最近没事做了一个数据库project，要求实现一个简单的数据库，能满足几个特定的查询，这里主要介绍一下我们的实现过程，代码放在过ithub，可参看这里。都说python的运行速度很慢，但因为时间比较急，工作量大，我们还是选择了高效实现的python。
一、基本要求
1、设计存储方式
测试的数据量大小为1.5GB，最大的表有6,001,215条记录。最大限度减少I/O次数，减少磁盘占有空间。
2、实现和优化group by，order by
对大表进行group by 聚集、排序，提高查询效率
3、实现和优化TOP k
高效率实现TOP k
4、对插入不作要求
二、总体设计
由于要求主要是对查询做优化，对插入删除不作考虑，完全可以采用列式数据库，发挥列式数据库的优势。
以下是主要框架（忽略了建表和插入数据的过程），图中蓝色箭头表示生成流，橘黄色箭头表示执行流。
整个过程其实是至上而下建立索引，从下往上执行查询，具体细节在详细设计中讲述。
三、详细设计
为了实现高效查询，我将表的各个列从表中抽取出来，单独存放，在查询时，只读取所需要的列，不需要读取原始记录，可以大大的减少I/O次数，但对于select * 这样的查询语句需要读取其他属性，因此我采用行式和列式结合的方式。
1、创建表，生成元数据
在插入记录之前需要建表，确定表的格式和完整性约束，如执行一下建表操作：
create table NATION (N_NATIONKEY int primary key,N_NAME varchar(25), N_REGIONKEY int,N_COMMENT varchar(152), foreign key (N_REGIONKEY) references REGION(R_REGIONKEY));
将生成一个meta.table的元数据文件，该元数据文件第一行保存的是数据库的所有表名，以下的每一行为一个表的详细描述，格式如下：
[表名1]|...|[表名n] [表名1]|[表1主键]|[表1第一个属性，约束]|[表1第二个属性，约束]|...|[[表1第N个属性，约束]] . . .
测试数据共有8个表，REGION，NATION，LINEITEM，ORDERS，CUSTOMER，PARTSUPP，PART，SUPPLIER。示例如下（省略了一些表的描述）：
#meta.table:
REGION|NATION|LINEITEM|ORDERS|CUSTOMER|PARTSUPP|PART|SUPPLIER| NATION|N_NATIONKEY |N_NATIONKEY INT|N_NAME VARCHAR(25)| N_REGIONKEY INT|N_COMMENT VARCHAR(152) REGION|R_REGIONKEY |R_REGIONKEY INT|R_NAME VARCHAR(25)|R_COMMENT VARCHAR(152)
.
.
.
建立元数据的作用，是在查询处理时可以知道某个表的某个属性在原记录文件中的列号，以及该属性属于什么类型，要知道对属性排序和比较时必须知道属性类型。因此原数据表meta.table的属性必须按原记录的顺序保存。该数据表常驻内存，以python的有序字典（map）在内存中存放：
{'NATION': OrderedDict([('N_NATIONKEY', 'INT'), ('N_NAME', 'VARCHAR(25)'), ('N_REGIONKEY', 'INT'), ('N_COMMENT', 'VARCHAR(152)'), ('primary', ['N_NATIONKEY'])]),
'REGION': OrderedDict([('R_REGIONKEY', 'INT'), ('R_NAME', 'VARCHAR(25)'), ('R_COMMENT', 'VARCHAR(152)'), ('primary', ['R_REGIONKEY'])]),...
}
2、插入记录
元数据建立好后，可以进行插入数据，由于时间有限，插入数据时我没有进行完整性检查，假设插入的记录都是合法的，整个插入过程完成后，数据记录如下(REGION表)：
#REGION
0|AFRICA|lar deposits. blithely final packages cajole. regular waters are final requests. regular accounts are according to | 1|AMERICA|hs use ironic, even requests. s| 2|ASIA|ges. thinly even pinto beans ca| 3|EUROPE|ly final courts cajole furiously final excuse| 4|MIDDLE EAST|uickly special accounts cajole carefully blithely close requests. carefully final asymptotes haggle furiousl|
属性之间用‘|’分割，在抽取属性列之前，记录文件不能压缩，我们将在生成列索引时压缩这个原始记录。
3、抽取属性列（同时建立记录行号与行地址的对应表）
将表中的每个属性单独抽取出来，格式为：
[属性值0]|[行号0] [属性值1]|[行号1] [属性值2]|[行号2] . . .
