資料蔣堂|倍增分段技術

區塊分段方案能夠滿足我們設定的4個目標。不過，除了處理區塊標記的麻煩外，這個辦法對於列存不是非常適合。

資料按列分別儲存後，分段時必須保證各列同步，即各列的分段點對應的是同一條記錄的列，否則就會出錯資料錯位。而各個列的寬度是不同的，同樣大小的區塊在儲存不同列的值時，能裝下的個數是不同的，繼續按區塊分段就無法保證同步了。

各列要同步分段，就需要按記錄數分段，但這樣就不能採用固定大小的區塊了，而要有個區塊索引。如果資料不再追加，那可以建立固定長度的索引，但資料不斷追加時，索引也會動態增長。這時候，要麼每次追加資料時把所有資料重寫一遍保證索引的連續性，要麼用某種複雜機制能處理不連續的索引，但成本都不低。

當前業界常用的列存分段也就是分塊方案：把資料分成若干塊，塊內是列存，分段以塊為單位。分塊數要足夠多才能保證平均分段，而分塊又要足夠大才能讓列存產生效果，這兩者就是個矛盾，要資料量很大時才合適。而且，這個分塊是按記錄數劃分的，不能固定大小，就需要我們上面說的分塊索引，當資料不斷追加時，索引也會動態變大，連續性就無法保證了。

為解決這些問題，我們設計一種倍增分段方案。

預留一個固定長度的索引區，可以儲存N個位置資訊，N是個固定的數，比如是1024。我們用索引區i號位表示其中儲存的第i個位置。

初始狀態時沒有記錄。加入第1條記錄後，在索引區1號位填入該記錄（稱為記錄1）寫入儲存（比如檔案）時的位置；加入第2條記錄後，在索引區2號位填入記錄2的位置，…；加入第N條記錄後，在索引區位置N填入記錄N的位置 。

索引區的i號位可以看成是一個區塊，對應由i號位內容指向的那條記錄起到第i+1號位內容指向的記錄之間的所有記錄（含頭不含尾）。在這一輪追加也，相當於每個分段中只有一條記錄。

再繼續追加記錄時，索引區已經沒有空位了。這時我們做這樣一個操作：1號位保留，2號位填入原3號數的內容，3號位填入原5號位的內容，…，i號位填入原2i-1號位的內容。這樣一直到在N/2號位填入原2*N/2-1即N-1號位的資訊，然後再把第N/2+1到N號位的內容清空。

這個操作，相當於把區塊1和區塊2合併成區塊1，區塊3和區塊4合併成區塊2，..區塊2i-1和區塊2i合併成區塊i，這些區塊就變成由2條記錄構成，資料記錄本來就是連續寫入的，這樣合併後的區塊仍然是由連續記錄構成。

然後，清空的後半部分號位相當於空出一些空區塊了，如果繼續追加記錄時，就每次寫2條記錄才使用下一個號位，即把記錄N+1的位置填入N/2+1號位，記錄N+2繼續寫入，記錄N+3的位置填入N/2+2號位，記錄N+4繼續寫入，…。

再追加下去填滿所有號位後，再次做合併動作，把每區塊記錄號再倍增成4條。同時空出後半部分號位，再追加資料時每個號位要增加4條記錄才使用下一個號位。…，如此往復下去。

在這個機制下，任何時候都有N/2到N個可用區塊，只要N足夠大（1024基本上夠了），就可以做到平均程度較高的分段。每個分段由連續的區塊構成，區塊由連續緊湊的記錄構成，這樣能確保目標3，而上述的演算法過程已經解決了目標4。而且，在遍歷過程也不象固定區塊方案那樣需要處理標記，只是連續地從分段起始位置讀到結束位置就可以，動作非常簡單。

倍增分段方案是以記錄數為基礎的，所以對於列存也是適合的。各個列都採用這種方式追加資料後，分段點對於各列總是落在同一條記錄上，不會發生錯位的情況，而且，每個列的資料都是一直連續的，沒有中斷點，不象分塊式方式在只能在分塊內連續，也不會面對分塊大小與數量的矛盾。

原文釋出時間為：2018-01-24
本文作者：蔣步星
本文來自雲棲社群合作伙伴“資料派THU”，瞭解相關資訊可以關注“資料派THU”微信公眾號