分区表对导入操作的性能影响

在GaussDB中，相较于非分区表，分区表在数据插入处理流程中额外增加了分区路由环节的开销。

所以从整体来看，分区表场景下的数据插入开销主要由两部分构成，如图1所示：（1）heap-insert基表插入：此部分负责解决元组（tuple）存入对应堆表（heap表）的问题，并且这一操作在普通表和分区表中是通用的；（2）partition-routing分区路由：该部分主要解决分区路由问题，也就是要将元组插入到对应的分区表（partRel）中，并且分区路由算法本身作为一级、二级分区共用，不同之处在于二级分区相比一级分区多一层路由操作，对路由算法为两次调用。

图1 普通表&分区表数据插入
点击放大

因此对数据插入优化的侧重点如下：

分区表基表Heap表插入：
- 算子底噪优化。
- heap数据插入。
- 索引插入build优化（带索引）。
分区表分区路由：
- 路由查找算法逻辑优化。
- 路由底噪优化，包括分区表partRel句柄开启、新增的函数调用逻辑开销。
分区路由的性能在大数据量的单条INSERT语句执行时能得到显著体现。而在UPDATE场景中，其内部操作逻辑更为复杂，它需要先查找出对应要更新的元组，执行DELETE操作将其移除，之后再执行INSERT操作插入新的元组。相较于单条INSERT语句直接插入数据的场景，UPDATE场景的操作步骤更多，流程更繁琐，所以分区路由性能在UPDATE场景下的体现不如单条INSERT语句场景直接。

不同分区类型的路由算法逻辑如表1所示：

表1 路由算法逻辑
分区方式	路由算法复杂度	实现概述说明
范围分区（Range Partition）	O(logN)	基于二分binary-search实现。
间隔分区（Interval Partition）	O(logN)	基于二分binary-search实现。
哈希分区（Hash-Partition）	O(1)	基于key-partoid哈希表实现。
列表分区（List-Partition）	O(1)	基于key-partoid哈希表实现。
二级分区（List/List）	O(1) + O(1)	哈希+哈希。
二级分区（List/Range）	O(1) + O(1) = O(1)	哈希+二分查找。
二级分区（List/Hash）	O(1) + O(1) = O(1)	哈希+哈希。
二级分区（Range/List）	O(1) + O(1) = O(1)	二分查找+哈希。
二级分区（Range/Range）	O(1) + O(1) = O(1)	二分查找+二分查找。
二级分区（Range/Hash）	O(1) + O(1) = O(1)	二分查找+哈希。
二级分区（Hash/List）	O(1) + O(1) = O(1)	哈希+哈希。
二级分区（Hash/Range）	O(1) + O(1) = O(1)	哈希+二分查找。
二级分区（Hash/Hash）	O(1) + O(1) = O(1)	哈希+哈希。