|
1. 概述 Infobright是一款基于独特的专利知识网格技术的列式数据库。Infobright简单易用，快速安装部署，使用中无需复杂操作，能大幅度减少管理工作；在应对50TB甚至更多数据量进行多并发复杂查询时，更能够显示出令人惊叹的速度。相比于MySQL，其查询速度提升了数倍甚至数十倍，在同类产品中单机性能处于领先地位。为企业剧增的数据规模、增长的客户需求以及较高的用户期望提供了全面的解决方案。
Infobright是开源的MySQL数据仓库解决方案，引入了列存储方案，高强度的数据压缩，优化的统计计算(类似sum/avg/group by之类)，
infobright 是基于mysql的，但不装mysql亦可，因为它本身就自带了一个。mysql可以粗分为逻辑层和物理存储引擎，infobright主要实现的就是一个存储引擎，但因为它自身存储逻辑跟关系型数据库根本不同，所以，它不能像InnoDB那样直接作为插件挂接到mysql，它的逻辑层是mysql的逻辑 层加上它自身的优化器。
2. Infobright特征
优点：
限制：
这使对数据的修改变得很困难，这样就限制了它作为实时数据服务的数据仓库来使用。用户要么忍受数据的非实时或非精确，这样对最（较）新数据的分析准确性就降低了许多；要么将它作为历史库来使用，带来的问题是实时库用什么？很多用户选择数据仓库系统，不是因为存储空间不够，而是数据加载性能和查询性能无法满足要求。 虽然单库 10 多个并发对一般的应用来说也足够了，但较低的机器利用率对投资者来说总是一件不爽的事情，特别是在并发小请求较多的情况下。 3）. 没有提供主从备份和横向扩展的功能。 如果没有主从备份，想做备份的话，也可以主从同时加载数据，但只能校验最终的数据一致性，这会使得从机在数据加载时停服务的时间较长；横向扩展方面，倒不是 Infobright 的错，它本身就不是分布式的存储系统，但如果把它搞成一个分布式的系统，应该是一件比较好玩的事情。
不支持数据更新。 这个限制对于我们即要求查询性能外还要对数据库进行写入的需求， 造成了很大的不变。 这个估计是很多人试用后放弃试用ICE的第一个原因。
与MySQL对比： 3. 架构 基于MySQL的内部架构 – Infobright采取与MySQL相似的内部架构下面是Infobright的架构图：
灰色部分是mysql原有的模块，白色与蓝色部分则是 infobright自身的。
系统结构分析：
跟mysql一样的两层结构：
上面一层是逻辑层，处理查询逻辑（服务及应用管理），下面一层是存储引擎。
一逻辑层：
逻辑层右端的loader与unloader是infobright的数据导入导出模块，也即处理SQL语句里LOAD DATA INFILE … 与SELECT … INTO FILE任务，由于infobright面向的是海量数据环境，所以这个数据导入导出模块是一个独立的服务，并非直接使用mysql的模块。逻辑层的infobright优化器包在mysql查询优化器的外面，如下面将会提到的，因为它的存储层有一些特殊结构，所以查询优化方式也跟 mysql有很大差异。
二存储引擎：
Infobright的默认存储引擎是brighthouse，但是Infobright还可以支持其他的存储引擎，比如MyISAM、MRG_MyISAM、Memory、CSV。Infobright通过三层来组织数据，分别是DP(Data Pack)、DPN（Data Pack Node）、KN（Knowledge Node）。而在这三层之上就是无比强大的知识网络（Knowledge Grid）。
Data Pack（数据块）压缩层：存储引擎最底层是一个个的Data Pack（数据块）。每一个Pack装着某一列的64K个元素，所有数据按照这样的形式打包存储，每一个数据块进行类型相关的压缩（即根据不同数据类型采 用不同的压缩算法），压缩比很高。它上层的压缩器与解压缩器就做了这个事情。
压缩层再向上就是infobright最重要的概念：Knowledge Grid（知识网格）这也是infobright放弃索引却能应用于大量数据查询的基础。它包含两类结点：
