标签：

第二章 数据组织

　　在数据的组织结构设计上，Laxcus严格遵循数据和数据描述分离的原则，这个理念与关系数据库完全一致。在此基础上，为了保证大规模数据存取和计算的需要，我们设计了大量新的数据处理技术。同时出于兼顾用户使用习惯和简化数据处理的目的，继续沿用了一些关系数据库的设计和定义，其中不乏对SQL做适量的修订。在这些变化中，核心仍然是以关系代数的理念去处理数据，以及类自然语言风格的数据描述。所以用户在使用体验上，和关系数据库相比，不会感觉到有太多的差异。

　　本章将介绍Laxcus数据结构的组成，并对其中的一些修订和修订原因做出说明。

2.1 基础

　　Laxcus沿袭了关系数据库的用户模型、逻辑模型、存储模型的三层结构。对于逻辑模型，遵循用户账号、数据库、表的结构序列，即用户账号下可以建立多个数据库，数据库下可以建立多个表，在表之下是数据文件。因为Laxcus的多集群架构，支持表跨节点跨集群存在。在逻辑描述上，表是行的集合，行由多列构成，每一列对应一个数据值。实体的行，最多容纳32767列（0x7FFF），这个尺寸足以满足各种数据应用需要。在列的基础上，可以建立索引，通过索引实现对表的快速检索。用户的配置数据经过加密后，会保存到Top节点的数据字典里。

　　在兼容SQL方面，SQL的管理控制语句、数据定义语句、数据操作语句，以及运算符、关键字、大部分SQL函数，被完整继承下来。用户依然可以按照SQL标准进行操作。被支持的还有“空值”，包括NULL和EMPTY。二者的区别是，NULL表示数据值未定义或者不知道，适用于所有数据类型；EMPTY只用在字符或者字节数组上，表示数据值确定且是0长度。做为SQL核心的4个操作语句也得到支持，并在此基础上扩展了SELECT嵌套语句、ORDER BY、GROUP BY子句，另外也可以使用LIKE关键字进行模糊检索。

表2.1.1 管理语句

表2.1.2 数据定义语句

表2.1.3 数据操作语句

表2.1.4 运算符

2.2 数据类型

　　目前各种关系数据库上的数据类型，因为产品和版本原因，数量也不尽相同。在实际应用中，最常用到的大约10余个。根据这种现状，我们在设计数据类型时做了简化处理，取消了其中大部分比较少用的数据类型，保留了一批基础数据类型，另外考虑到网络应用需求，新增加了一批数据类型，同时对某些数据类型进行了合并，最后把它们分为两大类：固定长的数值类型、可变长的数组类型。见表2.2所示。数值类型在不同操作系统平台上都是统一的，数组类型的长度范围在0 - 2G字节之间，可以随输入数据自动调整，这个尺寸足以容纳当前各种文本、图片、视频、音频等多媒体内容。因为这个尺寸对用户来说已经足够大，用户在输入数据时，可以忽略列长度问题。在字符选择上，为了适用于多语言的混合环境，字符类型内码统一采用Unicode编码，因此就避免了乱码现象。Laxcus字符定义是，单字节的Char对应UTF8编码，双字节的WChar对应UTF16 Big Endian编码，四字节的HChar对应UTF32编码。用户在设计表的时候可以根据需要选择。例如英文环境应该使用Char，东亚语系内码和西里尔文字都是双字节，采用WChar更合适。

表2.2 数据类型

2.3 全局数据库

　　在Laxcus大数据系统里，数据库被定义成“全局”的。这个“全局”意味着每一个数据库的名称，在整个主域集群里都是唯一的，不允许出现重叠现象，即使分属两个用户也不可以。比如,当A用户建立一个名为“Product”的数据库后，B用户再建立“Product”数据库将被系统拒绝。

　　采用全局数据库是出于简化系统设计和减少操作环节的考量。这样节点在运行过程中，因为数据库不存在同名歧义的可能性，系统可以很容易判断每一个数据库和用户的对应关系，可以减少许多不必要的作业流程。

2.4 跨数据库操作

　　我们在进行数据结构规划设计时，经常需要定义一个或者几个数据库，再这些数据库之下，又定义不同需求的表，然后录入不同性质的数据。同时，我们还需要设置一些公共参数，把它们放在一个或者几个表里，为了便于管理和使用，又常常希望放在一个数据库里，在数据处理时，可以给分散在不同数据库下的数据表共同使用。

