ਗੂਗਲ ਕਲਾਉਡ ਸਪੈਨਰ: ਚੰਗਾ, ਬੁਰਾ ਅਤੇ ਬਦਸੂਰਤ

ਹੈਲੋ, Khabrovsk ਨਿਵਾਸੀ. ਆਮ ਵਾਂਗ, ਅਸੀਂ ਨਵੇਂ ਕੋਰਸਾਂ ਦੀ ਸ਼ੁਰੂਆਤ ਤੋਂ ਪਹਿਲਾਂ ਦਿਲਚਸਪ ਸਮੱਗਰੀ ਸਾਂਝੀ ਕਰਨਾ ਜਾਰੀ ਰੱਖਦੇ ਹਾਂ। ਅੱਜ, ਖਾਸ ਤੌਰ 'ਤੇ ਤੁਹਾਡੇ ਲਈ, ਅਸੀਂ ਕੋਰਸ ਦੀ ਸ਼ੁਰੂਆਤ ਦੇ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਗੂਗਲ ਕਲਾਉਡ ਸਪੈਨਰ ਬਾਰੇ ਇੱਕ ਲੇਖ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਹੈ "ਡਿਵੈਲਪਰਾਂ ਲਈ AWS".

ਵਿੱਚ ਮੂਲ ਰੂਪ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ Lightspeed HQ ਬਲੌਗ.

ਇੱਕ ਕੰਪਨੀ ਦੇ ਰੂਪ ਵਿੱਚ ਜੋ ਦੁਨੀਆ ਭਰ ਦੇ ਰਿਟੇਲਰਾਂ, ਰੈਸਟੋਰੇਟਰਾਂ ਅਤੇ ਔਨਲਾਈਨ ਵਿਕਰੇਤਾਵਾਂ ਨੂੰ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਕਲਾਉਡ-ਅਧਾਰਿਤ POS ਹੱਲਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੀ ਹੈ, ਲਾਈਟਸਪੀਡ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਟ੍ਰਾਂਜੈਕਸ਼ਨਲ, ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ, ਅਤੇ ਖੋਜ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ ਕਈ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਡੇਟਾਬੇਸ ਪਲੇਟਫਾਰਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ। ਇਹਨਾਂ ਡੇਟਾਬੇਸ ਪਲੇਟਫਾਰਮਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਦੀਆਂ ਆਪਣੀਆਂ ਸ਼ਕਤੀਆਂ ਅਤੇ ਕਮਜ਼ੋਰੀਆਂ ਹਨ। ਇਸ ਲਈ, ਜਦੋਂ ਗੂਗਲ ਨੇ ਕਲਾਉਡ ਸਪੈਨਰ ਨੂੰ ਮਾਰਕੀਟ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ - ਰਿਲੇਸ਼ਨਲ ਡੇਟਾਬੇਸ ਦੀ ਦੁਨੀਆ ਵਿੱਚ ਅਣਦੇਖੀ ਹੋਣ ਵਾਲੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਜਿਵੇਂ ਕਿ ਅਸਲ ਵਿੱਚ ਅਸੀਮਤ ਹਰੀਜੱਟਲ ਸਕੇਲੇਬਿਲਟੀ ਅਤੇ ਇੱਕ 99,999% ਸੇਵਾ ਪੱਧਰ ਸਮਝੌਤਾ (SLA), - ਅਸੀਂ ਇਸ 'ਤੇ ਆਪਣੇ ਹੱਥ ਲੈਣ ਦਾ ਮੌਕਾ ਨਹੀਂ ਗੁਆ ਸਕਦੇ!

ਕਲਾਉਡ ਸਪੈਨਰ ਦੇ ਨਾਲ ਸਾਡੇ ਤਜ਼ਰਬੇ ਦੀ ਇੱਕ ਵਿਆਪਕ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ, ਨਾਲ ਹੀ ਸਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਗਏ ਮੁਲਾਂਕਣ ਮਾਪਦੰਡ, ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ:

1. ਸਾਡੇ ਮੁਲਾਂਕਣ ਦੇ ਮਾਪਦੰਡ
2. ਸੰਖੇਪ ਵਿੱਚ ਕਲਾਉਡ ਸਪੈਨਰ
3. ਸਾਡਾ ਮੁਲਾਂਕਣ
4. ਸਾਡੀ ਖੋਜ

1. ਸਾਡੇ ਮੁਲਾਂਕਣ ਦੇ ਮਾਪਦੰਡ

ਕਲਾਉਡ ਸਪੈਨਰ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ, ਇਸਦੀ ਸਮਾਨਤਾਵਾਂ ਅਤੇ ਮਾਰਕੀਟ ਵਿੱਚ ਦੂਜੇ ਹੱਲਾਂ ਨਾਲ ਅੰਤਰ, ਆਓ ਪਹਿਲਾਂ ਉਹਨਾਂ ਮੁੱਖ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਬਾਰੇ ਗੱਲ ਕਰੀਏ ਜੋ ਸਾਡੇ ਧਿਆਨ ਵਿੱਚ ਸਨ ਜਦੋਂ ਸਾਡੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਕਲਾਉਡ ਸਪੈਨਰ ਨੂੰ ਕਿੱਥੇ ਤਾਇਨਾਤ ਕਰਨਾ ਹੈ:

• (ਪ੍ਰਮੁੱਖ) ਪਰੰਪਰਾਗਤ SQL ਡਾਟਾਬੇਸ ਹੱਲ ਦੇ ਬਦਲ ਵਜੋਂ
• OLAP ਸਹਾਇਤਾ ਨਾਲ OLTP ਹੱਲ ਕਿਵੇਂ ਕਰੀਏ

ਨੋਟ: ਸਰਲਤਾ ਅਤੇ ਤੁਲਨਾ ਦੀ ਸੌਖ ਲਈ, ਇਹ ਲੇਖ ਕਲਾਉਡ ਸਪੈਨਰ ਦੀ GCP ਕਲਾਉਡ SQL ਅਤੇ Amazon AWS RDS ਹੱਲ ਪਰਿਵਾਰਾਂ ਦੇ MySQL ਰੂਪਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰਦਾ ਹੈ।

ਇੱਕ ਰਵਾਇਤੀ SQL ਡਾਟਾਬੇਸ ਹੱਲ ਦੇ ਬਦਲ ਵਜੋਂ ਕਲਾਉਡ ਸਪੈਨਰ ਦੀ ਵਰਤੋਂ ਕਰਨਾ

ਵਾਤਾਵਰਣ ਵਿੱਚ ਰਵਾਇਤੀ ਡੇਟਾਬੇਸ, ਜਦੋਂ ਡੇਟਾਬੇਸ ਪੁੱਛਗਿੱਛ ਦਾ ਜਵਾਬ ਸਮਾਂ ਪਹੁੰਚਦਾ ਹੈ ਜਾਂ ਪਹਿਲਾਂ ਤੋਂ ਪਰਿਭਾਸ਼ਿਤ ਐਪਲੀਕੇਸ਼ਨ ਥ੍ਰੈਸ਼ਹੋਲਡ (ਮੁੱਖ ਤੌਰ 'ਤੇ ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ/ਜਾਂ ਬੇਨਤੀਆਂ ਦੀ ਗਿਣਤੀ ਵਿੱਚ ਵਾਧੇ ਕਾਰਨ) ਤੋਂ ਵੱਧ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜਵਾਬ ਦੇ ਸਮੇਂ ਨੂੰ ਸਵੀਕਾਰਯੋਗ ਪੱਧਰਾਂ ਤੱਕ ਘਟਾਉਣ ਦੇ ਕਈ ਤਰੀਕੇ ਹਨ। ਹਾਲਾਂਕਿ, ਇਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਹੱਲਾਂ ਵਿੱਚ ਦਸਤੀ ਦਖਲ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ।

ਉਦਾਹਰਨ ਲਈ, ਪਹਿਲਾ ਕਦਮ ਚੁੱਕਣਾ ਹੈ ਵੱਖ-ਵੱਖ ਪ੍ਰਦਰਸ਼ਨ-ਸਬੰਧਤ ਡਾਟਾਬੇਸ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਦੇਖਣਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਐਪਲੀਕੇਸ਼ਨ ਵਰਤੋਂ ਦੇ ਕੇਸਾਂ ਦੇ ਪੈਟਰਨਾਂ ਨਾਲ ਸਭ ਤੋਂ ਵਧੀਆ ਮੇਲ ਕਰਨ ਲਈ ਟਿਊਨ ਕਰਨਾ। ਜੇਕਰ ਇਹ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਡਾਟਾਬੇਸ ਨੂੰ ਲੰਬਕਾਰੀ ਜਾਂ ਖਿਤਿਜੀ ਰੂਪ ਵਿੱਚ ਸਕੇਲ ਕਰਨ ਦੀ ਚੋਣ ਕਰ ਸਕਦੇ ਹੋ।

ਇੱਕ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਲੰਬਕਾਰੀ ਤੌਰ 'ਤੇ ਸਕੇਲ ਕਰਨ ਲਈ ਸਰਵਰ ਉਦਾਹਰਨ ਨੂੰ ਅੱਪਗਰੇਡ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਹੋਰ ਪ੍ਰੋਸੈਸਰ/ਕੋਰ, ਵਧੇਰੇ RAM, ਤੇਜ਼ ਸਟੋਰੇਜ, ਆਦਿ ਨੂੰ ਜੋੜ ਕੇ। ਵਧੇਰੇ ਹਾਰਡਵੇਅਰ ਸਰੋਤਾਂ ਨੂੰ ਜੋੜਨ ਨਾਲ ਡਾਟਾਬੇਸ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਵਾਧਾ ਹੁੰਦਾ ਹੈ, ਮੁੱਖ ਤੌਰ 'ਤੇ ਦੂਜੇ ਵਿੱਚ ਲੈਣ-ਦੇਣ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ OLTP ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਲੈਣ-ਦੇਣ ਦੀ ਲੇਟੈਂਸੀ। ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸ ਸਿਸਟਮ (ਜੋ ਕਿ ਮਲਟੀ-ਥਰਿੱਡਡ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ) ਜਿਵੇਂ ਕਿ MySQL ਸਕੇਲ ਲੰਬਕਾਰੀ ਢੰਗ ਨਾਲ।

