大多数用户在体验数据库时，接触到的最早的sql语句就是count(*)，因此用户判断数据库性能时通常也会通过count(*)进行比较。但在执行时通常会出现一个问题：对某个表做count(*)时需对全表数据进行扫描，当表中包含数据量较大的字段时，IO将会成为数据扫描的瓶颈。

数据扫描瓶颈有哪些优化方式？

针对上述问题，为解决全表扫描带来的IO开销的方案大致可分为三类：

第一类是减少扫描数据；

第二类是通过并行方式扫描数据；

第三类是通过预估值计算方式获取结果。

根据上述三种方案，我们给出以下四种优化方式：

01

减少扫描数据

（1）使用列存

顾名思义，列存是按列存储的。当使用count(*)查询时，只需要扫描一列数据做count统计，而并非全表，这样，IO开销几乎是行存的1/列数，即效率是行存的列数倍。在实际使用中，因为每列字段长度的原因，使用列存时count(*)效率往往要比这个值还要高得多。

（2）使用Index only scan

使用主键的Index only scan，count(*)仅需扫描主键的索引链表即可，不必扫描所有的数据块，因此可大大减少IO开销。

02

并行扫描数据

（1）MPP架构

使用MPP架构的好处是让数据分布到各个计算节点上。这样，在使用count(*)查询时，每个计算节点都会去统计该节点的数据量，最终汇聚返回总的数据量，这种方式可以更好地利用CPU和磁盘达到并行扫描的效果，节省扫描时间。

03

预估值计算

（1）Hyperloglog

HyperLogLog算法来源于论文《HyperLogLog the analysis of a near-optimal cardinality estimation algorithm》，可以使用固定大小的字节计算任意大小的distinct value。由于HLL是概率计算算法，它依赖于数据的均匀分布，在使用时往往需要我们首先利用HLL对每个元素进行哈希，以使数据分布更加均匀。

因此，任何可以哈希的数据类型都可以使用HLL算法做统计估算，HLL算法在数据库的估值统计计算方面起到了重要作用。

哪些产品能提供具体优化方案？

综合上述4种优化方式，人大金仓悉心打造的MPP数据库KADB具备以上所有特性方案，具体包括：

（1）列存

KADB支持可压缩列存储，压缩比可达1:10。建表语句如下：

create table t_count(id uuid, num int) with

(appendonly=true,orientation=column,compresstype=zlib,compresslevel=5);

（2）Index only scan

KADB支持index only scan，执行计划如下：

explain select count(*) from t_count ;

QUERY PLAN

------------------------------------------------------------------------------------------------------------------

Aggregate (cost=17403254.38..17403254.39 rows=1 width=8)

-> Gather Motion 8:1 (slice1; segments: 8) (cost=17403254.27..17403254.37 rows=1 width=8)

-> Aggregate (cost=17403254.27..17403254.28 rows=1 width=8)

-> Index Only Scan using idx_t_count_id on t_count (cost=0.19..17153253.65 rows=12500031 width=0)

（3）MPP架构

KADB是人大金仓基于Kingbase ES 单机数据库打造的MPP数据库，具有一切皆并行的特点。

（4）Hyperloglog

KADB集成了HLL插件。具体操作如下：

创建计数表，并插入1亿条数据，id列重复值较少：

create table t_count(id uuid, num int);

--创建插入函数，id值为uuid，无重复值

create or replace function f_insert(i int) returns setof record as $$

select uuid_generate_v4(), generate_series(1,i);

$$ language sql;

--插入数据

insert into t_count select * from f_insert(100000000) as t(id uuid, num int);

创建HLL统计表，记录唯一值：

create table daily_id_hll

as select

gp_hyperloglog_accum(id)

from

t_count;

最终通过HLL算法预估出t_count的条数

select gp_hyperloglog_get_estimate(gp_hyperloglog_accum) from daily_id_hll;

gp_hyperloglog_get_estimate

-----------------------------

99651193.2825577

(1 row)

误差率在0.35%左右

select (100000000-99651193.2825577)/100000000;

?column?

------------------------

0.00348806717442300000

(1 row)

MPP数据库KADB优化效果如何？

在此，我们导入1亿条数据进行测试，数据总量大小为203GB，测试count(*)比对效率如下：

综上总述，KADB具备以上所有优化方式的解决方案能力，可根据不同需求优化count(*)查询。在用户实际应用场景中，

面对实时性要求较高但准确度要求不太高的数据可视化服务，我们通常提供Hyperloglog优化方案；

面对实时性要求不太高但准确度要求高的统计服务，我们通常提供列存优化方案。