1）Data Pack Node（数据块节点）：Data Pack Node和Data Pack是一一对应的关系。DPN记录着每一个DP里面存储和压缩的一些统计数据，包括最大值（max）、最小值（min）、null的个数、单元总数count、sum。avg等等。至不同值的量等等；Knowledge Node则存储了一些更高级的统计信息，以及与其它表的连接信息，这里面的信息有些是数据载入时已经算好的，有些是随着查询进行而计算的，所以说是具备一 定的“智能”的。
2）Knowledge Node里面存储着指向DP之间或者列之间关系的一些元数据集合，比如值发生的范围（MIin_Max）、列数据之间的关联。大部分的KN数据是装载数据的时候产生的，另外一些事是查询的时候产生。 Knowledge Grid构架是Infobright高性能的重要原因。  Knowledge Grid可分为四部分，DPN、Histogram、CMAP、P-2-P。 DPN如上所述。Histogram用来提高数字类型（比如date，time，decimal）的查询的性能。Histogram是装载数据的时候就产生的。DPN中有mix、max，Histogram中把Min-Max分成1024段，如果Mix_Max范围小于1024的话，每一段就是就是一个单独的值。这个时候KN就是一个数值是否在当前段的二进制表示。  Histogram的作用就是快速判断当前DP是否满足查询条件。如上图所示，比如select id from customerInfo where id>50 and id<70。那么很容易就可以得到当前DP不满足条件。所以Histogram对于那种数字限定的查询能够很有效地减少查询DP的数量。 CMAP是针对于文本类型的查询，也是装载数据的时候就产生的。CMAP是统计当前DP内，ASCII在1-64位置出现的情况。如下图所示
比如上面的图说明了A在文本的第二个、第三个、第四个位置从来没有出现过。0表示没有出现，1表示出现过。查询中文本的比较归根究底还是按照字节进行比较，所以根据CMAP能够很好地提高文本查询的性能。 Pack-To-Pack是Join操作的时候产生的，它是表示join的两个DP中操作的两个列之间关系的位图，也就是二进制表示的矩阵。 Knowledge Grid还是比较复杂的，里面还有很多细节的东西，可以参考官方的白皮书和Brighthouse: an analytic data warehouse for ad-hoc queries这篇论文。
4. 数据类型
Infobright里面支持所有的MySQL原有的数据类型。其中Integer类型比其他数据类型更加高效。尽可能使用以下的数据类型：
TINYINT，SMALLINT，MEDIUMINT，INT，BIGINT
DECIMAL（尽量减少小数点位数）
DATE ，TIME
效率比较低的、不推荐使用的数据类型有：
BINARY VARBINARY
FLOAT
DOUBLE
VARCHAR
TINYTEXT TEXT
Infobright数据类型使用的一些经验和注意点：
（1）Infobright的数值类型的范围和MySQL有点不一样，比如Infobright的Int的最小值是-2147483647，而MySQl的Int最小值应该是-2147483648。其他的数值类型都存在这样的问题。
（2）能够使用小数据类型就使用小数据类型，比如能够使用SMALLINT就不适用INT，这一点上Infobright和MySQL保持一致。
（3）避免效率低的数据类型，像TEXT之类能不用就不用，像FLOAT尽量用DECIMAL代替，但是需要权衡毕竟DECIMAL会损失精度。
（4）尽量少用VARCHAR，在MySQL里面动态的Varchar性能就不强，所以尽量避免VARCHAR。如果适合的话可以选择把VARCHAR改成CHAR存储甚至专程INTEGER类型。VARCHAR的优势在于分配空间的长度可变，既然Infobright具有那么优秀的压缩性能，个人认为完全可以把VARCHAR转成CHAR。CHAR会具有更好的查询和压缩性能。
（5）能够使用INT的情况尽量使用INT，很多时候甚至可以把一些CHAR类型的数据往整型转化。比如搜索日志里面的客户永久id、客户id等等数据就可以用BIGINT存储而不用CHAR存储。其实把时间分割成year、month、day三列存储也是很好的选择。在我能见到的系统里面时间基本上是使用频率最高的字段，提高时间字段的查询性能显然是非常重要的。当然这个还是要根据系统的具体情况，做数据分析时有时候很需要MySQL的那些时间函数。
