Redshift DISTKEY / SORTKEY

Question

我有一个非常技术性的问题，即Redshift如何在内部处理DISTKEY以及如何SORTKEY满足存储层和查询执行需求。我读了这篇很棒的文章，很好地解释了每个关于餐桌设计的含义。

我的问题是，假设我有一个包含三列的表A：

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。在我的示例中很清楚，可能数据如何在计算节点的切片之间进行分配的方式基于DISTKEY订单日期。但是，列product_id和会发生什么product_name？这些分布orderdate在同一切片上，然后在我执行查询时，Redshift使用基于我的区域图SORTKEY来指出具有数据的列的区域并进行检索？

如果Redshift是一种列式方法，那么每一列是否都应该以不同的方式存储？或这的真正含义是：基于明智地选择的一列，整个列将与一起存储在同一片上，DISTKEY然后为保证性能，用户甚至可以将查询集中在特定区域上提取所需的数据。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a，DISTKEY那么我的数据将按守时的列顺序存储，所以如果以后再使用SORTKEY，因为我DISTKEY无法更改或更改，我将使用 另一个，所以这是如何工作的？

非常抱歉，如果我错了，但是我需要很好地了解这种架构如何在内部驱动数据。非常感谢

更新资料

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

发行的第一层是我的DISTKEY（日期不是很好，但仅以相同的示例为例），然后由我进行内部红移排序SORTKEY，给出如下内容：

感谢您的反馈

Answer 1

该DISTKEY分配行之间的切片。

在您的示例中，具有给定条件的所有行将orderdate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列的相同值的所有行将位于同一片上。

顺便说一句，日期和时间戳不是DISTKEY的理想候选者，因为它们很少在中使用JOIN。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大/最大JOIN中的列。

该SORTKEY决定行如何在表内排序。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，所有行都以相同的顺序排列。

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，因此可以极大地提高性能。