选择分布键

分布表的分布键选择至关重要，如果分布键选择不当，可能会导致数据倾斜，从而导致查询时，I/O负载集中在部分DN上，影响整体查询性能。因此，在确定分布表的分布策略之后，需要对表数据进行倾斜性检查，以确保数据的均匀分布。分布键的选择一般需要遵循以下原则：

• 【建议】选作分布键的字段取值应该比较离散，以便数据能在各个DN上均匀分布。当单个字段无法满足离散条件时，可以考虑使用多个字段一起作为分布键。一般情况下，可以考虑选择表的主键作为分布键。例如，在人员信息表中选择证件号码作为分布键。
• 【建议】在满足第一条原则的情况下，尽量不要选取在查询中存在常量过滤条件的字段作为分布键。例如，在表dwcjk相关的查询中，字段zqdh存在常量过滤条件“zqdh='000001'”，那么尽量不选择zqdh字段作为分布键。
• 【建议】在满足前两条原则的情况，尽量选择查询中的关联条件为分布键。当关联条件作为分布键时，join任务的相关数据都分布在DN本地，将极大减少DN之间的数据流动代价。
• 【建议】分布键不建议超过3列，列数过多将带来较高的计算开销。
• 【规则】合理设计分布键，既考虑查询开发的便利性，又要考虑数据的均匀存储，避免数据倾斜和读热点。
  1. 应使用取值较为离散的字段作为分布键，以便数据能够均匀分布到各个DN中。
  2. 在满足条件1情况下，存在常量过滤的字段不建议成为分布键，否则会使得所有的查询任务都会分发到唯一固定的DN上。
  3. 在满足条件1和2原则下，尽量选择查询中的关联条件作为分布键，这样可保证JOIN任务的相关数据分布在相同的DN上，减少DN间数据的流动代价。

  表2 常见的分布键及效果

  分布键值	分布键分布均匀性
  用户 ID，应用程序中有许多用户。	好
  状态代码，只有几个可用的状态代码。	差
  项目创建日期，四舍五入至最近的时间段 （例如，天、小时或分钟）。	差
  设备 ID，每个设备以相对类似的间隔访问数据.	好
  设备 ID，被跟踪的设备有很多，但到现在为止，其中某个设备比其他所有设备更加常用。	差

• 【规则】分布键使用的列长度不易超过128，过长会带来较高的计算开销。
• 【规则】分布键值一旦插入不允许更新（UPDATE），如需更新需删除后插入。