　　出于这样的考虑，Laxcus大数据系统支持跨数据库的数据表操作。这样就形成了在一个用户账号下，在数据操作时，所有表与表之间，不用事先声明，就可以实现完全的互通互调用。在精简了系统设计和集中数据资源的同时，也减少了数据处理过程中很多不必要的麻烦，方便了用户快速处理数据，提高了数据处理的灵活性和效率。 

　　在实际应用中，这项功能对数据检索非常有利，诸如连接查询 (Join)和嵌套查询（Sub select）这样的操作。跨数据库操作不会出现数据混乱，因为它们都要接受Aid节点的管理，被Aid节点有序地按照所属条件分别执行。

2.5 固定表

　　在关系数据库里，表结构是可以随时修改变化的，但是在Laxcus，这项功能被停止使用，表结构一旦定义禁止修改。禁止的原因在于大数据所处的现实环境。试想一下，在一个由上千台计算机组成的集群环境里，如果允许修改表结构，会有什么反应？所有正在运行和关联的任务将被迫停止，新的任务将转入队列中堆积和等待；全部数据内容将按照新的表结构重新组织和排列。这种变化和等待的过程，是任何一个大数据集群所不能承受的。囿于这种现实情况，Laxcus规定，表的结构一旦正式确定不允许修改。

　　由于表的不可修改，同时被改变的还有对索引的定义。按照SQL规范，“CREATE INDEX”是在“CREATE TABLE”之后进行的操作。现在将它们合并到一起，在定义列的时候，指定这个列是否成为索引。

　　对索引的解释，Laxcus也做了调整。新的规定是，一个表中只能有一个列成为主索引（Prime Index）和任意多个列的副索引（Slave Index）。副索引概念与SQL没有差别，主索引除了具有副索引的功能，主要用于指示数据排列位置，即将有相同值的列组织到一起。例外的是，对于列存储模型，所有列成员，即使用户不定义索引，其列值也能够自动做为索引使用，同时不增加磁盘和内容开销。但是两种存储模型都需要定义一个主索引，因为涉及到数据内容在磁盘和内存上的排列。

　　另外，为适应大数据处理需要，在建表命令中增加了一批新的内容，这些参数主要在“Create Table”和“数据库名.表名”之间声明，列声明中也有新的定义。这些参数都是可选的，不声明的时候，系统将使用默认值。请参见图2.5和表2.5。

图2.5 数据库建表命令语句

表2.5 数据库建表关键字

2.6 取消视图

　　在SQL的定义中，视图是一个虚拟表，是对实体表和其它视图的关联和映射，做为一个数据描述存在于系统中，被视为用户和实体表之间的过渡而存在。视图具有向用户屏蔽实体表数据结构的作用，也具有在改变表数据结构时，不用改变上层描述的能力。只是在数据处理时，视图才将数据操作重新定位到实体表上，然后向用户返回经过它处理重组后的新的数据集合。

　　如果遵守SQL这套定义，把视图转移到大数据环境，它在处理海量数据时，就要进行视图和表之间的关联和转换，这无疑将增加运行开销，降低处理效率，同时也加大了系统设计难度，与我们追求简单、快捷的设计初衷相悖。另外Laxcus为取代视图提供了一套新的技术方案：数据构建。这项技术提供了对一个表或者多个表的分析、组合能力，并且具有比视图更大的灵活性和高效率。另外一个更重要的原因是：在Laxcus体系里，用户、数据之间的概念和关系已经与关系数据库大不一样，关系数据库提供视图的初衷是向部分用户屏蔽表数据结构，或者改变表数据结构而不用改变上层表述，而Laxcus的用户拥有对自己数据的全部管理权和使用权，表的数据结构也是固定的，这样的设计如果移植到Laxcus显然有悖常理。鉴于这些原因，综合比较之后，Laxcus取消了视图。