ਇਸ ਪਹੁੰਚ ਦੇ ਕਈ ਨੁਕਸਾਨ ਹਨ, ਪਰ ਸਭ ਤੋਂ ਸਪੱਸ਼ਟ ਹੈ ਮਾਰਕੀਟ 'ਤੇ ਸਰਵਰ ਦਾ ਵੱਧ ਤੋਂ ਵੱਧ ਆਕਾਰ. ਇੱਕ ਵਾਰ ਸਰਵਰ ਦੀ ਸਭ ਤੋਂ ਵੱਡੀ ਉਦਾਹਰਣ ਦੀ ਸੀਮਾ ਪੂਰੀ ਹੋ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਇੱਥੇ ਸਿਰਫ਼ ਇੱਕ ਵਿਕਲਪ ਬਚਦਾ ਹੈ: ਹਰੀਜੱਟਲ ਸਕੇਲਿੰਗ।

ਹਰੀਜ਼ੋਂਟਲ ਸਕੇਲਿੰਗ ਇੱਕ ਅਜਿਹੀ ਪਹੁੰਚ ਹੈ ਜਿੱਥੇ ਇੱਕ ਕਲੱਸਟਰ ਵਿੱਚ ਹੋਰ ਸਰਵਰ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਸਰਵਰਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਜੋੜਨ ਦੇ ਨਾਲ ਆਦਰਸ਼ਕ ਤੌਰ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਬਹੁਮਤ ਰਵਾਇਤੀ ਡਾਟਾਬੇਸ ਸਿਸਟਮ ਲੇਟਵੇਂ ਤੌਰ 'ਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਮਾਪਦੇ ਨਹੀਂ ਹਨ ਜਾਂ ਬਿਲਕੁਲ ਵੀ ਸਕੇਲ ਨਹੀਂ ਕਰਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, MySQL ਸਲੇਵ ਰੀਡਰਾਂ ਨੂੰ ਜੋੜ ਕੇ ਰੀਡ ਓਪਰੇਸ਼ਨਾਂ ਲਈ ਖਿਤਿਜੀ ਤੌਰ 'ਤੇ ਸਕੇਲ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਲਿਖਤਾਂ ਲਈ ਖਿਤਿਜੀ ਤੌਰ 'ਤੇ ਸਕੇਲ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ।

ਦੂਜੇ ਪਾਸੇ, ਇਸਦੀ ਪ੍ਰਕਿਰਤੀ ਦੇ ਕਾਰਨ, ਕਲਾਉਡ ਸਪੈਨਰ ਘੱਟ ਤੋਂ ਘੱਟ ਦਖਲਅੰਦਾਜ਼ੀ ਨਾਲ ਆਸਾਨੀ ਨਾਲ ਖਿਤਿਜੀ ਸਕੇਲ ਕਰ ਸਕਦਾ ਹੈ।

ਪੂਰੀ ਤਰ੍ਹਾਂ ਫੀਚਰਡ ਇੱਕ ਸੇਵਾ ਦੇ ਤੌਰ 'ਤੇ DBMS ਵੱਖ-ਵੱਖ ਕੋਣਾਂ ਤੋਂ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ ਆਧਾਰ ਦੇ ਤੌਰ ਤੇ, ਅਸੀਂ ਕਲਾਉਡ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਸਿੱਧ DBMS ਲਿਆ - Google, GCP Cloud SQL ਅਤੇ Amazon, AWS RDS ਲਈ। ਸਾਡੇ ਮੁਲਾਂਕਣ ਵਿੱਚ ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਸ਼੍ਰੇਣੀਆਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ:

• ਫੀਚਰ ਮੈਪਿੰਗ: ਐਕਸਟੈਂਟ SQL, DDL, DML; ਕਨੈਕਸ਼ਨ ਲਾਇਬ੍ਰੇਰੀਆਂ/ਕਨੈਕਟਰ, ਲੈਣ-ਦੇਣ ਸਹਾਇਤਾ, ਅਤੇ ਹੋਰ।
• ਵਿਕਾਸ ਸਮਰਥਨ: ਆਸਾਨ ਵਿਕਾਸ ਅਤੇ ਟੈਸਟਿੰਗ.
• ਪ੍ਰਸ਼ਾਸਨ ਸਹਾਇਤਾ: ਉਦਾਹਰਨ ਪ੍ਰਬੰਧਨ - ਉਦਾਹਰਨ ਲਈ, ਉੱਪਰ/ਡਾਊਨ ਸਕੇਲਿੰਗ ਅਤੇ ਉਦਾਹਰਨਾਂ ਨੂੰ ਅੱਪਗਰੇਡ ਕਰਨਾ; SLA, ਬੈਕਅੱਪ ਅਤੇ ਰਿਕਵਰੀ; ਸੁਰੱਖਿਆ/ਪਹੁੰਚ ਨਿਯੰਤਰਣ।

OLAP-ਸਮਰੱਥ OLTP ਹੱਲ ਵਜੋਂ ਕਲਾਉਡ ਸਪੈਨਰ ਦੀ ਵਰਤੋਂ ਕਰਨਾ

ਹਾਲਾਂਕਿ ਗੂਗਲ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦਾਅਵਾ ਨਹੀਂ ਕਰਦਾ ਹੈ ਕਿ ਕਲਾਉਡ ਸਪੈਨਰ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਪ੍ਰਕਿਰਿਆ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਇਹ ਅਪਾਚੇ ਇਮਪਾਲਾ ਅਤੇ ਕੁਡੂ ਅਤੇ ਯੁਗਾਬਾਈਟ ਵਰਗੇ ਹੋਰ ਇੰਜਣਾਂ ਨਾਲ ਕੁਝ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸਾਂਝਾ ਕਰਦਾ ਹੈ, ਜੋ OLAP ਵਰਕਲੋਡ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ।

ਭਾਵੇਂ ਕਿ ਸਿਰਫ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਸੰਭਾਵਨਾ ਸੀ ਕਿ ਕਲਾਉਡ ਸਪੈਨਰ ਵਿੱਚ ਇੱਕ (ਵੱਧ ਜਾਂ ਘੱਟ) ਵਰਤੋਂ ਯੋਗ OLAP ਵਿਸ਼ੇਸ਼ਤਾ ਸੈੱਟ ਦੇ ਨਾਲ ਇੱਕ ਇਕਸਾਰ ਸਕੇਲ-ਆਊਟ HTAP (ਹਾਈਬ੍ਰਿਡ ਟ੍ਰਾਂਜੈਕਸ਼ਨਲ/ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰੋਸੈਸਿੰਗ) ਇੰਜਣ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਸੀਂ ਸੋਚਦੇ ਹਾਂ ਕਿ ਇਹ ਸਾਡੇ ਧਿਆਨ ਦੇ ਯੋਗ ਹੋਵੇਗਾ।

ਇਸ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਨੂੰ ਦੇਖਿਆ:

• ਡਾਟਾ ਲੋਡਿੰਗ, ਇੰਡੈਕਸ ਅਤੇ ਵਿਭਾਗੀਕਰਨ ਸਮਰਥਨ
• ਪੁੱਛਗਿੱਛ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ DML

2. ਸੰਖੇਪ ਵਿੱਚ ਕਲਾਉਡ ਸਪੈਨਰ

ਗੂਗਲ ਸਪੈਨਰ ਇੱਕ ਕਲੱਸਟਰਡ ਰਿਲੇਸ਼ਨਲ ਡਾਟਾਬੇਸ ਮੈਨੇਜਮੈਂਟ ਸਿਸਟਮ (RDBMS) ਹੈ ਜੋ Google ਆਪਣੀਆਂ ਕਈ ਸੇਵਾਵਾਂ ਲਈ ਵਰਤਦਾ ਹੈ। ਗੂਗਲ ਨੇ ਇਸਨੂੰ ਆਮ ਤੌਰ 'ਤੇ 2017 ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਗੂਗਲ ਕਲਾਉਡ ਪਲੇਟਫਾਰਮ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਉਪਲਬਧ ਕਰਵਾਇਆ ਸੀ।

ਇੱਥੇ ਕਲਾਉਡ ਸਪੈਨਰ ਦੀਆਂ ਕੁਝ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ:

