齐订单addinfo信息的好处
1、当人员结构、类目、门店发生变化时，是否需要订正订单中的（用户ID(ltree)，类目、门店）数据，请业务方决定。
2、实际上，原来的方法是有问题的，例如A经理铺设的设备，一个月后，负责人发生了变化，统计时，如果实时JOIN，那么涉及上月的订单则会挂到新的负责人头上，但是显然出现了误差。
3、感觉还是补齐后的方法更加精确，是谁的就是谁的，不会搞错（把销量搞错问题可严重了，影响人家的绩效呢。）。
六、PostgreSQL 10 小结
用到了哪些PostgreSQL数据库特性？
1、递归查询
2、并行查询
3、JOIN方法
4、继承（分区表）
5、触发器
6、复合类型
7、ltree树类型
https://www.postgresql.org/docs/9.6/static/ltree.html
七、Greenplum
Greenplum 方案1
注意前面已经提到了Greenplum的TP能力很弱，如果设备心跳实时更新、订单实时写入、实时更新，可能会扛不住压力。（目前greenplum update, delete都是锁全表的，很大的锁。）
因此在设计时需要注意，把设备更新心跳做成批量操作（例如从TP数据库，每隔几分钟导出全量到Greenplum中）。把订单的更新做成插入（通过RULE实现）。
表结构设计
create table a ( -- 员工层级信息
id int primary key, -- 编号 ID
nick name, -- 名字
pid int -- 上级 ID
) DISTRIBUTED BY(id);
create table c ( -- 类目
id int primary key, -- 类目ID
comment text -- 类目名称
) DISTRIBUTED BY(id);
create table b ( -- 终端门店
id int primary key, -- 编号
nick text, -- 名称
cid int, -- 类目
aid int -- 门店经理ID
) DISTRIBUTED BY(id);
create table d ( -- 设备
id int primary key, -- 设备编号
bid int, -- 门店编号
alive_ts timestamp -- 设备心跳时间
) DISTRIBUTED BY(id);
create table log1 ( -- 订单日志，创建订单
did int, -- 设备ID
state int2, -- 订单最终状态
crt_time timestamp, -- 订单创建时间
mod_time timestamp -- 订单修改时间
) DISTRIBUTED BY(did)
PARTITION BY range (crt_time)
(start (date '2017-01-01') inclusive end (date '2018-01-01') exclusive every (interval '1 month'));
create table log2 ( -- 订单日志，最终状态
did int, -- 设备ID
state int2, -- 订单最终状态
crt_time timestamp, -- 订单创建时间
mod_time timestamp -- 订单修改时间
) DISTRIBUTED BY(did)
PARTITION BY range (crt_time)
(start (date '2017-01-01') inclusive end (date '2018-01-01') exclusive every (interval '1 month'));
-- 创建规则，更新改成插入
create rule r1 as on update to log1 do instead insert into log2 values (NEW.*);
测试心跳表导入速度
导入100万设备数据，耗时约1秒。
date +%F%T;psql -c "copy d to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy d from stdin"; date +%F%T;
2017-09-2319:42:22
COPY 1000000
2017-09-2319:42:23
测试订单写入速度
注意所有写入操作建议改成批量操作。
批量写入约87万行/s。
date +%F%T; psql -c "copy (select did,state,crt_time,mod_time from log) to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy log1 from stdin"; date +%F%T;
2017-09-2320:04:44
COPY 378432001
2017-09-2320:12:03
数据导入
psql -c "copy a to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy a from stdin"
psql -c "copy b to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy b from stdin"
psql -c "copy c to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy c from stdin"
# psql -c "copy d to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy d from stdin"
# psql -c "copy (select * from log) to stdout"|psql -h 127.0.0.1 -p 15432 -U digoal postgres -c "copy log1 from stdin"
透视SQL测试
1、全量透视，610毫秒。
select t1.cnt, t1.succ_cnt, t2.cnt, t2.succ_cnt from
(
select count(*) cnt, sum(state) succ_cnt from log1 where crt_time between cdate() and cts(interval '0')