2.7 带Where子句的Select检索

　　在关系数据库上，SELECT检索不带WHERE语句将返回表下的全部记录。按此推理，计算机集群上的操作也应该返回一样的结果，但是这样的操作转移大数据环境下，面对巨大的数据压力将导致灾难性的后果：计算机会因为瞬间暴发的庞大数据量，在还来不及处理时，就造成内存溢出和软件系统崩溃；网络也会因为这些瞬间涌现的巨大流量，出现数据风暴，造成网络阻塞。接下来的可能是大面积故障和连带的波及影响扩大化，造成整个集群的故障，从而被迫中断数据处理业务,造成不可挽回的损失。这种情况显然是不可接受的。另外，在现实的应用环境里，全网络全数据的检索操作其实并没有太多实际意义。

　　因为上述原因，Laxcus对数据检索提出这样的规定，基本的数据检索操作必须是“SELECT-FROM-WHERE”语句块，否则将视为非法，拒绝执行。这项检查工作将在Front节点上分析执行，然后在集群里还有进一步的判断。

2.8 数组列的压缩和加密

　　我们在使用很多网络应用的时候，经常会在其中保存一些敏感和关键的内容，比如银行卡密码、电子邮件账号、手机电话、家庭地址等私密性很强的信息。这些信息，通常是不希望被别人知道的，包括网络管理人员。还有一些内容，例如像网页或者文档这样的文本数据，通常会很长，如果采用明文的方式保存会占用大量磁盘空间，将其压缩再保存就能有效减少空间占用量，况且文本数据的压缩比率都是非常高的。

　　Laxcus提供了这样一个选项，能够对这类信息进行加密和压缩。见图2.5和表2.5，这里对格式进行说明。“Packing”是对数组列内容进行压缩和加密的关键字。压缩和加密可以同时声明，也可以任选其一声明，如果只声明其中一种，要去掉连接它们的“AND”关键字。做加密声明时，同时需要提供密码。密码可以是任何语种的和不定长的字符串，在建表时会转换为UTF8码保存。压缩和加密的算法名称是固定的，已经支持的压缩算法有：GZIP、ZIP，以及加密算法：AES、DES、3DES、BLOWFISH。

　　数组列的压缩和加密由用户定义，在建表时输入。在此后的处理过程中，算法和密码也只对用户可见。

　　特别声明：无论数组列是否被压缩和加密，都不影响其做为索引的使用。

2.9 事务 

　　事务在2.0版本是一个重要的模块，以管理器的形式运行在Aid站点上。所有数据处理工作都被默认要求执行事务处理流程。就是它们在执行数据操作前，需要通过事务管理器的审核才能实施。事务申请是一个同步串行操作过程，采用队列的“先到先得”原则，总是由排在最前面的申请获得优先使用权。申请成功后的事务会被记录到管理器队列，作为后续事务申请时的判断比较依据，直到它的数据处理工作完成后，才从管理器队列中撤销。没有申请成功的事务将被挂起，直到前面的事务从队列中撤销后才被唤醒。

　　我们在兼顾大数据并发效率、平衡事务申请要求、保证事务操作精度这几个方面需求考虑下，按照事务操作范围，把事务分为三种类型：用户型事务、数据库型事务、表型事务。用户型事务拥有操纵账号下全部资源的权力，数据库事务可以操作一个或者几个数据库以及下属全部表，表事务只能操作一个或者几个具体的表。三种事务在管理器上的地位是平等的，没有隶属关系。使它们产生关联的是它们所绑定的资源，这是决定一个事务能够获得申请通过、还是被拒绝挂起的依据。

　　事务另外一个属性是操作状态。事务操作状态被分成“读”和“写”两种。任何一个"写“事务生效，即表示和它关联的资源对象被锁定，不允许再申请，直到这个事务完成，这些资源被解锁，后续“写”申请才能生效。如果是“读”操作事务生效，被关联的资源只做标记，供后续所有事务参考，其它“写”事务仍然拥有锁定这些资源的权力。

　　综上所述，结合图2.9，在系统运行过程中，事务申请按照如下规则处理：

　　1.所有类型的"读"事务都可以共享存在。

　　2.如果队列都是“读”事务，后续一个“写”事务可以获得批准。

　　3.如果队列中有“写”事务，后续一个“写”事务只要不与它们存在资源冲突，就可以获得批准，否则被拒绝挂起。

　　4.为了进一步提高数据库事务和表事务的并发效率，在它们之间有一个“数据库名称”比较。当这样的两个"写“事务发生”数据库名称“冲突时，后续“写”事务被挂起，即同名互斥。