• ਬਹੁਤ ਹੀ ਇਕਸਾਰ ਸਕੇਲੇਬਲ RDBMS ਕਲੱਸਟਰ: ਡਾਟਾ ਇਕਸਾਰਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਹਾਰਡਵੇਅਰ ਟਾਈਮ ਸਮਕਾਲੀਕਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
• ਕ੍ਰਾਸ-ਟੇਬਲ ਟ੍ਰਾਂਜੈਕਸ਼ਨ ਸਮਰਥਨ: ਟ੍ਰਾਂਜੈਕਸ਼ਨ ਕਈ ਟੇਬਲਾਂ ਨੂੰ ਫੈਲਾ ਸਕਦੇ ਹਨ - ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਇੱਕ ਟੇਬਲ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ (ਅਪਾਚੇ ਐਚਬੇਸ ਜਾਂ ਅਪਾਚੇ ਕੁਡੂ ਦੇ ਉਲਟ)।
• ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ ਅਧਾਰਤ ਟੇਬਲ: ਸਾਰੀਆਂ ਟੇਬਲਾਂ ਵਿੱਚ ਇੱਕ ਘੋਸ਼ਿਤ ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ (PC) ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਸਾਰਣੀ ਵਿੱਚ ਕਈ ਕਾਲਮ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ। ਟੇਬੂਲਰ ਡੇਟਾ ਪੀਸੀ ਕ੍ਰਮ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਨੂੰ ਪੀਸੀ ਖੋਜ ਲਈ ਬਹੁਤ ਕੁਸ਼ਲ ਅਤੇ ਤੇਜ਼ ਬਣਾਉਂਦਾ ਹੈ। ਹੋਰ ਪੀਸੀ-ਅਧਾਰਿਤ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਤਰ੍ਹਾਂ, ਲਾਗੂ ਕਰਨ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਪੂਰਵ-ਡਿਜ਼ਾਇਨ ਕੀਤੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਮਾਡਲ ਬਣਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ.
• ਸਟ੍ਰਿਪਡ ਟੇਬਲ: ਟੇਬਲਾਂ ਦੀ ਇੱਕ ਦੂਜੇ ਉੱਤੇ ਭੌਤਿਕ ਨਿਰਭਰਤਾ ਹੋ ਸਕਦੀ ਹੈ। ਚਾਈਲਡ ਟੇਬਲ ਦੀਆਂ ਕਤਾਰਾਂ ਨੂੰ ਇੱਕ ਪੇਰੈਂਟ ਟੇਬਲ ਵਿੱਚ ਕਤਾਰਾਂ ਨਾਲ ਮੇਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਪਹੁੰਚ ਉਹਨਾਂ ਸਬੰਧਾਂ ਦੀ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ ਜੋ ਡੇਟਾ ਮਾਡਲਿੰਗ ਪੜਾਅ ਦੇ ਦੌਰਾਨ ਪਛਾਣੇ ਜਾ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਹਿ-ਸਥਾਨਕ ਗਾਹਕ ਅਤੇ ਉਹਨਾਂ ਦੇ ਚਲਾਨ।
• ਸੂਚਕਾਂਕ: ਕਲਾਉਡ ਸਪੈਨਰ ਸੈਕੰਡਰੀ ਸੂਚਕਾਂਕ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ। ਸੂਚਕਾਂਕ ਵਿੱਚ ਇੰਡੈਕਸ ਕੀਤੇ ਕਾਲਮ ਅਤੇ ਸਾਰੇ PC ਕਾਲਮ ਹੁੰਦੇ ਹਨ। ਜੇਕਰ ਲੋੜੀਦਾ ਹੋਵੇ, ਤਾਂ ਸੂਚਕਾਂਕ ਵਿੱਚ ਹੋਰ ਗੈਰ-ਇੰਡੈਕਸਡ ਕਾਲਮ ਵੀ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ। ਪੁੱਛਗਿੱਛਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਲਈ ਸੂਚਕਾਂਕ ਨੂੰ ਪੇਰੈਂਟ ਟੇਬਲ ਨਾਲ ਇੰਟਰਲੀਵ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਕਈ ਪਾਬੰਦੀਆਂ ਸੂਚਕਾਂਕ 'ਤੇ ਲਾਗੂ ਹੁੰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਸੂਚਕਾਂਕ ਵਿੱਚ ਸਟੋਰ ਕੀਤੇ ਵਾਧੂ ਕਾਲਮਾਂ ਦੀ ਅਧਿਕਤਮ ਸੰਖਿਆ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸੂਚਕਾਂਕ ਰਾਹੀਂ ਪੁੱਛਗਿੱਛ ਹੋਰ RDBMSs ਵਾਂਗ ਸਿੱਧੀ ਨਹੀਂ ਹੋ ਸਕਦੀ।

"ਕਲਾਊਡ ਸਪੈਨਰ ਸਿਰਫ ਦੁਰਲੱਭ ਮਾਮਲਿਆਂ ਵਿੱਚ ਇੱਕ ਸੂਚਕਾਂਕ ਨੂੰ ਆਪਣੇ ਆਪ ਚੁਣਦਾ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ, ਕਲਾਉਡ ਸਪੈਨਰ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਸੈਕੰਡਰੀ ਇੰਡੈਕਸ ਦੀ ਚੋਣ ਨਹੀਂ ਕਰਦਾ ਹੈ ਜੇਕਰ ਕੋਈ ਪੁੱਛਗਿੱਛ ਕਿਸੇ ਅਜਿਹੇ ਕਾਲਮ ਦੀ ਬੇਨਤੀ ਕਰਦੀ ਹੈ ਜੋ ਇਸ ਵਿੱਚ ਸਟੋਰ ਨਹੀਂ ਕੀਤੇ ਗਏ ਹਨ ਸੂਚਕਾਂਕ ".

• ਸਰਵਿਸ ਲੈਵਲ ਐਗਰੀਮੈਂਟ (SLA): 99,99% ਦੇ SLA ਨਾਲ ਇੱਕ ਖੇਤਰ ਵਿੱਚ ਤੈਨਾਤੀ; 99,999% SLA ਨਾਲ ਬਹੁ-ਖੇਤਰੀ ਤੈਨਾਤੀਆਂ। ਜਦੋਂ ਕਿ SLA ਆਪਣੇ ਆਪ ਵਿੱਚ ਸਿਰਫ਼ ਇੱਕ ਸਮਝੌਤਾ ਹੈ ਅਤੇ ਕਿਸੇ ਵੀ ਕਿਸਮ ਦੀ ਗਾਰੰਟੀ ਨਹੀਂ ਹੈ, ਮੇਰਾ ਮੰਨਣਾ ਹੈ ਕਿ ਗੂਗਲ ਦੇ ਲੋਕਾਂ ਕੋਲ ਅਜਿਹਾ ਮਜ਼ਬੂਤ ​​ਦਾਅਵਾ ਕਰਨ ਲਈ ਕੁਝ ਸਖ਼ਤ ਡੇਟਾ ਹੈ। (ਹਵਾਲੇ ਲਈ, 99,999% ਦਾ ਮਤਲਬ ਹੈ ਪ੍ਰਤੀ ਮਹੀਨਾ 26,3 ਸਕਿੰਟ ਸੇਵਾ ਦੀ ਅਣਉਪਲਬਧਤਾ।)
• ਹੋਰ: https://cloud.google.com/spanner/

ਨੋਟ: ਅਪਾਚੇ ਟੇਫਰਾ ਪ੍ਰੋਜੈਕਟ ਅਪਾਚੇ ਐਚਬੇਸ (ਹੁਣ ਬੀਟਾ ਦੇ ਤੌਰ 'ਤੇ ਅਪਾਚੇ ਫੀਨਿਕਸ ਵਿੱਚ ਵੀ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ) ਵਿੱਚ ਵਿਸਤ੍ਰਿਤ ਟ੍ਰਾਂਜੈਕਸ਼ਨ ਸਮਰਥਨ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ।

3. ਸਾਡਾ ਮੁਲਾਂਕਣ

ਇਸ ਲਈ, ਅਸੀਂ ਸਭ ਨੇ ਕਲਾਉਡ ਸਪੈਨਰ ਦੇ ਲਾਭਾਂ ਬਾਰੇ ਗੂਗਲ ਦੇ ਦਾਅਵਿਆਂ ਨੂੰ ਪੜ੍ਹਿਆ ਹੈ - ਉੱਚ ਇਕਸਾਰਤਾ ਅਤੇ ਬਹੁਤ ਉੱਚ ਐਸਐਲਏ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ ਅਸਲ ਵਿੱਚ ਅਸੀਮਤ ਹਰੀਜੱਟਲ ਸਕੇਲਿੰਗ। ਹਾਲਾਂਕਿ ਇਹ ਲੋੜਾਂ, ਕਿਸੇ ਵੀ ਸਥਿਤੀ ਵਿੱਚ, ਪ੍ਰਾਪਤ ਕਰਨਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੈ, ਸਾਡਾ ਟੀਚਾ ਇਹਨਾਂ ਦਾ ਖੰਡਨ ਕਰਨਾ ਨਹੀਂ ਸੀ। ਇਸ ਦੀ ਬਜਾਏ, ਆਉ ਉਹਨਾਂ ਹੋਰ ਚੀਜ਼ਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰੀਏ ਜਿਨ੍ਹਾਂ ਬਾਰੇ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾਬੇਸ ਉਪਭੋਗਤਾ ਧਿਆਨ ਰੱਖਦੇ ਹਨ: ਸਮਾਨਤਾ ਅਤੇ ਉਪਯੋਗਤਾ।

ਅਸੀਂ Sharded MySQL ਦੇ ਬਦਲ ਵਜੋਂ ਕਲਾਉਡ ਸਪੈਨਰ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਹੈ

Google ਕਲਾਉਡ SQL ਅਤੇ Amazon AWS RDS, ਕਲਾਉਡ ਮਾਰਕੀਟ ਵਿੱਚ ਦੋ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ OLTP DBMS, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਇੱਕ ਬਹੁਤ ਵੱਡਾ ਸਮੂਹ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹਨਾਂ ਡੇਟਾਬੇਸ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਨੋਡ ਦੇ ਆਕਾਰ ਤੋਂ ਪਰੇ ਸਕੇਲ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਐਪਲੀਕੇਸ਼ਨ ਵਿਭਾਗੀਕਰਨ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਇਹ ਪਹੁੰਚ ਐਪਲੀਕੇਸ਼ਨਾਂ ਅਤੇ ਪ੍ਰਸ਼ਾਸਨ ਦੋਵਾਂ ਲਈ ਅਤਿਰਿਕਤ ਜਟਿਲਤਾ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਅਸੀਂ ਦੇਖਿਆ ਕਿ ਸਪੈਨਰ ਇੱਕ ਇੱਕਲੇ ਮੌਕੇ ਵਿੱਚ ਕਈ ਸ਼ਾਰਡਾਂ ਨੂੰ ਜੋੜਨ ਦੇ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਕਿਵੇਂ ਫਿੱਟ ਬੈਠਦਾ ਹੈ ਅਤੇ ਕਿਹੜੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਜੇ ਕੋਈ ਹਨ) ਨੂੰ ਕੁਰਬਾਨ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।

SQL, DML ਅਤੇ DDL ਸਹਿਯੋਗ, ਨਾਲ ਹੀ ਕਨੈਕਟਰ ਅਤੇ ਲਾਇਬ੍ਰੇਰੀਆਂ?