) t1,
(
select count(*) cnt, sum(state) succ_cnt from log1 where crt_time between cdate()-1 and cts(interval '1 day')
) t2;
cnt | succ_cnt | cnt | succ_cnt
--------+----------+--------+----------
876301 | 788787 | 876300 | 788564
(1 row)
Time: 609.801 ms
2、类目 TOP，219毫秒。
select c.id, count(*) cnt, sum(state) succ_cnt from c
join b on (c.id=b.cid)
join d on (b.id=d.bid)
join log1 on (d.id=log1.did)
where crt_time between cdate() and cts(interval '0')
group by c.id
order by cnt desc limit 10;
id | cnt | succ_cnt
----+------+----------
70 | 9220 | 8311
39 | 9197 | 8303
64 | 9096 | 8220
79 | 9034 | 8095
13 | 9033 | 8114
29 | 9033 | 8151
75 | 9033 | 8148
3 | 9005 | 8084
71 | 9002 | 8098
90 | 8974 | 8079
(10 rows)
Time: 218.695 ms
3、我的总销量（包括所有下属），208毫秒。
返回所有下属以及当前用户ID。
create or replace function find_low(int) returns int[] as $$
declare
res int[] := array[$1];
tmp int[] := res;
begin
loop
select array_agg(id) into tmp from a where pid = any (tmp);
res := array_cat(res,tmp);
if tmp is null then
exit;
end if;
end loop;
return res;
end;
$$ language plpgsql strict;
select count(*) cnt, sum(state) succ_cnt from
(select unnest(find_low(31)) as id) as tmp
join b on (tmp.id=b.aid)
join d on (b.id=d.bid)
join log1 on (d.id=log1.did)
where crt_time between cdate() and cts(interval '0')
;
cnt | succ_cnt
-----+----------
342 | 312
(1 row)
Time: 208.585 ms
4、我的直接下属，TOP。
Greenplum 暂不支持递归语法，需要自定义UDF实现。
5、我的所有下属(递归)，TOP。
Greenplum 暂不支持递归语法，需要自定义UDF实现。
Greenplum 方案2
与PostgreSQL 方案2一样，将“设备对应门店、类目、销售、销售以及他的所有上级”的数据物化。
准备工作：
1、新增字段
alter table log1 add column aid int;
alter table log1 add column path text;
alter table log1 add column cid int;
alter table log1 add column bid int;
alter table log2 add column aid int;
alter table log2 add column path text;
alter table log2 add column cid int;
alter table log2 add column bid int;
2、修改之前定义的rule，业务的更新转换为INSERT，批量订单补齐的更新操作不转换。
drop rule r1 on log1;
create rule r1 as on update to log1 where (NEW.aid is null) do instead insert into log2 values (NEW.*);
物化
1、物化视图1：设备 -> 门店 -> 类目 -> 销售
创建物化视图mv1：
create table mv1 (did int, bid int, cid int, aid int) distributed by (did);
create index idx_mv1_did on mv1(did);
初始化物化视图mv1：
insert into mv1
select d.id as did, b.id as bid, c.id as cid, a.id as aid from d join b on (d.bid=b.id) join c on (b.cid=c.id) join a on (a.id=b.aid);
刷新物化视图mv1：
begin;
update mv1 set bid=t1.bid , cid=t1.cid , aid=t1.aid
from
(
select d.id as did, b.id as bid, c.id as cid, a.id as aid from d join b on (d.bid=b.id) join c on (b.cid=c.id) join a on (a.id=b.aid)
) t1
where mv1.did=t1.did and (t1.bid<>mv1.bid or t1.cid<>mv1.cid or t1.aid<>mv1.aid);
insert into mv1
select t1.* from
(
select d.id as did, b.id as bid, c.id as cid, a.id as aid from d join b on (d.bid=b.id) join c on (b.cid=c.id) join a on (a.id=b.aid)
