Redshift DISTKEY / SORTKEY

Question

我有一个非常技术性的问题，关于Redshift如何在内部处理DISTKEY和SORTKEY以便满足存储层和查询执行需求。我已经读过这本令人惊叹的post，该书很好地解释了每种与餐桌设计有关的含义。

我的问题是，假设我有一个表 A ，其中有三列：

CREATE TABLE (
orderdate timestamp distkey,
product_id varchar(50),
product_name varchar(250)
) SORTKEY (product_id)

现在，我们知道Redshift是针对数据仓库进行优化的列式方法数据库。在我的示例中很明显，可能是如何在计算节点的切片之间分配数据的方式基于DISTKEY排序日期。但是，列product_id和product_name会发生什么？这些与orderdate一起分布在同一切片上，然后在我执行查询时Redshift使用基于我的SORTKEY的区域图来指出具有数据的列的区域并进行检索吗？

如果Redshift是一种列式方法，那么每一列是否都应该有不同的存储方式？或这的真正含义是：基于一个明智地选择的列，整个列将与DISTKEY一起存储在同一片上，然后保证用户甚至可以集中精力查询特定区域以提取所需数据。所以我总体来说可能是这样的：

  

DISTKEY存储层和SORTKEY查询执行行为

现在，如果我使用DISTKEY，那么我的数据将按守时的列顺序进行存储，因此，如果以后再使用SORTKEY，我的DISTKEY将不能更改或更改，以便它如何工作？

如果我做错了，那么对不起大家，但是我需要很好地理解这种架构如何在内部驱动数据。非常感谢

更新

基于@JoeHarris帖子回答了这个问题，我试图描绘出数据可能看起来如何存储。

第一个分发级别是我的DISTKEY（日期不好，但仅以相同的示例为例），然后根据我的SORTKEY在内部进行红移排序，给出如下内容：

感谢您的反馈

Answer 1

DISTKEY在切片之间分布行。

在您的示例中，具有给定orderdate的所有行将位于同一切片中。这意味着这些行的所有列都在该切片中。

如果两个表具有相同的DISTKEY，则两个表中具有DISTKEY列值的所有行都将位于同一片上。

顺便说一句，日期和时间戳不是DISTKEY的理想选择，因为它们很少在JOIN中使用。像product_id这样的唯一标识符将使DISTKEY更好。一般规则是使用出现在最多/最大的JOIN中的列。

SORTKEY确定表中行的排序方式。对于每个切片上存储的行，它们以SORTKEY顺序存储。每列的数据存储在单独的块中（很可能每列使用许多块），但是在列块中，行的顺序相同。

例如，如果一个表有三列，则每个切片将至少占据三个块（每列一个）。在这些列块中，行的顺序相同。

每个块还具有最小值和最大值（“区域映射”），这使Redshift非常容易“跳过”不包含所需值的块。由于磁盘访问是操作中最慢的部分，因此可以大大提高性能。