简单更新过程

无论怎么做数据合并，都是对数据的修改，即Update、Delete、Insert、Copy等操作。我们先要了解一下HybridDB中的数据更新过程。我们以用户发起一次Update操作为例（对列存表单行记录的更新），整个流程如下图所示。

其中的步骤说明如下：

  1. 用户把Update的SQL请求发送到主节点；

  2. 主节点发起分布式事务，并对被Update的表加锁（HybridDB不允许并行的Update同一张表），然后把更新请求分发到对应的子节点。

  3. 子节点通过索引扫描，定位到要更新的数据，并更新数据。对于列存表，更新逻辑其实就是删除旧的数据行，并在表的尾端写入新的数据行。（列存表）被更新的数据页面会写入内存缓存区，对应的表文件长度的变化（因为尾端写入了数据，所以数据表对应的文件长度增大了）会写入日志（xlog文件）。

  4. 在Update命令结束前，内存中的被更新的数据页面和xlog日志，都要同步到Mirror节点。同步完成后，主节点结束分布式事务，返回用户执行成功的消息。

  • 尽量把更新放到一个SQL语句，减少语句解析、节点通信、数据同步等开销；

  • 尽量把更新放到一个事务，避免不必要的事务开销。

简而言之，就是数据的合并和更新，尽量以”成批“的形式进行。下面我们看看，如何批量的做数据更新。

假如我们要Update很多独立数据行，怎么才能用一个SQL来实现呢？

我们假设有张表target_table需要做更新（称为目标表），这张表的定义如下。一般目标表都非常大，这里我们往target_table里面插入1千万数据。为了能快速更新，target_table上要有索引。这里我们定义了primary key，会隐含的创建一个唯一值索引（unique index）。

为了做批量的Update，需要用到中间表（Stage Table），其实就是为了更新数据临时创建的表。为了更新target_table的数据，可以先把新数据插入到中间表source_table中。然后，把新数据通过、OSS外部表等方式导入到source_table。这里为简单起见，我们直接插入一些数据。

source_table数据准备好后，执行下面的update set … from … where ..语句，即可实现批量的Update。注意，为了最大限度的使用到索引，在执行Update前，要使用set opitimzer=on启用ORCA优化器（如果不启用ORCA优化器，则需要执行set enable_nestloop = on才能使用到索引）。

  2. set optimizer=on;
  4. update target_table set c2 = source_table.c2 from source_table where target_table.c1= source_table.c1;

可以看到，HybridDB“聪明”的选择了索引。但是，如果往source_table里面加入更多数据，优化器会认为使用Nest Loop关联方法+索引扫描，不如不使用索引高效，而是会选取Hash关联方法+表扫描方式执行。例如：

  1. postgres=> insert into source_table select generate_series(1, 1000), generate_series(1,1000);
  2. INSERT 0 1000
  4. ANALYZE
  5. postgres=> explain update target_table set c2 = source_table.c2 from source_table where target_table.c1= source_table.c1;
  6.                                               QUERY PLAN
  7. ------------------------------------------------------------------------------------------------------
  8.  Update  (cost=0.00..1485.82 rows=275 width=1)
  9.    ->  Result  (cost=0.00..1429.96 rows=550 width=26)
  10.          ->  Assert  (cost=0.00..1429.94 rows=550 width=22)
  11.                ->  Split  (cost=0.00..1429.93 rows=550 width=22)
  12.                      ->  Hash Join  (cost=0.00..1429.92 rows=275 width=18)
  13.                            Hash Cond: public.target_table.c1 = source_table.c1
  15.                            ->  Hash  (cost=431.01..431.01 rows=275 width=8)
  16.                                  ->  Table Scan on source_table  (cost=0.00..431.01 rows=275 width=8)

上述批量的Update方式，减少了SQL编译、节点间通信、事务等开销，可以大大提升数据更新性能并减少对资源的消耗。

批量Delete

对于Delete操作，采用和上述批量Update类似的中间表，然后使用下面的带有“Using”子句的Delete来实现批量删除：

  1. delete from target_table using source_table where target_table.c1 = source_table.c1;

可以看到，这种批量的Delete同样使用了索引。

回到本文刚开始的问题，如何实现批量的数据合并？做数据合并时，我们先把待合入的数据放入中间表中。如果我们预先知道待合入的数据，在目标表中都已经有对应的数据行，即我们通过Update语句即可实现数据合入。但多数情况下，待合入的数据中，一部分是在目标表中已存在记录的数据，还有一部分是新增的，目标表中没有对应记录。这时候，使用一次批量的Delete + 一次批量的Insert即可：

  1. set optimizer=on;
  3. delete from target_table using source_table where target_table.c1 = source_table.c1;
  5. insert into target_table select * from source_table;

利用Values()表达式做实时更新

使用中间表，需要维护中间表生命周期。有的用户想实时的批量更新数据到HybridDB，即持续性的同步数据或合并数据到HybridDB。如果采用上面的方法，需要反复的创建、删除（或Truncate）中间表。其实，可以利用Values表达式，达到类似中间表的效果，但不用维护表。方法是先将待更新的数据拼成一个Values表达式，然后按如下方式执行Update或Delete：

  1. update target_table set c2 = t.c2 from (values(1,1),(2,2),(3,3),…(2000,2000)) as t(c1,c2) where target_table.c1=t.c1

注意，使用或set enable_nestloop=on;都可以生成使用索引的查询计划。比较复杂的情形，比如索引字段有多个、涉及分区表等，必须要使用ORCA优化器才能匹配上索引。