目前大數據存儲有兩種方案可供選擇：行存儲和列存儲。業界對兩種存儲方案有很多爭持，集中焦點是：誰能夠更有效地處理海量數據，且兼顧安全、可靠、完整性。從目前發展情況看，關系數據庫已經不適應這種巨大的存儲量和計算要求，基本是淘汰出局。在已知的幾種大數據處理軟件中，Hadoop的HBase采用列存儲，MongoDB是文檔型的行存儲，Lexst是二進制型的行存儲。在這里，我不討論這些軟件的技術和優缺點，只圍繞機械磁盤的物理特質，分析行存儲和列存儲的存儲特點，以及由此產生的一些問題和解決辦法。
一.結構布局
行存儲數據排列
列存儲數據排列
表格的灰色背景部分表示行列結構，白色背景部分表示數據的物理分布，兩種存儲的數據都是從上至下，從左向右的排列。行是列的組合，行存儲以一行記錄為單位，列存儲以列數據集合單位，或稱列族（column family）。行存儲的讀寫過程是一致的，都是從第一列開始，到最后一列結束。列存儲的讀取是列數據集中的一段或者全部數據，寫入時，一行記錄被拆分為多列，每一列數據追加到對應列的末尾處。
二.對比
從上面表格可以看出，行存儲的寫入是一次完成。如果這種寫入建立在操作系統的文件系統上，可以保證寫入過程的成功或者失敗，數據的完整性因此可以確定。列存儲由于需要把一行記錄拆分成單列保存，寫入次數明顯比行存儲多，再加上磁頭需要在盤片上移動和定位花費的時間，實際時間消耗會更大。所以，行存儲在寫入上占有很大的優勢。
還有數據修改，這實際也是一次寫入過程。不同的是，數據修改是對磁盤上的記錄做刪除標記。行存儲是在指定位置寫入一次，列存儲是將磁盤定位到多個列上分別寫入，這個過程仍是行存儲的列數倍。所以，數據修改也是以行存儲占優。 數據讀取時，行存儲通常將一行數據完全讀出，如果只需要其中幾列數據的情況，就會存在冗余列，出于縮短處理時間的考量，消除冗余列的過程通常是在內存中進行的。列存儲每次讀取的數據是集合的一段或者全部，如果讀取多列時，就需要移動磁頭，再次定位到下一列的位置繼續讀取。 再談兩種存儲的數據分布。由于列存儲的每一列數據類型是同質的，不存在二義性問題。比如說某列數據類型為整型（int），那么它的數據集合一定是整型數據。這種情況使數據解析變得十分容易。相比之下，行存儲則要復雜得多，因為在一行記錄中保存了多種類型的數據，數據解析需要在多種數據類型之間頻繁轉換，這個操作很消耗CPU，增加了解析的時間。所以，列存儲的解析過程更有利于分析大數據。
三.優化
顯而易見，兩種存儲格式都有各自的優缺點：行存儲的寫入是一次性完成，消耗的時間比列存儲少，并且能夠保證數據的完整性，缺點是數據讀取過程中會產生冗余數據，如果只有少量數據，此影響可以忽略；數量大可能會影響到數據的處理效率。列存儲在寫入效率、保證數據完整性上都不如行存儲，它的優勢是在讀取過程，不會產生冗余數據，這對數據完整性要求不高的大數據處理領域，比如互聯網，猶為重要。
改進集中在兩方面：行存儲讀取過程中避免產生冗余數據，列存儲提高讀寫效率。
如何改進它們的缺點，并保證優點呢？
行存儲的改進：減少冗余數據首先是用戶在定義數據時避免冗余列的產生；其次是優化數據存儲記錄結構，保證從磁盤讀出的數據進入內存后，能夠被快速分解，消除冗余列。要知道，目前市場上即使最低端CPU和內存的速度也比機械磁盤快上100-1000倍。如果用上高端的硬件配置，這個處理過程還要更快。
列存儲的兩點改進：1.在計算機上安裝多塊硬盤，以多線程并行的方式讀寫它們。多塊硬盤并行工作可以減少磁盤讀寫競用，這種方式對提高處理效率優勢十分明顯。缺點是需要更多的硬盤，這會增加投入成本，在大規模數據處理應用中是不小的數目，運營商需要認真考慮這個問題。2.對寫過程中的數據完整性問題，可考慮在寫入過程中加入類似關系數據庫的“回滾”機制，當某一列發生寫入失敗時，此前寫入的數據全部失效，同時加入散列碼校驗，進一步保證數據完整性。
這兩種存儲方案還有一個共同改進的地方：頻繁的小量的數據寫入對磁盤影響很大，更好的解決辦法是將數據在內存中暫時保存并整理，達到一定數量后，一次性寫入磁盤，這樣消耗時間更少一些。目前機械磁盤的寫入速度在20M-50M/秒之間，能夠以批量的方式寫入磁盤，效果也是不錯的。
四.總結
兩種存儲格式各自的特性都決定了它們不可能是完美的解決方案。 如果首要考慮是數據的完整性和可靠性，那么行存儲是不二選擇，列存儲只有在增加磁盤并改進軟件設計后才能接近這樣的目標。如果以保存數據為主，行存儲的寫入性能比列存儲高很多。在需要頻繁讀取單列集合數據的應用中，列存儲是最合適的。如果每次讀取多列，兩個方案可酌情選擇：采用行存儲時，設計中應考慮減少或避免冗余列；若采用列存儲方案，為保證讀寫入效率，每列數據盡可能分別保存到不同的磁盤上，多個線程并行讀寫各自的數據，這樣避免了磁盤競用的同時也提高了處理效率。 無論選擇哪種方案，將同內容數據聚湊在一起都是必須的，這是減少磁頭在磁盤上的移動，提高數據讀取時間的有效辦法。
核心關注：拓步ERP系統平臺是覆蓋了眾多的業務領域、行業應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業務領域的管理，全面涵蓋了企業關注ERP管理系統的核心領域，是眾多中小企業信息化建設首選的ERP管理軟件信賴品牌。
轉載請注明出處：拓步ERP資訊網http://m.hanmeixuan.com/
本文標題：大數據存取的選擇：行存儲還是列存儲？
相關文章