（6）varchar和char字段还可以使用comment lookup，comment lookup能够显著地提高压缩比率和查询性能。
5. 工作原理
粗糙集（Rough Sets）是Infobright的核心技术之一。Infobright在执行查询的时候会根据知识网络（Knowledge Grid）把DP分成三类： 相关的DP（Relevant Packs），满足查询条件限制的DP 不相关的DP（Irrelevant Packs），不满足查询条件限制的DP 可疑的DP（Suspect Packs），DP里面的数据部分满足查询条件的限制 下面是一个案例：
如图所示，每一列总共有5个DP，其中限制条件是A>6。所以A1、A2、A4就是不相关的DP，A3是相关的DP，A5是可疑的DP。那么执行查询的时候只需要计算B5中满足条件的记录的和然后加上Sum（B3），Sum（B3）是已知的。此时只需要解压缩B5这个DP。从上面的分析可以知道，Infobright能够很高效地执行一些查询，而且执行的时候where语句的区分度越高越好。where区分度高可以更精确地确认是否是相关DP或者是不相关DP亦或是可以DP，尽可能减少DP的数量、减少解压缩带来的性能损耗。在做条件判断的使用，一般会用到上一章所讲到的Histogram和CMAP，它们能够有效地提高查询性能。 多表连接的的时候原理也是相似的。先是利用Pack-To-Pack产生join的那两列的DP之间的关系。 比如：SELECT MAX(X.D) FROM T JOIN X ON T.B = X.C WHERE T.A > 6。Pack-To-Pack产生T.B和X.C的DP之间的关系矩阵M。假设T.B的第一个DP和X.C的第一个DP之间有元素交叉，那么M[1,1]=1，否则M[1,1]=0。这样就有效地减少了join操作时DP的数量。 前面降到了解压缩，顺便提一提DP的压缩。每个DP中的64K个元素被当成是一个序列，其中所有的null的位置都会被单独存储，然后其余的non-null的数据会被压缩。数据的压缩跟数据的类型有关，infobright会根据数据的类型选择压缩算法。infobright会自适应地调节算法的参数以达到最优的压缩比。
6. 压缩比例
Infobright号称数据压缩比率是10:1到40:1。前面我们已经说过了Infobright的压缩是根据DP里面的数据类型，系统自动选择压缩算法，并且自适应地调节算法的参数以达到最优的压缩比。 先看看在我的实验环境下的压缩比率，如下图所示：
相信读者可以很清楚地看到，整体的压缩比率是20.302。但是这里有一个误区，这里的压缩比率指的是数据库中的原始数据大小/压缩后的数据大小，而不是文本文件的物理数据大小/压缩后的数据大小。很明显前者会比后者大出不少。在我的实验环境下，后者是7:1左右。一般来说文本数据存入数据库之后大小会比原来的文本大不少，因为有些字段被设置了固定长度，占用了比实际更多的空间。还有就是数据库里面会有很多的统计信息数据，其中就包括索引，这些统计信息数据占据的空间绝对不小。Infobright虽然没有索引，但是它有KN数据，通常情况下KN数据大小占数据总大小的1%左右。 既然Infobright会根据具体的数据类型进行压缩，那我们就看看不同的数据类型具有什么样的压缩比率。如下表所示：
首先看看Int类型的压缩比率，结果是压缩比率上Int<mediumint<smallint。细心地读者会很容易发现tinyint的压缩比率怎么会比int还小。数据压缩比率除了和数据类型有关之外，还和数据的差异性有特别大关系，这是显而易见。posFlag只有0，1，-1三种可能，这种数据显然不可能取得很好的压缩比率。 再看看act字段，act字段使用了comment lookup，比简单的char类型具有更佳的压缩比率和查询性能。comment lookup的原理其实比较像位图索引。对于comment lookup的使用下一章节将细细讲述。 在所有的字段当中date字段的压缩比率是最高的，最后数据的大小只有0.1M。varchar的压缩比率就比较差了，所以除非必要，不然不建议使用varchar。