抽取的列示例如下：
#REGION_R_NAME AFRICA|0 AMERICA|1 ASIA|2 EUROPE|3 MIDDLE EAST|4
上面的示例是REGION表中的R_NAME属性的列，后来发现行号可以不用保存，读取到数组中后，数组下标就是行号，这样可以节省一些空间，不过，这个属性列是按原始记录的顺序存放，不能实现按块读取，当记录数很多时，不能放入内存，因此这个属性列文件在下一步之后可以删掉。
抽取列的同时还要完成两个工作，第一个是压缩原始记录表，压缩后原始记录不再需要，读记录只需要读压缩记录即可；第二个就是建立行号到压缩后的行首地址的对应表，这样以后的操作都是按行号进行。在扫描原记录文件的每行时，写压缩文件保存压缩记录表，并记录压缩后的每一行的首地址（获得压缩后的地址在这里）。行号与行首地址的对应表格式如下：
[第0行首地址]
[第1行首地址]
[第2行首地址]
行号与行首地址的对应表示例如下：
#REGION
0
127
171
212
269
用行号代替行地址有，可以节省空间，单个表文件只要大于3*2^32B=12GB（乘以3是因为压缩比率约为3:1），字节地址就超过就超过long int能表示的范围，而行号可以表示更大的表；另一个好处，如果后续需要建立位图索引，用行号比行地址好，因为行号是连续的整数，而行地址是离散在整数空间中，如上面的示例行地址从0直接跳到了127，中间的一串整数都没有用到，那建立的位图索引将是相当稀疏的。
行首地址在查询中不会用到，只有在最后读取原始记录时才需要转换为行号，因此可以将它进行压缩，我们用gzib压缩，gzib为我们提供一个透明的文件压缩，所谓透明，就是像读写普通文件一样，gzib自动在缓冲区进行压缩和解压。
python写压缩文件主要代码如下：
import gzip condenseFile= gzip.open(os.path.join(path,fileName+".gz"),'wb',compresslevel = 4)#以二进制写，压缩等级为4，值越大压缩率越高，但时间越长 block = '...' condenseFile.write(block) condenseFile.flush() condenseFile.close()
读压缩文件：
path = os.path.join(DATABASE,"line2loc") with gzip.open(os.path.join(path,fileName),'rb') as transFile: locations = transFile.read().split(" ")#也可以只读以行 transFile.readline() transFile.close()
4、属性列压缩并建立分块索引
上一步我们得到的属性列只是简单从表中抽取出来，这样的属性列有很多冗余，比如一个表有10000行，某个属性只有10个取值，那在属性列中就需要保存保存10000行，我们可以按属性值进行分组，记录出现该属性值得行号，格式如下：
[属性值0]|[出现该值的行0]|[出现该值的行1]|...|[出现该值的行n] [属性值1]|[出现该值的行0]|[出现该值的行1]|...|[出现该值的行n] . . .
接下来按属性值排序，这样得到的属性列就有序了，排序的过程中需要用到外部排序。排序后的结果，示例如下：
#PARTSUPP_PS_SUPPLYCOST 1.0|81868|307973|409984|490169|620444|632371 1.01|25328|36386|172687|243808|287934|558840|774633|775920 1.02|108457|137974|175055|206681|246824|297497|374608 1.03|38563|117772|175895|289935|381497|486960|630290|644984|723651|726647 1.04|284511|314284|327411|392035|639283|721325|754065|783577 . . . 6.5|193020|436686|746401 6.51|46883|59908|129012|189045|398695|437094|455012|458310|490801|598787 6.52|54123|129198|145810|223578|336148|377020|377755|379426|430717|442844|500296|549401 6.53|32341|54384|149844|208256|437181|528380 6.54|7164|41427|377948|417213|432345|625698|652283|757838
上面的示例截取自PARTSUPP表的PS_SUPPLYCOST。排序之后，我们就可以对它进行分块读取，为了节省空间和减少I/O次数，我们对这个属性表进行分块压缩，并在块上建立索引，我们把属性表称为一级索引，这个在块上的索引称为二级索引。实现时，我们以32KB为一块，不过实际操作时我们的块大于等于32KB，我们依次将各行添加到一个字符串string中，每添加一行我们都会检查string的是否大于等于32*1024B，如果小于32KB，就继续添加一行；直到大于等于32KB，将string写压缩文件，同时记录压缩后的大小，保存该块的首地址和块大小，然后清空string，开始记录下一个块。实现的主要代码如下：
1 scwf = open(os.path.join(scddir,fileName),"w") 2 wf = gzip.open(os.path.join(sortdir,fileName+".gz"),'wb',compresslevel = 4)#压缩属性表 3 block = "" 4 newblock = True#新块标志 5 for k in li:#li存放的是有序的属性值和行号表 6 if newblock == True: 7 blockattr = str(k[0])#块首属性值 8 newblock = False 9 line = str(k[0])+"|" 10 for loc in k[1]: 11 line += loc+"|" 12 block += line+" " 13 if len(block) > BLOCKSIZE: 14 startloc = endloc 15 wf.write(block) 16 endloc = wf.tell() 17 size = endloc - startloc 18 scwf.write(blockattr+SPLITTAG+str(startloc)+SPLITTAG+str(size)+' ')#保存块头的属性值，块首地址和块大小 19 block = ""#块清空 20 newblock = True#新块，下次循环记住新块首部属性值
压缩后生成二级索引，二级索引示例如下：
1.0|0|32812 6.52|32812|32810 12.03|65622|32800 17.46|98422|32835 22.92|131257|32787 28.39|164044|32771 33.77|196815|32794 39.29|229609|32810 44.7|262419|32843
这两级索引的示意图如下：
上面的示例中，第一行表示该属性值1.0-6.52为一块，块内的属性值在[1.0,6.52)之间，块的起始地址为0，块大小为32812B，二级索引也是有序的，因此建立二级索引后，我们可以在二级和一级索引上都进行折半查找，查询速度很快。
整个测试数据压缩后的一级索引列表：
对原始记录表进行压缩后，不能指定抽取属性列建立索引，只能同时对一个表的所有属性建立索引，这在实际应用中有很大缺陷，因为有一些属性根本就不会再查询条件中使用，建立的索引浪费了磁盘空间，也延长了建立索引的时间。虽然设计了压缩原始记录表，但最后我们实现没有压缩原始记录表，行到地址的对应表存的是原始记录的行首部地址。原始记录文件不会删除，这样可以指定表和属性建立索引。
到此，自顶向下的存储和索引一级建立好了，下一篇将介绍SQL语句解析和查询处理。