ਪਹਿਲਾਂ, ਕਿਸੇ ਵੀ ਡੇਟਾਬੇਸ ਨਾਲ ਸ਼ੁਰੂ ਕਰਦੇ ਸਮੇਂ, ਤੁਹਾਨੂੰ ਇੱਕ ਡੇਟਾ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਸੋਚਦੇ ਹੋ ਕਿ ਤੁਸੀਂ JDBC ਸਪੈਨਰ ਨੂੰ ਆਪਣੇ ਮਨਪਸੰਦ SQL ਟੂਲ ਨਾਲ ਕਨੈਕਟ ਕਰ ਸਕਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਦੇਖੋਗੇ ਕਿ ਤੁਸੀਂ ਇਸ ਨਾਲ ਆਪਣੇ ਡੇਟਾ ਦੀ ਪੁੱਛਗਿੱਛ ਕਰ ਸਕਦੇ ਹੋ, ਪਰ ਤੁਸੀਂ ਇਸਦੀ ਵਰਤੋਂ ਸਾਰਣੀ ਬਣਾਉਣ ਜਾਂ ਸੋਧਣ (DDL) ਜਾਂ ਕਿਸੇ ਵੀ ਸੰਮਿਲਿਤ/ਅੱਪਡੇਟ/ਮਿਟਾਉਣ ਲਈ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹੋ। ਓਪਰੇਸ਼ਨ (DML)। ਗੂਗਲ ਦਾ ਅਧਿਕਾਰਤ JDBC ਇਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦਾ ਹੈ।

"ਡਰਾਈਵਰ ਵਰਤਮਾਨ ਵਿੱਚ DML ਜਾਂ DDL ਸਟੇਟਮੈਂਟਾਂ ਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦੇ।"
ਸਪੈਨਰ ਦਸਤਾਵੇਜ਼ੀ

GCP ਕੰਸੋਲ ਨਾਲ ਸਥਿਤੀ ਬਿਹਤਰ ਨਹੀਂ ਹੈ - ਤੁਸੀਂ ਸਿਰਫ਼ SELECT ਸਵਾਲ ਭੇਜ ਸਕਦੇ ਹੋ। ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, ਲੈਣ-ਦੇਣ ਸਮੇਤ, ਕਮਿਊਨਿਟੀ ਤੋਂ DML ਅਤੇ DDL ਲਈ ਸਮਰਥਨ ਵਾਲਾ JDBC ਡਰਾਈਵਰ ਹੈ github.com/olavloite/spanner-jdbc. ਹਾਲਾਂਕਿ ਇਹ ਡਰਾਈਵਰ ਬੇਹੱਦ ਉਪਯੋਗੀ ਹੈ, ਗੂਗਲ ਦੇ ਆਪਣੇ ਜੇਡੀਬੀਸੀ ਡਰਾਈਵਰ ਦੀ ਕਮੀ ਹੈਰਾਨੀਜਨਕ ਹੈ। ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, ਗੂਗਲ ਕਲਾਇੰਟ ਲਾਇਬ੍ਰੇਰੀਆਂ (gRPC 'ਤੇ ਅਧਾਰਤ): C#, Go, Java, node.js, PHP, Python, ਅਤੇ Ruby ਲਈ ਕਾਫ਼ੀ ਵਿਆਪਕ ਸਮਰਥਨ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ।

ਕਲਾਉਡ ਸਪੈਨਰ ਕਸਟਮ API (JDBC ਵਿੱਚ DDL ਅਤੇ DML ਦੀ ਕਮੀ ਦੇ ਕਾਰਨ) ਦੀ ਲਗਭਗ ਲਾਜ਼ਮੀ ਵਰਤੋਂ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਸੰਬੰਧਿਤ ਕੋਡ ਖੇਤਰਾਂ ਜਿਵੇਂ ਕਿ ਕਨੈਕਸ਼ਨ ਪੂਲ ਜਾਂ ਡੇਟਾਬੇਸ ਬਾਈਡਿੰਗ ਫਰੇਮਵਰਕ (ਉਦਾਹਰਨ ਲਈ ਸਪਰਿੰਗ MVC) ਲਈ ਕੁਝ ਸੀਮਾਵਾਂ ਹਨ। ਆਮ ਤੌਰ 'ਤੇ, JDBC ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ, ਤੁਸੀਂ ਆਪਣੇ ਪਸੰਦੀਦਾ ਕਨੈਕਸ਼ਨ ਪੂਲ (ਜਿਵੇਂ ਕਿ HikariCP, DBCP, C3PO, ਆਦਿ) ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਸੁਤੰਤਰ ਹੋ, ਜੋ ਟੈਸਟ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ। ਕਸਟਮ ਸਪੈਨਰ API ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਸਾਨੂੰ ਫਰੇਮਵਰਕ/ਬਾਈਡਿੰਗ ਪੂਲ/ਸੈਸ਼ਨਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਜੋ ਅਸੀਂ ਆਪਣੇ ਆਪ ਬਣਾਏ ਹਨ।

ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ (ਪੀਸੀ) ਕੇਂਦ੍ਰਿਤ ਡਿਜ਼ਾਈਨ ਕਲਾਉਡ ਸਪੈਨਰ ਨੂੰ ਪੀਸੀ ਦੁਆਰਾ ਡੇਟਾ ਐਕਸੈਸ ਕਰਨ ਵੇਲੇ ਬਹੁਤ ਤੇਜ਼ ਹੋਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਪਰ ਕੁਝ ਪੁੱਛਗਿੱਛ ਮੁੱਦੇ ਵੀ ਪੇਸ਼ ਕਰਦਾ ਹੈ।

• ਤੁਸੀਂ ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ ਮੁੱਲ ਨੂੰ ਅੱਪਡੇਟ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹੋ; ਤੁਹਾਨੂੰ ਪਹਿਲਾਂ ਅਸਲ ਪੀਸੀ ਤੋਂ ਐਂਟਰੀ ਨੂੰ ਮਿਟਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਨਵੇਂ ਮੁੱਲ ਨਾਲ ਦੁਬਾਰਾ ਪਾਉਣਾ ਚਾਹੀਦਾ ਹੈ। (ਇਹ ਦੂਜੇ ਪੀਸੀ ਓਰੀਐਂਟੇਡ ਡੇਟਾਬੇਸ/ਸਟੋਰੇਜ ਇੰਜਣਾਂ ਦੇ ਸਮਾਨ ਹੈ।)
• ਕਿਸੇ ਵੀ ਅੱਪਡੇਟ ਅਤੇ ਡਿਲੀਟ ਸਟੇਟਮੈਂਟਾਂ ਵਿੱਚ PC ਨੂੰ WHERE ਵਿੱਚ ਨਿਸ਼ਚਿਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਇਸਲਈ ਇੱਥੇ ਖਾਲੀ ਮਿਟਾਓ ਸਾਰੇ ਸਟੇਟਮੈਂਟ ਨਹੀਂ ਹੋ ਸਕਦੇ - ਉੱਥੇ ਹਮੇਸ਼ਾ ਇੱਕ ਸਬਕਵੇਰੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ, ਉਦਾਹਰਨ ਲਈ: ਅੱਪਡੇਟ xxx WHERE id IN (ਟੇਬਲ 1 ਤੋਂ ਆਈਡੀ ਚੁਣੋ)
• ਆਟੋ-ਇੰਕਰੀਮੈਂਟ ਵਿਕਲਪ ਦੀ ਘਾਟ ਜਾਂ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਕੋਈ ਚੀਜ਼ ਜੋ ਪੀਸੀ ਖੇਤਰ ਲਈ ਕ੍ਰਮ ਸੈੱਟ ਕਰਦੀ ਹੈ। ਇਸ ਨੂੰ ਕੰਮ ਕਰਨ ਲਈ, ਐਪਲੀਕੇਸ਼ਨ ਸਾਈਡ 'ਤੇ ਅਨੁਸਾਰੀ ਮੁੱਲ ਬਣਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

ਸੈਕੰਡਰੀ ਸੂਚਕਾਂਕ?