上面的数据很清楚地展示了Infobright强大的压缩性能。在此再次强调，数据的压缩不只是和数据类型有关，数据的差异程度起了特别大的作用。在选择字段数据类型的时候，个人觉得性能方面的考虑应该摆在第一位。比如上面表中一些字段的选择就可以优化，ip可以改为bigint类型，date甚至可以根据需要拆分成year/month/day三列。 6. comment lookup的使用
comment lookup只能显式地使用在char或者varchar上面。Comment Lookup可以减少存储空间，提高压缩率，对char和varchar字段采用comment lookup可以提高查询效率。 Comment Lookup实现机制很像位图索引，实现上利用简短的数值类型替代char字段已取得更好的查询性能和压缩比率。CommentLookup的使用除了对数据类型有要求，对数据也有一定的要求。一般要求数据类别的总数小于10000并且当前列的单元数量/类别数量大于10。Comment Lookup比较适合年龄，性别，省份这一类型的字段。 comment lookup使用很简单，在创建数据库表的时候如下定义即可： act char(15) comment 'lookup', part char(4) comment 'lookup',
7. 查询优化
（1）配置环境 在Linux下面，Infobright环境的配置可以根据README里的要求，配置brighthouse.ini文件。 （2） 选取高效的数据类型 参见前面章节。 （3）使用comment lookup 参见前面章节。 （4）尽量有序地导入数据 前面分析过Infobright的构架，每一列分成n个DP，每个DPN列面存储着DP的一些统计信息。有序地导入数据能够使不同的DP的DPN内的数据差异化更明显。比如按时间date顺序导入数据，那么前一个DP的max（date）<=下一个DP的min(date)，查询的时候就能够减少可疑DP，提高查询性能。换句话说，有序地导入数据就是使DP内部数据更加集中，而不再那么分散。 （5）使用高效的查询语句。 这里涉及的内容比较多了，总结如下： 尽量不适用or，可以采用in或者union取而代之 减少IO操作，原因是infobright里面数据是压缩的，解压缩的过程要消耗很多的时间。 查询的时候尽量条件选择差异化更明显的语句 Select中尽量使用where中出现的字段。原因是Infobright按照列处理的，每一列都是单独处理的。所以避免使用where中未出现的字段可以得到较好的性能。 限制在结果中的表的数量，也就是限制select中出现表的数量。 尽量使用独立的子查询和join操作代替非独立的子查询 尽量不在where里面使用MySQL函数和类型转换符 尽量避免会使用MySQL优化器的查询操作 使用跨越Infobright表和MySQL表的查询操作 尽量不在group by 里或者子查询里面使用数学操作，如sum（a*b）。 select里面尽量剔除不要的字段。 Infobright执行查询语句的时候，大部分的时间都是花在优化阶段。Infobright优化器虽然已经很强大，但是编写查询语句的时候很多的细节问题还是需要程序员注意。
7、IB安装
1、下载 wget http://www.infobright.org/downloads/ice/infobright-4.0.7-0-src-ice.tar.gz 2、tar zxvf infobright-4.0.7-0-src-ice.tar.gz 3、可以在目录infobright-4.0.7-0看到README文件 这么有安装说明，不过需要注意几点，用红色标注
Infobright Installation Using a Source Distribution wget http://jaist.dl.sourceforge.net/project/boost/boost/1.50.0/boost_1_50_0.tar.gz
- download boost 1.50 and unpack it:tar -zxvf boost_1_50_0.tar.gz
- ./bootstrap.sh --prefix=/usr/local/boost_1_42_0
[plain] view plaincopyprint?
