Greenplum在企业的正确使用姿势

背景

很多使用数据仓库的朋友可能都有过这样的困惑，为什么数据仓库的资源经常会出现不可控，或者抢用的情况，严重的甚至影响正常的作业任务，导致不能按时输出报表或者分析结果。

这里的原因较多，最主要的原因可能还是使用姿势不对，MPP是用极资源的产品，一伙人在抢资源当然跑不好。你想想一个跑道能让多架飞机同时起飞或降落吗？

第一张

老外通常如何使用数据仓库

数据仓库的使用人员通常是数据分析师，一个成熟的分析模型的建立，可能需要多次的数据模型分析试错。

通常试错不会允许直接在任务库中执行，因为很容易干扰任务库的任务处理，你一定不想因为试错导致报表不能按时输出吧，相信老板会让你好看的。

因此老外通常会将数据仓库分为两种，一种是跑任务的大数仓，所有的数据都在大数仓里面。

分析人员使用的是独立的小型分析库，如果要试错的话，向DBA提交测试数据的ETL申请，拿到数据后进行分析建模，在多次数据模型分析试错后找到成熟的数据分析模型，再提交到大数仓去RUN 任务。

由于分析人员可能较多，不同的分析人员可能会有同一份数据的分析需求，所以这种模式造成了大量的重复试错数据。每个分析师都要问DBA要数据，也会很痛苦。

第二张

LOFTD消灭重复试错数据

LOFTD是一个独立的具备处理predict, project filter请求的文件服务器。

将LOFTD作为一个外部的数据源，读写非常方便。

数据分析人员向DBA提交数据抽取请求，数据被抽取到LOFTD，小型分析库通过外部表的方式访问LOFTD。

并且LOFTD可以共享给多个小型分析库使用，所以消除了数据的冗余。

第三张

阿里云的用户如何正确使用ApsaraDB for Greenplum

阿里云的用户可以购买SATA+SSD混合存储的Greenplum，以非常高的性价比获得PB级的数据仓库（公测阶段只提供纯SSD的版本）。

用户可以使用ETL工具，或者mysql2pgsql, pgsql2pgsql将数据增量或全量的从MySQL或PgSQL同步到Greenplum。

成熟的分析任务可以跑在这个大的Greenplum数仓上面。

另外，分析人员要数据分析模型试错的话，可以将数据模型分析试错的样本数据导出到OSS。 Greenplum或者RDS PG可以通过OSS外部表直接访问试错数据，进行分析。

ETL可以选择阿里云市场中的ETL服务或者用户自己使用开源的ETL工具，都是非常方便的。

如果试错的数据量（样本数据）在百GB的规模，建议可以直接使用RDS PG
。 9.6还会推出CPU并行计算的功能，处理百GB毫无压力。 数据模型分析试错数据再大一点的话，建议还是购买小型的Greenplum。

这样就可以做到跑成熟的数据分析模型，试错两不误。

如果用户 为了节约成本一定要将成熟模型和试错放到一个数据仓库来跑的话，如果你不想因为任务跑不出来被老板批，建议错开任务的时间。

小结

1. 正确使用数仓（不管是Greenplum还是其他的数仓），必须要搞清楚跑成熟任务和分析人员模型试错是不要混到一起跑的，相互干扰，时间还漫长。 分析人员很贵的，多加几台机器，把模型试错和成熟任务分开，可以给分析人员灵活的发挥空间，又不耽误跑成熟模型，何乐不为呢