ਗੂਗਲ ਕਲਾਉਡ ਸਪੈਨਰ ਕੋਲ ਸੈਕੰਡਰੀ ਇੰਡੈਕਸ ਲਈ ਬਿਲਟ-ਇਨ ਸਮਰਥਨ ਹੈ। ਇਹ ਇੱਕ ਬਹੁਤ ਹੀ ਵਧੀਆ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ ਜੋ ਹਮੇਸ਼ਾ ਹੋਰ ਤਕਨਾਲੋਜੀਆਂ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੁੰਦੀ ਹੈ। Apache Kudu ਵਰਤਮਾਨ ਵਿੱਚ ਸੈਕੰਡਰੀ ਸੂਚਕਾਂਕ ਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਅਤੇ Apache HBase ਸਿੱਧੇ ਸੂਚਕਾਂਕ ਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਨੂੰ ਅਪਾਚੇ ਫੀਨਿਕਸ ਦੁਆਰਾ ਜੋੜ ਸਕਦਾ ਹੈ।

Kudu ਅਤੇ HBase ਵਿੱਚ ਸੂਚਕਾਂਕ ਨੂੰ ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀਆਂ ਦੀ ਇੱਕ ਵੱਖਰੀ ਰਚਨਾ ਦੇ ਨਾਲ ਇੱਕ ਵੱਖਰੀ ਸਾਰਣੀ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਡਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਪਰ ਮੂਲ ਸਾਰਣੀ ਅਤੇ ਸੰਬੰਧਿਤ ਸੂਚਕਾਂਕ ਟੇਬਲਾਂ 'ਤੇ ਕੀਤੇ ਗਏ ਓਪਰੇਸ਼ਨਾਂ ਦੀ ਪਰਮਾਣੂਤਾ ਐਪਲੀਕੇਸ਼ਨ ਪੱਧਰ 'ਤੇ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ਅਤੇ ਸਹੀ ਢੰਗ ਨਾਲ ਲਾਗੂ ਕਰਨ ਲਈ ਮਾਮੂਲੀ ਨਹੀਂ ਹੈ।

ਜਿਵੇਂ ਕਿ ਕਲਾਉਡ ਸਪੈਨਰ ਸਮੀਖਿਆ ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਹੈ, ਇਸਦੇ ਸੂਚਕਾਂਕ MySQL ਸੂਚਕਾਂਕ ਤੋਂ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਸਵਾਲਾਂ ਅਤੇ ਪ੍ਰੋਫਾਈਲਿੰਗ ਬਣਾਉਣ ਵੇਲੇ ਵਿਸ਼ੇਸ਼ ਧਿਆਨ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਜਿੱਥੇ ਲੋੜ ਹੋਵੇ ਉੱਥੇ ਸਹੀ ਸੂਚਕਾਂਕ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ।

ਪ੍ਰਤੀਨਿਧਤਾ?

ਇੱਕ ਡੇਟਾਬੇਸ ਵਿੱਚ ਇੱਕ ਬਹੁਤ ਮਸ਼ਹੂਰ ਅਤੇ ਉਪਯੋਗੀ ਵਸਤੂ ਵਿਯੂਜ਼ ਹੈ। ਉਹ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਲਈ ਉਪਯੋਗੀ ਹੋ ਸਕਦੇ ਹਨ; ਮੇਰੇ ਦੋ ਮਨਪਸੰਦ ਹਨ ਲਾਜ਼ੀਕਲ ਐਬਸਟਰੈਕਸ਼ਨ ਲੇਅਰ ਅਤੇ ਸੁਰੱਖਿਆ ਪਰਤ। ਬਦਕਿਸਮਤੀ ਨਾਲ, ਕਲਾਉਡ ਸਪੈਨਰ ਦ੍ਰਿਸ਼ਾਂ ਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਸਿਰਫ਼ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਸਾਨੂੰ ਸੀਮਿਤ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਕਾਲਮ ਪੱਧਰ 'ਤੇ ਪਹੁੰਚ ਅਨੁਮਤੀਆਂ ਲਈ ਕੋਈ ਗ੍ਰੈਨਿਊਲਿਟੀ ਨਹੀਂ ਹੈ ਜਿੱਥੇ ਦ੍ਰਿਸ਼ ਇੱਕ ਵਿਹਾਰਕ ਹੱਲ ਹੋ ਸਕਦੇ ਹਨ।

ਕੋਟੇ ਅਤੇ ਪਾਬੰਦੀਆਂ ਦਾ ਵੇਰਵਾ ਦੇਣ ਵਾਲੇ ਭਾਗ ਲਈ ਕਲਾਉਡ ਸਪੈਨਰ ਦਸਤਾਵੇਜ਼ ਵੇਖੋ (ਸਪੈਨਰ/ਕੋਟਾ), ਖਾਸ ਤੌਰ 'ਤੇ ਇੱਕ ਅਜਿਹਾ ਹੈ ਜੋ ਕੁਝ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਸਮੱਸਿਆ ਵਾਲਾ ਹੋ ਸਕਦਾ ਹੈ: ਬਾਕਸ ਦੇ ਬਾਹਰ ਕਲਾਉਡ ਸਪੈਨਰ ਦੀ ਪ੍ਰਤੀ ਉਦਾਹਰਨ ਵੱਧ ਤੋਂ ਵੱਧ 100 ਡੇਟਾਬੇਸ ਦੀ ਸੀਮਾ ਹੁੰਦੀ ਹੈ। ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ, ਇਹ ਇੱਕ ਡੇਟਾਬੇਸ ਲਈ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਹੋ ਸਕਦੀ ਹੈ ਜੋ 100 ਤੋਂ ਵੱਧ ਡੇਟਾਬੇਸ ਨੂੰ ਸਕੇਲ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ. ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, ਸਾਡੇ Google ਤਕਨੀਕੀ ਪ੍ਰਤੀਨਿਧੀ ਨਾਲ ਗੱਲ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਸਾਨੂੰ ਪਤਾ ਲੱਗਾ ਕਿ ਇਸ ਸੀਮਾ ਨੂੰ Google ਸਹਾਇਤਾ ਦੁਆਰਾ ਲਗਭਗ ਕਿਸੇ ਵੀ ਮੁੱਲ ਤੱਕ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

ਵਿਕਾਸ ਸਹਾਇਤਾ?

ਕਲਾਉਡ ਸਪੈਨਰ ਇਸਦੇ API ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਬਹੁਤ ਵਧੀਆ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਸਹਾਇਤਾ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ। ਅਧਿਕਾਰਤ ਤੌਰ 'ਤੇ ਸਮਰਥਿਤ ਲਾਇਬ੍ਰੇਰੀਆਂ C#, Go, Java, node.js, PHP, ਪਾਈਥਨ ਅਤੇ ਰੂਬੀ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਹਨ। ਦਸਤਾਵੇਜ਼ ਕਾਫ਼ੀ ਵਿਸਤ੍ਰਿਤ ਹਨ, ਪਰ ਜਿਵੇਂ ਕਿ ਹੋਰ ਉੱਨਤ ਤਕਨਾਲੋਜੀਆਂ ਦੇ ਨਾਲ, ਕਮਿਊਨਿਟੀ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਡਾਟਾਬੇਸ ਤਕਨਾਲੋਜੀਆਂ ਦੇ ਮੁਕਾਬਲੇ ਬਹੁਤ ਛੋਟੀ ਹੈ, ਜਿਸ ਨਾਲ ਘੱਟ ਆਮ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਜਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਜ਼ਿਆਦਾ ਸਮਾਂ ਲੱਗ ਸਕਦਾ ਹੈ।

ਇਸ ਲਈ ਸਥਾਨਕ ਵਿਕਾਸ ਦਾ ਸਮਰਥਨ ਕਰਨ ਬਾਰੇ ਕੀ?

ਸਾਨੂੰ ਇੱਕ ਕਲਾਉਡ ਸਪੈਨਰ ਉਦਾਹਰਨ ਆਨ-ਪ੍ਰੀਮਿਸਸ ਬਣਾਉਣ ਦਾ ਕੋਈ ਤਰੀਕਾ ਨਹੀਂ ਮਿਲਿਆ ਹੈ। ਸਭ ਤੋਂ ਨਜ਼ਦੀਕੀ ਚੀਜ਼ ਜੋ ਸਾਨੂੰ ਮਿਲੀ ਉਹ ਇੱਕ ਡੌਕਰ ਚਿੱਤਰ ਸੀ. ਕਾਕਰੋਚ ਡੀ ਬੀ, ਜੋ ਸਿਧਾਂਤ ਵਿੱਚ ਸਮਾਨ ਹੈ, ਪਰ ਅਭਿਆਸ ਵਿੱਚ ਬਹੁਤ ਵੱਖਰਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, CockroachDB PostgreSQL JDBC ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ। ਕਿਉਂਕਿ ਵਿਕਾਸ ਵਾਤਾਵਰਣ ਉਤਪਾਦਨ ਵਾਤਾਵਰਣ ਦੇ ਜਿੰਨਾ ਸੰਭਵ ਹੋ ਸਕੇ ਨੇੜੇ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਕਲਾਉਡ ਸਪੈਨਰ ਆਦਰਸ਼ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਸਨੂੰ ਇੱਕ ਪੂਰੇ ਸਪੈਨਰ ਉਦਾਹਰਣ 'ਤੇ ਨਿਰਭਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਖਰਚਿਆਂ ਨੂੰ ਬਚਾਉਣ ਲਈ, ਤੁਸੀਂ ਇੱਕ ਸਿੰਗਲ-ਖੇਤਰ ਉਦਾਹਰਨ ਚੁਣ ਸਕਦੇ ਹੋ।

ਪ੍ਰਸ਼ਾਸਨ ਸਹਿਯੋਗ?