 
[plain] view plaincopyprint?
make -j 8 表示使用服务器的8个核并行编译 # Setting config file and brighthouse.ini file. shell> cp src/build/pkgmt/my-ib.cnf /etc/ Note: You can customize /etc/my-ib.cnf file by changing port, socket etc. If you are compiling on a 32 bit system, you need to rename brighthouse.ini.32bit (can be found in package dir /usr/local/infobright/share/mysql/ etc.) to brighthouse.ini. The existing brighthouse.ini is configured with higher memory settings suitable for a 64 bit system. shell> cd /usr/local/infobright shell> bin/mysql_install_db --defaults-file=/etc/my-ib.cnf --user=mysql 如果报错：error while loading shared libraries: libboost_filesystem.so.1.42.0: cannot open shared object file: No such file or directory 执行： shell> echo /usr/local/boost_1_42_0/lib>> /etc/ld.so.conf.d/boost_lib.conf shell> ldconfig
安装启动脚本：
A more detailed version of the preceding description for installing MySQL and Infobright from a source distribution follows: 1. Add a login user and group for `mysqld' to run as: shell> groupadd mysql shell> useradd -g mysql mysql These commands add the `mysql' group and the `mysql' user. The syntax for `useradd' and `groupadd' may differ slightly on different versions of Unix, or they may have different names such as `adduser' and `addgroup'. You might want to call the user and group something else instead of `mysql'. If so, substitute the appropriate name in the following steps. 2. Pick the directory under which you want to unpack the distribution and change location into it. 3. Unpack the distribution into the current directory: shell> gunzip < /PATH/TO/infobright-version-src.tar.gz | tar xvf - This command creates a directory named infobright-version-src. 4. Configure, compile and install MySQL and Infobright source code using the following commands: shell> cd infobright-version shell> make EDITION=community release shell> make EDITION=community install-release # Setting config file and brighthouse.ini file. shell> cp vendor/mysql/support-files/my-ib.cnf /etc/ 5. Change location into the installation directory: shell> cd /usr/local/infobright 6. If you haven't installed MySQL before, you must create the MySQL grant tables: shell> bin/mysql_install_db --defaults-file=/etc/my-ib.cnf --user=mysql If you run the command as `root', you should use the `--user' option as shown. The value of the option should be the name of the login account that you created in the first step to use for running the server. If you run the command while logged in as that user, you can omit the `--user' option. After using `mysql_install_db' to create the grant tables for MySQL, you must restart the server manually. The `mysqld_safe' command to do this is shown in a later step. shell> bin/mysql_install_db --defaults-file=/etc/my-ib.cnf --user=mysql 7. Change the ownership of program binaries to `root' and ownership of the data directory to the user that you run `mysqld' as. Assuming that you are located in the installation directory (`/usr/local/infobright'), the commands look like this: shell> chown -R root . shell> chown -R mysql var cache shell> chgrp -R mysql . The first command changes the owner attribute of the files to the `root' user. The second changes the owner attribute of the data directory to the `mysql' user. The third changes the group attribute to the `mysql' group. 8. After everything has been installed, you should test your distribution. To start the server, use the following command: shell> cd /usr/local/infobright shell> `pwd`/libexec/mysqld --defaults-file=/etc/my-ib.cnf --user=mysql 9. To run the client: shell> cd /usr/local/infobright shell> bin/mysql --defaults-file=/etc/my-ib.cnf -uroot If that command fails immediately and prints `mysqld ended', you can find some information in the `HOST_NAME.err' file in the var directory. Dealing with Problems Compiling Infobright ------------------------------------------ If you use GNU make 3.81, it might generate warning messages "-jN forced in submake: disabling jobserver mode". Please ignore such warnings. Make sure sytem OS and processor are supported by Infobright. Also make sure that all the packages mentioned on top of the page are properly installed.
7. 数据导入
对于DW系统而言，庞大数据的迁移成本很高；所以导入和导出的速率及容忍性也是考量数据仓库产品的重要标准。Infobright基于MySQL所以在数据格式上有比较成型的解决办法，IB原厂对速率进行了优化。在4.0企业版中推出了DLP分布式导入选件，极大的减少了迁移时间，目前世界最大的光通信提供商JDSU也选用了IB产品，并以DLP为主要选件进行配置。 1、简介 IB提供了专用的高性能loader，不同于传统的mysql。IB loader是为了提高导入速度而设计的，所以仅支持特有的mysql loader语法，而且只支持导入格式化的变量和文本源文件.IEE版也支持mysqlloader和insert语句。infobright对txt的格式有非常严格的要求，格式不对是不能导入数据的。 2、默认Loader 1）ICE仅支持IB lorder 2）IEE默认使用的是是mysql loader，它能更多的容错，但速度稍慢。为了最快的导入，使用IB loader，做以下环境的设置 导入步骤： 1）、建表：
[sql] view plaincopyprint?