) t1
left join mv1 on (t1.did=mv1.did) where mv1.* is null;
end;
vacuum mv1;
2、物化视图2：销售 -> 销售以及他的所有上级
创建返回 销售以及他的所有上级 的函数
create or replace function find_high(int) returns text as $$
declare
res text := $1;
tmp text := res;
begin
loop
select pid into tmp from a where id = tmp::int;
if tmp is null then
exit;
end if;
res := tmp||'.'||res;
end loop;
return res;
end;
$$ language plpgsql strict;
没有递归语法，Greenplum的函数调用效率并不高：
postgres=# select find_high(id) from generate_series(100,110) t(id);
find_high
-----------
0.1.100
0.1.101
0.1.102
0.1.103
0.1.104
0.1.105
0.1.106
0.1.107
0.1.108
0.1.109
0.1.110
(11 rows)
Time: 1472.435 ms
同样的操作，在PostgreSQL里面只需要0.5毫秒：
postgres=# select find_high(id) from generate_series(100,110) t(id);
find_high
-----------
0.1.100
0.1.101
0.1.102
0.1.103
0.1.104
0.1.105
0.1.106
0.1.107
0.1.108
0.1.109
0.1.110
(11 rows)
Time: 0.524 ms
验证
postgres=# select find_high(1);
find_high
-----------
0.1
(1 row)
postgres=# select find_high(0);
find_high
-----------
0
(1 row)
postgres=# select find_high(100);
find_high
-----------
0.1.100
(1 row)
创建物化视图mv2
create table mv2 (aid int, path text) distributed by (aid);
create index idx_mv2_did on mv2(aid);
初始化、刷新物化视图mv2
-- GP不支持这样的操作，本来就简单了：insert into mv2 select id, find_high(id) from a;
postgres=# select id, find_high(id) from a;
ERROR: function cannot execute on segment because it accesses relation "postgres.a" (functions.c:155) (seg1 slice1 tb2a07543.sqa.tbc:25433 pid=106586) (cdbdisp.c:1328)
DETAIL:
SQL statement "select pid from a where id = $1 "
PL/pgSQL function "find_high" line 7 at SQL statement
创建函数
create or replace function refresh_mv2() returns void as $$
declare
aid int[];
begin
select array_agg(id) into aid from a;
delete from mv2;
insert into mv2 select id, find_high(id) from unnest(aid) t(id);
end;
$$ language plpgsql strict;
调用函数刷新mv2，时间基本无法接受。
select refresh_mv2();
PS：建议程序生成这部分员工树型结构数据。再插入到GPDB中。因为总共才3001条。或者你可以在PostgreSQL中生成，PG实在太方便了。
修正订单
调度任务，批量更新：
update log1 set aid=t1.aid, path=t1.path, cid=t1.cid, bid=t1.bid
from
(
select did, bid, cid, mv1.aid, mv2.path from mv1 join mv2 on (mv1.aid=mv2.aid)
) t1
where log1.did=t1.did and log1.aid is null;
UPDATE 378432001
update log2 set aid=t1.aid, path=t1.path, cid=t1.cid, bid=t1.bid
from
(
select did, bid, cid, mv1.aid, mv2.path from mv1 join mv2 on (mv1.aid=mv2.aid)
) t1
where log2.did=t1.did and log2.aid is null;
UPDATE 378432001
透视查询
1、全量透视，205毫秒。
select t1.cnt, t1.succ_cnt, t2.cnt, t2.succ_cnt from
(
select count(*) cnt, sum(state) succ_cnt from log1 where crt_time between cdate() and cts(interval '0')
) t1,
(
select count(*) cnt, sum(state) succ_cnt from log1 where crt_time between cdate()-1 and cts(interval '1 day')
) t2;