ਕਲਾਉਡ ਸਪੈਨਰ ਉਦਾਹਰਨ ਬਣਾਉਣਾ ਬਹੁਤ ਸਰਲ ਹੈ। ਤੁਹਾਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਬਹੁ-ਖੇਤਰ ਜਾਂ ਸਿੰਗਲ-ਖੇਤਰ ਉਦਾਹਰਨ ਬਣਾਉਣ ਦੇ ਵਿਚਕਾਰ ਚੋਣ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਖੇਤਰ(ਆਂ) ਅਤੇ ਨੋਡਾਂ ਦੀ ਸੰਖਿਆ ਨਿਰਧਾਰਤ ਕਰੋ। ਇੱਕ ਮਿੰਟ ਤੋਂ ਵੀ ਘੱਟ ਸਮੇਂ ਵਿੱਚ, ਤੁਹਾਡੀ ਉਦਾਹਰਨ ਤਿਆਰ ਹੋ ਜਾਵੇਗੀ।

ਗੂਗਲ ਕੰਸੋਲ ਵਿੱਚ ਸਪੈਨਰ ਪੰਨੇ ਤੋਂ ਕਈ ਮੁੱਢਲੇ ਮੈਟ੍ਰਿਕਸ ਸਿੱਧੇ ਪਹੁੰਚਯੋਗ ਹਨ। ਸਟੈਕਡ੍ਰਾਈਵਰ ਦੁਆਰਾ ਵਧੇਰੇ ਵਿਸਤ੍ਰਿਤ ਦ੍ਰਿਸ਼ ਉਪਲਬਧ ਹਨ, ਜਿੱਥੇ ਤੁਸੀਂ ਮੀਟ੍ਰਿਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਅਤੇ ਚੇਤਾਵਨੀ ਨੀਤੀਆਂ ਵੀ ਸੈਟ ਕਰ ਸਕਦੇ ਹੋ।

ਸਰੋਤਾਂ ਤੱਕ ਪਹੁੰਚ?

MySQL ਉਪਭੋਗਤਾ ਅਨੁਮਤੀਆਂ/ਭੂਮਿਕਾਵਾਂ ਲਈ ਵਿਆਪਕ ਅਤੇ ਬਹੁਤ ਹੀ ਦਾਣੇਦਾਰ ਸੈਟਿੰਗਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਕਿਸੇ ਖਾਸ ਸਾਰਣੀ ਤੱਕ ਪਹੁੰਚ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਕੌਂਫਿਗਰ ਕਰ ਸਕਦੇ ਹੋ, ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਇਸਦੇ ਕਾਲਮਾਂ ਦਾ ਇੱਕ ਸਬਸੈੱਟ ਵੀ। ਕਲਾਊਡ ਸਪੈਨਰ Google ਦੇ ਪਛਾਣ ਅਤੇ ਪਹੁੰਚ ਪ੍ਰਬੰਧਨ (IAM) ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜੋ ਸਿਰਫ਼ ਤੁਹਾਨੂੰ ਬਹੁਤ ਉੱਚੇ ਪੱਧਰ 'ਤੇ ਨੀਤੀਆਂ ਅਤੇ ਅਨੁਮਤੀਆਂ ਸੈੱਟ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਸਭ ਤੋਂ ਵੱਧ ਦਾਣੇਦਾਰ ਵਿਕਲਪ ਡਾਟਾਬੇਸ-ਪੱਧਰ ਦਾ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਹੈ, ਜੋ ਜ਼ਿਆਦਾਤਰ ਉਤਪਾਦਨ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਫਿੱਟ ਨਹੀਂ ਹੁੰਦਾ। ਇਹ ਸੀਮਾ ਤੁਹਾਨੂੰ ਸਪੈਨਰ ਸਰੋਤਾਂ ਦੀ ਅਣਅਧਿਕਾਰਤ ਵਰਤੋਂ ਨੂੰ ਰੋਕਣ ਲਈ ਤੁਹਾਡੇ ਕੋਡ, ਬੁਨਿਆਦੀ ਢਾਂਚੇ, ਜਾਂ ਦੋਵਾਂ ਵਿੱਚ ਵਾਧੂ ਸੁਰੱਖਿਆ ਉਪਾਅ ਜੋੜਨ ਲਈ ਮਜ਼ਬੂਰ ਕਰਦੀ ਹੈ।

ਬੈਕਅੱਪ?

ਇਸਨੂੰ ਸਧਾਰਨ ਰੂਪ ਵਿੱਚ ਕਹਿਣ ਲਈ, ਕਲਾਉਡ ਸਪੈਨਰ ਵਿੱਚ ਕੋਈ ਬੈਕਅੱਪ ਨਹੀਂ ਹਨ। ਹਾਲਾਂਕਿ Google ਦੀਆਂ ਉੱਚ SLA ਲੋੜਾਂ ਇਹ ਯਕੀਨੀ ਬਣਾ ਸਕਦੀਆਂ ਹਨ ਕਿ ਤੁਸੀਂ ਹਾਰਡਵੇਅਰ ਜਾਂ ਡਾਟਾਬੇਸ ਅਸਫਲਤਾਵਾਂ, ਮਨੁੱਖੀ ਤਰੁਟੀਆਂ, ਐਪਲੀਕੇਸ਼ਨ ਨੁਕਸ, ਆਦਿ ਕਾਰਨ ਕੋਈ ਡਾਟਾ ਨਹੀਂ ਗੁਆਉਂਦੇ। ਅਸੀਂ ਸਾਰੇ ਨਿਯਮ ਜਾਣਦੇ ਹਾਂ: ਉੱਚ ਉਪਲਬਧਤਾ ਇੱਕ ਆਵਾਜ਼ ਬੈਕਅੱਪ ਰਣਨੀਤੀ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ। ਵਰਤਮਾਨ ਵਿੱਚ, ਡੇਟਾ ਦਾ ਬੈਕਅੱਪ ਲੈਣ ਦਾ ਇੱਕੋ ਇੱਕ ਤਰੀਕਾ ਹੈ ਕਿ ਇਸਨੂੰ ਇੱਕ ਡੇਟਾਬੇਸ ਤੋਂ ਇੱਕ ਵੱਖਰੇ ਸਟੋਰੇਜ਼ ਵਾਤਾਵਰਣ ਵਿੱਚ ਪ੍ਰੋਗਰਾਮੇਟਿਕ ਤੌਰ ਤੇ ਸਟ੍ਰੀਮ ਕਰਨਾ ਹੈ।

ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਪੁੱਛਗਿੱਛ ਕਰੋ?

ਅਸੀਂ ਡਾਟਾ ਲੋਡ ਕਰਨ ਅਤੇ ਸਵਾਲਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਯਾਹੂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਕਲਾਉਡ ਸਰਵਿੰਗ ਬੈਂਚਮਾਰਕ। ਹੇਠਾਂ ਦਿੱਤੀ ਸਾਰਣੀ YCSB ਵਰਕਲੋਡ B ਨੂੰ 95% ਰੀਡ ਤੋਂ 5% ਲਿਖਣ ਅਨੁਪਾਤ ਦੇ ਨਾਲ ਦਰਸਾਉਂਦੀ ਹੈ।

* ਲੋਡ ਟੈਸਟ n1-ਸਟੈਂਡਰਡ-32 ਕੰਪਿਊਟ ਇੰਜਣ (CE) (32 vCPU, 120 GB ਮੈਮੋਰੀ) 'ਤੇ ਚਲਾਇਆ ਗਿਆ ਸੀ, ਅਤੇ ਟੈਸਟ ਦੀ ਸਥਿਤੀ ਕਦੇ ਵੀ ਟੈਸਟਾਂ ਵਿੱਚ ਕੋਈ ਰੁਕਾਵਟ ਨਹੀਂ ਸੀ।
** ਇੱਕ ਸਿੰਗਲ YCSB ਉਦਾਹਰਨ ਵਿੱਚ ਥਰਿੱਡਾਂ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਖਿਆ 400 ਹੈ। ਕੁੱਲ 2400 ਥ੍ਰੈੱਡ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ YCSB ਟੈਸਟਾਂ ਦੇ ਕੁੱਲ ਛੇ ਸਮਾਨਾਂਤਰ ਉਦਾਹਰਨਾਂ ਨੂੰ ਚਲਾਉਣਾ ਪੈਂਦਾ ਹੈ।

ਬੈਂਚਮਾਰਕ ਨਤੀਜਿਆਂ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਖਾਸ ਤੌਰ 'ਤੇ CPU ਲੋਡ ਅਤੇ TPS ਦਾ ਸੁਮੇਲ, ਅਸੀਂ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ ਕਲਾਉਡ ਸਪੈਨਰ ਬਹੁਤ ਵਧੀਆ ਢੰਗ ਨਾਲ ਸਕੇਲ ਕਰਦਾ ਹੈ। ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਥਰਿੱਡਾਂ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਭਾਰੀ ਲੋਡ ਨੂੰ ਕਲਾਉਡ ਸਪੈਨਰ ਕਲੱਸਟਰ ਵਿੱਚ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਨੋਡਾਂ ਦੁਆਰਾ ਆਫਸੈੱਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਲੇਟੈਂਸੀ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਜਦੋਂ 2400 ਥ੍ਰੈੱਡਾਂ ਨਾਲ ਚੱਲ ਰਿਹਾ ਹੋਵੇ, ਤਾਂ ਹੋਰ ਸਹੀ ਸੰਖਿਆਵਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕੰਪਿਊਟ ਇੰਜਣ ਦੀਆਂ 6 ਛੋਟੀਆਂ ਉਦਾਹਰਨਾਂ ਨਾਲ ਮੁੜ-ਟੈਸਟਿੰਗ ਜ਼ਰੂਰੀ ਹੋ ਸਕਦੀ ਹੈ। ਹਰੇਕ ਉਦਾਹਰਨ 6 ਪੈਰਲਲ ਟੈਸਟਾਂ ਦੇ ਨਾਲ ਇੱਕ ਵੱਡੇ CE ਉਦਾਹਰਨ ਦੀ ਬਜਾਏ ਇੱਕ YCSB ਟੈਸਟ ਚਲਾਏਗੀ। ਇਸ ਤਰ੍ਹਾਂ, ਕਲਾਉਡ ਸਪੈਨਰ ਬੇਨਤੀ ਲੇਟੈਂਸੀ ਅਤੇ ਕ੍ਲਾਉਡ ਸਪੈਨਰ ਅਤੇ ਟੈਸਟ ਚੱਲ ਰਹੇ CE ਉਦਾਹਰਨ ਦੇ ਵਿਚਕਾਰ ਨੈੱਟਵਰਕ ਕਨੈਕਸ਼ਨ ਦੁਆਰਾ ਜੋੜੀ ਗਈ ਲੇਟੈਂਸੀ ਵਿਚਕਾਰ ਫਰਕ ਕਰਨਾ ਆਸਾਨ ਹੋ ਜਾਵੇਗਾ।

ਕਲਾਉਡ ਸਪੈਨਰ ਇੱਕ OLAP ਦੇ ਰੂਪ ਵਿੱਚ ਕਿਵੇਂ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ?