2)、建立txt/csv数据：
txt/csv内容：
1,"one,two or three",1234
注意：
(1)“”是为了将列区分开，
(2)每行写好后必须回车，不然导不进去。
3）、将txt导入到infobright：
mysql> load data infile 'F:\\in2.txt' into table example2 fields terminated by ',' enclosed by '"';
Mysql> set @bh_dataformat = ‘txt_variable’; –使用IB loader来导入CSV格式的变量定长文本 set @bh_dataformat = ‘binary’; –二进制文件 set @bh_dataformat = ‘mysql’; –使用mysql loader 3，IB loader语法 IB仅支持load data infile，其他的mysql导入方式不支持 LOAD DATA INFILE ‘/full_path/file_name’ INTO TABLE tbl_name [FIELDS [TERMINATED BY 'char'] [ENCLOSED BY 'char'] [ESCAPED BY 'char'] ]; 导入前关闭 set AUTOCOMMIT=0; 完成后 COMMIT; set AUTOCOMMIT=1; 4，区域分隔符 .区域分隔符是可选的，默认设置为 CLAUSE DEFAULT VALUE FIELDS TERMINATED BY ‘;’ (semicolon) FIELDS ENCLOSED BY ‘”‘ (double quote) FIELDS ESCAPED BY ” (none) 5，导入经验 a. 当导入表格列数很多时，修改brighthouse.ini中LoaderMainHeapSize b 使用并发导入 c 容忍性排序为txt_variables<binary<mysql d bh_loader不支持多分隔符 e 大量数据时，DLP是必要选择 1.妥善处理字符集，在导入和迁移时，尽量将所有%character%均改为与原库相同的字符集2.选择合适分隔符，infobright自己缺省默认loader为bh_loader，仅支持单个字节分隔符，不支持如’,,’ ‘||’等 3.IEE企业版还可以使用MySQL_loader，基本上和MySQL一样，具备所有功能，使用前set @bh_dataformat=’mysql’; 4.遗留问题: a.白发渔樵江楮上 今天在试用infobright-4.0.4版本的时候，load data 的时候出现错误“ERROR 1598 (HY000): Binary logging not possible. Message: Statement cannot be logged to the binary log in row-based nor statement-based format”，当然可用“SET SQL_LOG_BIN = 0”不记录日志，但是我岂不是用不了复制了？ b.stronghearted：infobright导入数据时，选latin1，刚才选gbk，中文总是乱码。 stronghearted：回复@W维西:导出innodb的表是gbk，如果建IB的表是gbk，导入的中文会是乱码。选latin1就正确 W维西：Hi，做了个测试，两边GBK在我这边比较正常，请看http://t.cn/akbcDH 可能还是字符集的问题，所有的变量都要改下:)
目前infobright应用越来越多了，有些场景下需要和台管理系统共用，因此需要同时存在brighthouse和myisam两种引擎。
另一种场景下，可能myisam表也需要支持utf8，这个相对比较麻烦：
mysql数据导入到infobright中mysql数据导入到infobright中1，在mysql中建一张表：
[sql] view plaincopyprint?
插入数据： insert into t_mis(uid,cid,rating) values('70000','3600','5'); 2，将数据导出csv文件： select * from t_mis into outfile 'F:\\mytable.csv' fields terminated by ',' optionally enclosed by '"' lines terminated by '\n'; 3，在infobright中建一个表：
[sql] view plaincopyprint?
4，导入csv到表t_ib中： load data infile 'F:\\mytable.csv' into table t_ib fields terminated by ',' optionally enclosed by '"' lines terminated by '\n';
注意： 拥有file权限才可以执行 select ..into outfile和load data infile…操作，但是不要把file, process, super权限授予管理员以外的账号，这样存在严重的安全隐患。 mysql> grant file on *.* to tet@localhost; mysql> load data infile ‘/home/mysql/test.txt’ into table test; (责任编辑：IT) |
