三张图读懂Greenplum在企业的正确使用姿势

2022-04-19 19:07:40

背景

很多使用数据仓库的朋友可能都有过这样的困惑，为什么数据仓库的资源经常会出现不可控，或者抢用的情况，严重的甚至影响正常的作业任务，导致不能按时输出报表或者分析结果。

这里的原因较多，最主要的原因可能还是使用姿势不对，MPP是用极资源的产品，一伙人在抢资源当然跑不好。你想想一个跑道能让多架飞机同时起飞或降落吗？

数据仓库的使用人员通常是数据分析师，一个成熟的分析模型的建立，可能需要多次的数据模型分析试错。

通常试错不会允许直接在任务库中执行，因为很容易干扰任务库的任务处理，你一定不想因为试错导致报表不能按时输出吧，相信老板会让你好看的。

因此老外通常会将数据仓库分为两种，一种是跑任务的大数仓，所有的数据都在大数仓里面。

分析人员使用的是独立的小型分析库，如果要试错的话，向DBA提交测试数据的ETL申请，拿到数据后进行分析建模，在多次数据模型分析试错后找到成熟的数据分析模型，再提交到大数仓去RUN 任务。

由于分析人员可能较多，不同的分析人员可能会有同一份数据的分析需求，所以这种模式造成了大量的重复试错数据。每个分析师都要问DBA要数据，也会很痛苦。

LOFTD是一个独立的具备处理predict, project filter请求的文件服务器。

将LOFTD作为一个外部的数据源，读写非常方便。

数据分析人员向DBA提交数据抽取请求，数据被抽取到LOFTD，小型分析库通过外部表的方式访问LOFTD。

并且LOFTD可以共享给多个小型分析库使用，所以消除了数据的冗余。

阿里云的用户可以购买SATA+SSD混合存储的Greenplum，以非常高的性价比获得PB级的数据仓库（公测阶段只提供纯SSD的版本）。

用户可以使用ETL工具，或者mysql2pgsql, pgsql2pgsql将数据增量或全量的从MySQL或PgSQL同步到Greenplum。

成熟的分析任务可以跑在这个大的Greenplum数仓上面。

另外，分析人员要数据分析模型试错的话，可以将数据模型分析试错的样本数据导出到OSS。 Greenplum或者RDS PG可以通过OSS外部表直接访问试错数据，进行分析。

ETL可以选择阿里云市场中的ETL服务或者用户自己使用开源的ETL工具，都是非常方便的。

如果试错的数据量（样本数据）在百GB的规模，建议可以直接使用RDS PG
。 9.6还会推出CPU并行计算的功能，处理百GB毫无压力。数据模型分析试错数据再大一点的话，建议还是购买小型的Greenplum。

这样就可以做到跑成熟的数据分析模型，试错两不误。

如果用户为了节约成本一定要将成熟模型和试错放到一个数据仓库来跑的话，如果你不想因为任务跑不出来被老板批，建议错开任务的时间。

正确使用数仓（不管是Greenplum还是其他的数仓），必须要搞清楚跑成熟任务和分析人员模型试错是不要混到一起跑的，相互干扰，时间还漫长。分析人员很贵的，多加几台机器，把模型试错和成熟任务分开，可以给分析人员灵活的发挥空间，又不耽误跑成熟模型，何乐不为呢。

祝大家玩得开心，欢迎随时来阿里云促膝长谈业务需求，恭候光临。

阿里云的小伙伴们加油，努力做最贴地气的云数据库。