ਵਿਭਾਗੀਕਰਨ?

ਡੇਟਾ ਨੂੰ ਭੌਤਿਕ ਅਤੇ/ਜਾਂ ਤਰਕਪੂਰਨ ਤੌਰ 'ਤੇ ਸੁਤੰਤਰ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਣਾ, ਜਿਸਨੂੰ ਭਾਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਬਹੁਤ ਮਸ਼ਹੂਰ ਸੰਕਲਪ ਹੈ ਜੋ ਜ਼ਿਆਦਾਤਰ OLAP ਇੰਜਣਾਂ ਵਿੱਚ ਪਾਇਆ ਜਾਂਦਾ ਹੈ। ਭਾਗ ਪੁੱਛਗਿੱਛ ਕਾਰਜਕੁਸ਼ਲਤਾ ਅਤੇ ਡੇਟਾਬੇਸ ਦੀ ਸਾਂਭ-ਸੰਭਾਲ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ। ਵਿਭਾਗੀਕਰਨ ਦੀ ਡੂੰਘਾਈ ਵਿੱਚ ਜਾਣ ਲਈ ਇੱਕ ਵੱਖਰਾ ਲੇਖ ਹੋਵੇਗਾ, ਇਸ ਲਈ ਆਉ ਹੁਣੇ ਹੀ ਇੱਕ ਵਿਭਾਗੀਕਰਨ ਅਤੇ ਉਪ-ਵਿਭਾਜਨ ਯੋਜਨਾ ਦੇ ਮਹੱਤਵ ਦਾ ਜ਼ਿਕਰ ਕਰੀਏ। ਡਾਟਾ ਨੂੰ ਭਾਗਾਂ ਵਿੱਚ ਵੰਡਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਹੋਰ ਵੀ ਸਬ-ਪਾਰਟੀਸ਼ਨਾਂ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਪੁੱਛਗਿੱਛ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਕੁੰਜੀ ਹੈ।

ਕਲਾਉਡ ਸਪੈਨਰ ਭਾਗਾਂ ਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਇਹ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਡੇਟਾ ਨੂੰ ਅਖੌਤੀ ਵਿੱਚ ਵੰਡਦਾ ਹੈ ਵੰਡ-s ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ ਰੇਂਜਾਂ 'ਤੇ ਆਧਾਰਿਤ ਹੈ। ਇੱਕ ਕਲਾਉਡ ਸਪੈਨਰ ਕਲੱਸਟਰ ਵਿੱਚ ਲੋਡ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਵਿਭਾਗੀਕਰਨ ਆਪਣੇ ਆਪ ਹੀ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਕਲਾਉਡ ਸਪੈਨਰ ਦੀ ਇੱਕ ਬਹੁਤ ਹੀ ਉਪਯੋਗੀ ਵਿਸ਼ੇਸ਼ਤਾ ਪੇਰੈਂਟ ਟੇਬਲ ਦੇ ਬੇਸ ਲੋਡ ਨੂੰ ਵੰਡਣਾ ਹੈ (ਇੱਕ ਟੇਬਲ ਜੋ ਕਿਸੇ ਹੋਰ ਨਾਲ ਇੰਟਰਲੀਵਡ ਨਹੀਂ ਹੈ)। ਸਪੈਨਰ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਪਤਾ ਲਗਾਉਂਦਾ ਹੈ ਕਿ ਕੀ ਇਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ ਵੰਡ ਉਹ ਡੇਟਾ ਜੋ ਦੂਜਿਆਂ ਵਿੱਚ ਡੇਟਾ ਨਾਲੋਂ ਵਧੇਰੇ ਵਾਰ ਪੜ੍ਹਿਆ ਜਾਂਦਾ ਹੈ ਵੰਡ-ਆਹ, ਅਤੇ ਹੋਰ ਵਿਛੋੜੇ ਬਾਰੇ ਫੈਸਲਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਤਰੀਕੇ ਨਾਲ, ਇੱਕ ਬੇਨਤੀ ਵਿੱਚ ਹੋਰ ਨੋਡ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਜੋ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਥ੍ਰੁਪੁੱਟ ਨੂੰ ਵੀ ਵਧਾਉਂਦਾ ਹੈ।

ਡਾਟਾ ਲੋਡ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ?

ਬਲਕ ਡੇਟਾ ਲਈ ਕਲਾਉਡ ਸਪੈਨਰ ਵਿਧੀ ਆਮ ਲੋਡਿੰਗ ਲਈ ਸਮਾਨ ਹੈ। ਵੱਧ ਤੋਂ ਵੱਧ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਕੁਝ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਜਿਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• ਪ੍ਰਾਇਮਰੀ ਕੁੰਜੀ ਦੁਆਰਾ ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕਰੋ।
• ਉਹਨਾਂ ਨੂੰ 10* ਨਾਲ ਵੰਡੋਨੋਡ ਦੀ ਗਿਣਤੀ ਵੱਖਰੇ ਭਾਗ.
• ਕੰਮ ਦੇ ਕੰਮਾਂ ਦਾ ਇੱਕ ਸੈੱਟ ਬਣਾਓ ਜੋ ਡਾਟਾ ਨੂੰ ਸਮਾਨਾਂਤਰ ਵਿੱਚ ਲੋਡ ਕਰਦਾ ਹੈ।

ਇਹ ਡਾਟਾ ਲੋਡਿੰਗ ਸਾਰੇ ਕਲਾਉਡ ਸਪੈਨਰ ਨੋਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ।

ਅਸੀਂ 10M ਕਤਾਰਾਂ ਦਾ ਡੇਟਾਸੈਟ ਬਣਾਉਣ ਲਈ YCSB ਵਰਕਲੋਡ A ਦੀ ਵਰਤੋਂ ਕੀਤੀ।

* ਲੋਡ ਟੈਸਟ n1-ਸਟੈਂਡਰਡ-32 ਕੰਪਿਊਟ ਇੰਜਣ (32 vCPU, 120 GB ਮੈਮੋਰੀ) 'ਤੇ ਚਲਾਇਆ ਗਿਆ ਸੀ, ਅਤੇ ਟੈਸਟ ਦੀ ਉਦਾਹਰਣ ਕਦੇ ਵੀ ਟੈਸਟਾਂ ਵਿੱਚ ਕੋਈ ਰੁਕਾਵਟ ਨਹੀਂ ਸੀ।
**ਕਿਸੇ ਵੀ ਉਤਪਾਦਨ ਵਰਕਲੋਡ ਲਈ ਸਿੰਗਲ ਨੋਡ ਸੈੱਟਅੱਪ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਜਿਵੇਂ ਕਿ ਉੱਪਰ ਦੱਸਿਆ ਗਿਆ ਹੈ, ਕਲਾਊਡ ਸਪੈਨਰ ਆਪਣੇ ਆਪ ਹੀ ਉਹਨਾਂ ਦੇ ਲੋਡ ਦੇ ਆਧਾਰ 'ਤੇ ਸਪਲਿਟਸ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ, ਇਸਲਈ ਲਗਾਤਾਰ ਕਈ ਟੈਸਟ ਦੁਹਰਾਓ ਦੇ ਬਾਅਦ ਨਤੀਜੇ ਸੁਧਰਦੇ ਹਨ। ਇੱਥੇ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਨਤੀਜੇ ਸਾਡੇ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਭ ਤੋਂ ਵਧੀਆ ਨਤੀਜੇ ਹਨ। ਉੱਪਰ ਦਿੱਤੇ ਸੰਖਿਆਵਾਂ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਅਸੀਂ ਦੇਖ ਸਕਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ ਕਲਾਊਡ ਸਪੈਨਰ ਸਕੇਲ (ਚੰਗੀ ਤਰ੍ਹਾਂ) ਜਿਵੇਂ ਕਿ ਕਲੱਸਟਰ ਵਿੱਚ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ ਵਧਦੀ ਹੈ। ਜਿਹੜੇ ਨੰਬਰ ਸਾਹਮਣੇ ਆਉਂਦੇ ਹਨ ਉਹ ਬਹੁਤ ਘੱਟ ਔਸਤ ਲੇਟੈਂਸੀ ਹੁੰਦੇ ਹਨ, ਜੋ ਮਿਸ਼ਰਤ ਵਰਕਲੋਡ (95% ਪੜ੍ਹੇ ਅਤੇ 5% ਲਿਖਣ) ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਉਲਟ ਹੁੰਦੇ ਹਨ ਜਿਵੇਂ ਕਿ ਉਪਰੋਕਤ ਭਾਗ ਵਿੱਚ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ।

ਸਕੇਲਿੰਗ?