　　5.如果一个事务同时存在“读写”两种状态时，将按照“写”事务规则处理。

图2.9 Laxcus事务处理

2.10 分布描述语言

　　分布描述语言（简称DDL）开始于Laxcus 0.1版本，经过0.x、1.x版本加强后，在2.0版本又得到进一步完善。分布描述语言由大量命令组成，使用者在操作界面上输入字符语句命令语句，通过语法解释器解释后，转换成计算机指令，分发到集群上执行。分布描述语言经过这几个版本的完善，现在已经与Laxcus大数据管理系统高度集成，提供了全方位的管理、操纵集群能力，并且贯穿到集群的每一个环节。我们设计分布描述语言的目的在于简化操作人员的工作，希望实现“只需要操作人员通知集群做什么，而不需要去知道集群怎么做”。经过这几个版本的使用调查证明，分布描述语言所带来的效果，已经成为Laxcus大数据管理系统简单、高效处理的基本保证。

　　以下我们对分布描述语言的基本面貌做些简单的介绍。

　　2.10.1 三层结构模型 

　　如图2.10.1所示，分布描述语言是一个三层结构模型。命令从Front或者Watch节点发出，来自Front节点的命令属于用户命令，来自Watch节点的命令属于集群管理命令。无论是Front还要Watch，它们的命令都需要经过语法解释器翻译成计算机指令，才能发往集群。用户命令在进入集群执行操作前，首先要通过网关节点（Aid、Call）的检查，在判断是正确并且有效后，网关节点会把这个命令分配给后续相关节点，去执行数据处理和数据管理工作。Watch节点因为位于集群内部，命令被翻译成计算机指令后，会直接发给与命令关联的节点去处理。

图2.10.1 三层结构模型

2.10.2 命令分类 

　　如上所述，分布描述语言中的命令分为两大类：集群管理命令、用户命令。集群管理命令由管理员从Watch节点发出，用来控制、检查集群和节点的工作状态、分布资源。用户命令由用户从Front节点发出，主要是执行数据操纵和数据管理。因为分布描述语言兼容SQL，SQL中的所有命令被划入用户命令队列里。集群管理命令和用户命令在系统中是完全平行的，没有交集，也不允许互相使用。在权限等级上，所有集群管理命令都拥有比用户命令更高的操作权限。这体现在命令的被调用过程中，比如当两类命令同时出现在一个节点时，集群管理命令总是比用户命令优先获得执行的权力。不过在系统实际运行时，在集群中工作的基本都是用户命令，集群管理命令偶尔出现，而且也不会产生太多计算压力，所以这种优先权并不容易体现出来。

图2.10.2 集群管理命令和用户命令

2.10.3 自定义参数

　　在过去几个版本的演进过程中，有越来越多的用户要求系统提供一种在命令中存在、不需要系统理解、由用户自行处理的数据。这些数据的表现上，有时候可能是一个数字，有时候是一个字符串，也可能是一张图片，或者其它经过格式化处理的信息。它们成为命令的一部分，参与到用户的数据处理工作中。

　　顺应这一项发展需求，同时也为了规范化数据样式，提高数据处理效率，在2.0版本中，分布描述语言正式支持自定义参数，并且对自定义参数做出这样的规定：参数格式由Laxcus提供，内容由用户自己解释。如图2.10.3所示，自定义参数被分解成三部分：名称、类型、数值。其中名称由用户自由定义，类型是系统规定，类型在名称之后，被括号包围。类型分为数字型和数组型两组。数字类型包括bool、short、int、long、ushort、uint、ulong、float、double，数组类型包括string(char)、byte、image、object。为保证传输过程时的内码一致，用户输入的string数值会被转为UTF8编码。如果自定义参数是一个数组类型，那么数值需要被单括号包围，如果自定义是数字类型则不需要。这种样式的自定义参数被语法解释器解释后，将存入到命令的自定义参数队列，随命令一起分发到集群上，在需要它发挥作用的位置参与数据处理工作。

图2.10.3 分布描述语言自定义参数

Laxcus大数据管理系统（5）- 第二章 数据组织

标签：

原文地址：http://www.cnblogs.com/laxcus/p/5362232.html