cnt | succ_cnt | cnt | succ_cnt
--------+----------+--------+----------
480228 | 432151 | 480228 | 432205
(1 row)
Time: 205.436 ms
2、类目 TOP，254毫秒。
select c.id, count(*) cnt, sum(state) succ_cnt from c
join b on (c.id=b.cid)
join d on (b.id=d.bid)
join log1 on (d.id=log1.did)
where crt_time between cdate() and cts(interval '0')
group by c.id
order by cnt desc limit 10;
id | cnt | succ_cnt
----+------+----------
64 | 5052 | 4555
29 | 4986 | 4483
34 | 4982 | 4509
70 | 4968 | 4466
71 | 4964 | 4491
5 | 4953 | 4474
79 | 4937 | 4454
63 | 4936 | 4420
66 | 4934 | 4436
18 | 4922 | 4417
(10 rows)
Time: 254.007 ms
3、我的总销量（包括所有下属），110毫秒。
select count(*) cnt, sum(state) succ_cnt from log1
where crt_time between cdate() and cts(interval '0')
and (path like '1.%' or path like '%.1' or path like '%.1.%') -- 求USER ID = 1 的总销量（包括所有下属）
;
cnt | succ_cnt
-------+----------
16605 | 14964
(1 row)
Time: 110.396 ms
4、我的直接下属，TOP。
BOSS 视角查看，180毫秒。
set escape_string_warning TO off;
select substring(path, '\.?(0\.?[0-9]*)'), -- USER ID = 0 的直接下属，请使用输入的用户ID替换
count(*) cnt, sum(state) succ_cnt from log1
where crt_time between cdate() and cts(interval '0')
and (path like '0.%' or path like '%.0' or path like '%.0.%') -- USER ID = 0，请使用输入的用户ID替换。
group by 1 -- 第一个字段为分组
order by cnt desc limit 10
;
substring | cnt | succ_cnt
-----------+-------+----------
0.3 | 17014 | 15214
0.15 | 17006 | 15285
0.11 | 16958 | 15285
0.22 | 16901 | 15231
0.19 | 16887 | 15217
0.21 | 16861 | 15160
0.6 | 16841 | 15075
0.9 | 16831 | 15123
0.26 | 16787 | 15060
0.14 | 16777 | 15048
(10 rows)
Time: 179.950 ms
一级销售经理视角，176毫秒
select substring(path, '\.?(1\.?[0-9]*)'), -- USER ID = 1 的直接下属，请使用输入的用户ID替换
count(*) cnt, sum(state) succ_cnt from log1
where crt_time between cdate() and cts(interval '0')
and (path like '1.%' or path like '%.1' or path like '%.1.%') -- USER ID = 1，请使用输入的用户ID替换。
group by 1 -- 第一个字段为分组
order by cnt desc limit 10
;
substring | cnt | succ_cnt
-----------+-----+----------
1.120 | 222 | 202
1.54 | 218 | 193
1.92 | 217 | 192
1.51 | 209 | 187
1.93 | 206 | 181
1.53 | 203 | 182
1.59 | 203 | 187
1.37 | 202 | 188
1.82 | 197 | 177
1.66 | 196 | 180
(10 rows)
Time: 176.298 ms
5、我的所有下属(递归)，TOP。
BOSS 视角（全体末端销售TOP），155毫秒。
select path, -- 所有下属(递归)
count(*) cnt, sum(state) succ_cnt from log1
where crt_time between cdate() and cts(interval '0')
and (path like '0.%' or path like '%.0' or path like '%.0.%') -- USER ID = 0，请使用输入的用户ID替换。
group by 1 -- 第一个字段为分组
order by cnt desc limit 10
;
path | cnt | succ_cnt
-----------+-----+----------
0.5.482 | 261 | 229
0.28.2796 | 248 | 229
0.24.2348 | 242 | 225
0.13.1318 | 240 | 213
0.21.2093 | 237 | 211
0.26.2557 | 235 | 210
0.4.346 | 233 | 205
0.30.2935 | 231 | 214
0.14.1332 | 229 | 205
0.26.2620 | 229 | 204
(10 rows)
