Amazon Redshift 大小增加答案

【问题标题】：Amazon Redshift size increaseAmazon Redshift 大小增加
【发布时间】：2021-12-31 09:00:26
【问题描述】：

我已经将数据从一个表插入到另一个表中，插入数据后，表的大小随着实际大小增加了 30mb，stats_off 也增加到了 100。谁能给我一个原因表的大小增加了，如何减少表的stats_off？

【问题讨论】：

你是如何复制表格的？根据您用于复制表格的方法，有多种方式可能会发生这种情况。原始桌子的尺寸是多少？ 30mb 的增长是规模的两倍还是 10% 的增长？使用 ANALYZE 命令可以轻松修复 stats_off 百分比。或者如果您没有禁用 auto_analyze，只需等待系统执行操作即可。

@Bill Weiner 首先谢谢你首先我使用 DDL 命令创建了一个表（创建表 table_name.......命令）然后我使用插入命令插入数据（插入 table_name .....command) 原始表的大小是 836 mb 复制的（新表）的大小是 868 mb。

标签： amazon-web-services amazon-redshift size

【解决方案1】：

因此，当您将内容从一个表复制到另一个表时，该表会增长 5%。我假设表之间的压缩（编码）是相同的，因为这会增加表的大小。您说您使用“insert commandS”（复数）插入数据，这会影响大小。 Redshift 中的存储单位是 1MB“块”——这是可以保存的最小单位。块也是一致性的单位。如果我保存 1 行数据，每列的大小将为 1MB。每列的末尾总是有一些空白。

现在，如果您插入一半数据，提交，然后再插入另一半，则第一次插入将出现部分块，第二次插入将出现部分块。这将导致磁盘上的表大小有所增加。这些部分块将用于每一列和每一片。你可以很容易地看到这个效果增加了 32MB。

要回收因这些间隙而丢失的空间，您需要在表上运行 VACUUM。这将对表中的数据进行排序和压缩。

以上假设表的 DDL 没有更改。更改 DDL 将通过多种方式影响表大小。压缩模式就是一个明显的例子，但即使是分布键和样式也会影响表的大小。这一切都归结为如何将数据分配到块中并存储在磁盘上。

如前所述，ANALYZE 将为表创建统计信息。

【讨论】：

我只使用了一个插入语句插入，但我确实使用了多个插入语句将数据插入其中。我可以知道它的确切原因或在哪里可以找到它？
AWS 发布了“做什么”，但没有发布很多关于“为什么”的内容。您可以在此处docs.aws.amazon.com/redshift/latest/dg/… 看到他们关于使用 COPY 添加到表的建议，但他们没有说明多个 COPY 如何创建对 VACUUM 的需求。 re:Invent 会谈涵盖了这一点，但找到合适的会谈可能需要一些时间。一些人试图为其他人汇编他们的知识 - s3-eu-west-1.amazonaws.com/cdn.jefclaes.be/…（参见第 4.1 节），但由于难以跟上变化，这些内容变得陈旧。
我与 Redshift 团队合作处理了许多客户项目，并参加了他们的非公开培训。那里有很多很好的信息，但很难找到。好消息是，一旦您了解了 Redshift 的基本内部结构，最佳实践就会从这些知识中消失。我会为想要更多了解这个出色系统如何运作的客户提供 Redshift 培训课程。
所以发生这种情况的原因是因为 Redshift 上的基本存储单元是 1MB 块。这些块中包含特定的数据片段，显然很多数据可以存储在 1MB 中。当您更改块中的一条数据时，您正在创建该块的新版本。如果您要添加数据，则会创建新块来存储这些新信息（修改现有块以使用空白空间太昂贵）。所以很多 INSERT 会创建很多部分填充的块。单个 INSERT 创建的部分填充块更少。
永远不会“改变”（块是不可变的）的原因是因为 MVCC（一致性控制）。 Redshift 是一个多用户数据库，每个表的多个版本需要在每个时间点对每个用户都可用且一致。如果我开始更改表，则“旧”版本必须仍然可供其他人使用，直到我提交我的更改，即使这样，如果其他用户在我提交之前开始使用该表，他们也会看到旧版本。（表数据在工作过程中不会改变。）多个 INSERT 意味着需要支持多个表版本。