Time: 155.268 ms
一级销售经理视角，151毫秒
select path, -- 所有下属(递归)
count(*) cnt, sum(state) succ_cnt from log1
where crt_time between cdate() and cts(interval '0')
and (path like '1.%' or path like '%.1' or path like '%.1.%') -- USER ID = 1，请使用输入的用户ID替换。
group by 1 -- 第一个字段为分组
order by cnt desc limit 10
;
path | cnt | succ_cnt
---------+-----+----------
0.1.120 | 222 | 202
0.1.92 | 218 | 193
0.1.54 | 218 | 193
0.1.51 | 209 | 187
0.1.93 | 207 | 182
0.1.59 | 204 | 187
0.1.53 | 203 | 182
0.1.37 | 202 | 188
0.1.82 | 198 | 178
0.1.66 | 196 | 180
(10 rows)
Time: 150.883 ms
八、Greenplum 小结
1、使用Greenplum需要注意数据倾斜的问题，所以在分布键的选择上请参考:
《分布式DB(Greenplum)中数据倾斜的原因和解法 - 阿里云HybridDB for PostgreSQL最佳实践》
2、Greenplum暂时还没有支持递归语法，因此需要使用UDF来实现类似求所有下级、或者补齐所有上级等操作的功能。
3、Greenplum的方案二。重点是物化视图、补齐（实际上不在订单中补齐也没关系，只要生成一张 （设备号->门店->类目和员工层级关系） 的表即可，查询起来就会方便很多。
4、Greenplum的delete和update操作会锁全表，堵塞其他该表的insert、delete、update操作。不堵塞查询。需要特别注意。
5、订单补齐采用批量更新的方式。
九、小结
对于本例，建议还是使用PostgreSQL 10（特别是将来量要往100 TB这个量级发展的时候，迁移到PolarDB for PostgreSQL会特别方便，完全兼容。）。性能方面，TP和AP都满足需求。功能方面也完全满足需求，而且有很多可以利用的特性来提升用户体验：
如果要使用Greenplum(HybridDB for PostgreSQL)的方案，那么建议依旧使用类似PostgreSQL 10方案2的设计方法（订单补齐使用规则实现、或者批量更新实现）。
1、递归查询，用于检索树形结构的数据，例如员工层级，图式搜索等。
2、并行查询，可以有效利用多个CPU的能力，类似游戏中的放大招，加速查询。
3、JOIN方法，有hash, merge, nestloop等多种JOIN方法，可以处理任意复杂的JOIN。
4、继承（分区表），订单按时间分区。
5、触发器，用于实现订单自动补齐。
6、复合类型，补齐 “设备->门店->类目和员工层级”的信息。
7、ltree树类型，存储完成的员工上下级关系。
https://www.postgresql.org/docs/9.6/static/ltree.htm
8、物化视图，用在将员工等级进行了补齐。一键刷新，不需要业务处理复杂的人事变动逻辑。同时也便于透视分析语句的实现。
9、正则表达式，用在了ltree的正则匹配上，例如按直接下属分组聚合，按当前登录用户组分组聚合等。
10、以及本方案中没有用到的诸多特性（例如SQL流计算，oss_ext对象存储外部表 等）。
接下来阿里云会推出PolarDB for PostgreSQL，100TB 级，共享存储，一写多读架构。对标AWSAurora与Oracle RAC。
11、本例三种方案(同等硬件资源, 32C)的实时透视QUERY性能对比：
| 方案 | 用例 | 响应时间 |
|---|---|---|
| PostgreSQL 10 方案1 | 全量透视 | 77 毫秒 |
| PostgreSQL 10 方案1 | 类目 TOP | 446 毫秒 |
| PostgreSQL 10 方案1 | 我的总销量（包括所有下属） | 464 毫秒 |
| PostgreSQL 10 方案1 | 我的直接下属，TOP | 2.6 秒 |
| PostgreSQL 10 方案1 | 我的所有下属(递归)，TOP | 642 毫秒 |
| PostgreSQL 10 方案2 | 全量透视 | 74 毫秒 |
| PostgreSQL 10 方案2 | 类目 TOP | 41 毫秒 |
| PostgreSQL 10 方案2 | 我的总销量（包括所有下属） | 41 毫秒 |
| PostgreSQL 10 方案2 | 我的直接下属，TOP | 41 毫秒 |
| PostgreSQL 10 方案2 | 我的所有下属(递归)，TOP | 41 毫秒 |
| Greenplum 方案1 | 全量透视 | 610 毫秒 |
| Greenplum 方案1 | 类目 TOP | 219 毫秒 |
| Greenplum 方案1 | 我的总销量（包括所有下属） | 208 毫秒 |
| Greenplum 方案1 | 我的直接下属，TOP | 不支持递归、未测试 |
| Greenplum 方案1 | 我的所有下属(递归)，TOP | 不支持递归、未测试 |
| Greenplum 方案2 | 全量透视 | 205 毫秒 |
| Greenplum 方案2 | 类目 TOP | 254 毫秒 |
| Greenplum 方案2 | 我的总销量（包括所有下属） | 110 毫秒 |
| Greenplum 方案2 | 我的直接下属，TOP | 176 毫秒 |
| Greenplum 方案2 | 我的所有下属(递归)，TOP | 151 毫秒 |
12、Greenplum和PostgreSQL两个产品的差异、如何选型可以参考：
《空间|时间|对象 圈人 + 透视 - 暨PostgreSQL 10与Greenplum的对比和选择》
章节：Greenplum和PostgreSQL两个产品的特色和选择指导。
13、月与年的数据，由于时效性没有日的高，所以可以按天为单位进行统计并存放结果，不需要实时查询。需要查询时查询统计结果即可。