ਕਲਾਉਡ ਸਪੈਨਰ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਵਧਾਉਣਾ ਅਤੇ ਘਟਾਉਣਾ ਇੱਕ-ਕਲਿੱਕ ਕੰਮ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਤੇਜ਼ੀ ਨਾਲ ਡਾਟਾ ਲੋਡ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਆਪਣੀ ਮਿਸਾਲ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਵਧਾਉਣ ਬਾਰੇ ਵਿਚਾਰ ਕਰ ਸਕਦੇ ਹੋ (ਸਾਡੇ ਕੇਸ ਵਿੱਚ ਇਹ US-ਪੂਰਬੀ ਖੇਤਰ ਵਿੱਚ 25 ਨੋਡ ਸਨ) ਅਤੇ ਫਿਰ ਸਾਰਾ ਡਾਟਾ ਅੰਦਰ ਆਉਣ ਤੋਂ ਬਾਅਦ ਤੁਹਾਡੇ ਆਮ ਲੋਡ ਲਈ ਯੋਗ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹੋ। ਡਾਟਾਬੇਸ, 2TB/ਨੋਡ ਸੀਮਾ ਦਾ ਹਵਾਲਾ ਦਿੰਦੇ ਹੋਏ।

ਸਾਨੂੰ ਬਹੁਤ ਛੋਟੇ ਡੇਟਾਬੇਸ ਦੇ ਨਾਲ ਵੀ ਇਸ ਸੀਮਾ ਦੀ ਯਾਦ ਦਿਵਾਈ ਗਈ ਸੀ। ਕਈ ਵਾਰ ਲੋਡ ਟੈਸਟਾਂ ਦੇ ਬਾਅਦ, ਸਾਡੇ ਡੇਟਾਬੇਸ ਦਾ ਆਕਾਰ ਲਗਭਗ 155 GB ਸੀ, ਅਤੇ ਜਦੋਂ ਇੱਕ 1 ਨੋਡ ਉਦਾਹਰਨ ਤੱਕ ਸਕੇਲ ਕੀਤਾ ਗਿਆ, ਤਾਂ ਸਾਨੂੰ ਹੇਠ ਲਿਖੀ ਗਲਤੀ ਮਿਲੀ:

ਅਸੀਂ 25 ਤੋਂ 2 ਮੌਕਿਆਂ ਤੱਕ ਸਕੇਲ ਕਰਨ ਵਿੱਚ ਕਾਮਯਾਬ ਰਹੇ, ਪਰ ਅਸੀਂ ਦੋ ਨੋਡਾਂ 'ਤੇ ਫਸ ਗਏ ਸੀ।

ਇੱਕ ਕਲਾਉਡ ਸਪੈਨਰ ਕਲੱਸਟਰ ਵਿੱਚ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ ਵਧਾਉਣਾ ਅਤੇ ਘਟਾਉਣਾ REST API ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਵੈਚਲਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਵਿਅਸਤ ਕੰਮ ਦੇ ਘੰਟਿਆਂ ਦੌਰਾਨ ਵਧੇ ਹੋਏ ਸਿਸਟਮ ਲੋਡ ਨੂੰ ਘਟਾਉਣ ਲਈ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਲਾਭਦਾਇਕ ਹੋ ਸਕਦਾ ਹੈ।

OLAP ਸਵਾਲਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ?

ਅਸੀਂ ਅਸਲ ਵਿੱਚ ਇਸ ਹਿੱਸੇ 'ਤੇ ਸਪੈਨਰ ਦੇ ਸਾਡੇ ਮੁਲਾਂਕਣ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸਮਾਂ ਬਿਤਾਉਣ ਦੀ ਯੋਜਨਾ ਬਣਾਈ ਸੀ। ਕਈ SELECT COUNTs ਤੋਂ ਬਾਅਦ, ਅਸੀਂ ਤੁਰੰਤ ਮਹਿਸੂਸ ਕੀਤਾ ਕਿ ਟੈਸਟਿੰਗ ਛੋਟਾ ਹੋਵੇਗਾ ਅਤੇ ਸਪੈਨਰ OLAP ਲਈ ਢੁਕਵਾਂ ਇੰਜਣ ਨਹੀਂ ਹੋਵੇਗਾ। ਕਲੱਸਟਰ ਵਿੱਚ ਨੋਡਾਂ ਦੀ ਸੰਖਿਆ ਦੇ ਬਾਵਜੂਦ, ਇੱਕ 10M ਕਤਾਰ ਸਾਰਣੀ ਵਿੱਚ ਕਤਾਰਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਚੁਣਨ ਵਿੱਚ 55 ਅਤੇ 60 ਸਕਿੰਟਾਂ ਦਾ ਸਮਾਂ ਲੱਗਿਆ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕੋਈ ਵੀ ਪੁੱਛਗਿੱਛ ਜਿਸ ਲਈ ਇੰਟਰਮੀਡੀਏਟ ਨਤੀਜਿਆਂ ਨੂੰ ਸਟੋਰ ਕਰਨ ਲਈ ਵਧੇਰੇ ਮੈਮੋਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਇੱਕ OOM ਗਲਤੀ ਨਾਲ ਅਸਫਲ ਹੋ ਜਾਂਦੀ ਹੈ।

SELECT COUNT(DISTINCT(field0)) FROM usertable; — (10M distinct values)-> SpoolingHashAggregateIterator ran out of memory during new row.

TPC-H ਸਵਾਲਾਂ ਲਈ ਕੁਝ ਨੰਬਰ ਟੌਡ ਲਿਪਕੋਨ ਦੇ ਲੇਖ ਵਿੱਚ ਲੱਭੇ ਜਾ ਸਕਦੇ ਹਨ Nosql-kudu-spanner-slides.html, ਸਲਾਈਡਾਂ 42 ਅਤੇ 43। ਇਹ ਨੰਬਰ ਸਾਡੇ ਆਪਣੇ ਨਤੀਜਿਆਂ ਨਾਲ ਇਕਸਾਰ ਹਨ (ਬਦਕਿਸਮਤੀ ਨਾਲ)।

4. ਸਾਡੇ ਸਿੱਟੇ

ਕਲਾਊਡ ਸਪੈਨਰ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਇਹ ਕਲਪਨਾ ਕਰਨਾ ਔਖਾ ਹੈ ਕਿ ਇਹ ਤੁਹਾਡੇ ਮੌਜੂਦਾ OLTP ਹੱਲ ਲਈ ਇੱਕ ਸਧਾਰਨ ਬਦਲ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਤੁਹਾਡੀਆਂ ਲੋੜਾਂ ਇਸ ਨੂੰ ਵਧਾ ਦਿੰਦੀਆਂ ਹਨ। ਕਲਾਉਡ ਸਪੈਨਰ ਦੀਆਂ ਕਮੀਆਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਹੱਲ ਬਣਾਉਣ ਲਈ ਕਾਫ਼ੀ ਸਮਾਂ ਖਰਚ ਕਰਨਾ ਪਏਗਾ।

ਜਦੋਂ ਅਸੀਂ ਕਲਾਉਡ ਸਪੈਨਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ, ਤਾਂ ਅਸੀਂ ਉਮੀਦ ਕਰਦੇ ਹਾਂ ਕਿ ਇਸਦੇ ਪ੍ਰਬੰਧਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਬਰਾਬਰ ਹੋਣਗੀਆਂ, ਜਾਂ ਘੱਟੋ-ਘੱਟ ਹੋਰ Google SQL ਹੱਲਾਂ ਤੋਂ ਬਹੁਤ ਦੂਰ ਨਹੀਂ ਹਨ। ਪਰ ਅਸੀਂ ਬੈਕਅੱਪ ਦੀ ਪੂਰੀ ਘਾਟ ਅਤੇ ਸਰੋਤਾਂ ਤੱਕ ਪਹੁੰਚ 'ਤੇ ਬਹੁਤ ਹੀ ਸੀਮਤ ਨਿਯੰਤਰਣ ਦੁਆਰਾ ਹੈਰਾਨ ਸੀ। ਕੋਈ ਵਿਚਾਰ ਨਹੀਂ, ਕੋਈ ਸਥਾਨਕ ਵਿਕਾਸ ਵਾਤਾਵਰਣ, ਅਸਮਰਥਿਤ ਕ੍ਰਮ, DML ਅਤੇ DDL ਸਹਾਇਤਾ ਤੋਂ ਬਿਨਾਂ JDBC, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਹੋਰਾਂ ਦਾ ਜ਼ਿਕਰ ਨਾ ਕਰਨਾ।

ਇਸ ਲਈ ਕੋਈ ਵਿਅਕਤੀ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ ਜਿਸ ਨੂੰ ਟ੍ਰਾਂਜੈਕਸ਼ਨਲ ਡੇਟਾਬੇਸ ਨੂੰ ਸਕੇਲ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ? ਬਜ਼ਾਰ 'ਤੇ ਕੋਈ ਅਜਿਹਾ ਹੱਲ ਨਹੀਂ ਜਾਪਦਾ ਜੋ ਵਰਤੋਂ ਦੇ ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਫਿੱਟ ਹੋਵੇ। ਬਹੁਤ ਸਾਰੇ ਬੰਦ ਅਤੇ ਖੁੱਲੇ ਸਰੋਤ ਹੱਲ ਹਨ (ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਕੁਝ ਦਾ ਜ਼ਿਕਰ ਇਸ ਲੇਖ ਵਿੱਚ ਕੀਤਾ ਗਿਆ ਹੈ), ਹਰ ਇੱਕ ਦੀਆਂ ਆਪਣੀਆਂ ਸ਼ਕਤੀਆਂ ਅਤੇ ਕਮਜ਼ੋਰੀਆਂ ਹਨ, ਪਰ ਉਹਨਾਂ ਵਿੱਚੋਂ ਕੋਈ ਵੀ 99,999% SLA ਅਤੇ ਉੱਚ ਇਕਸਾਰਤਾ ਨਾਲ SaaS ਦੀ ਪੇਸ਼ਕਸ਼ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਇੱਕ ਉੱਚ SLA ਤੁਹਾਡਾ ਮੁੱਖ ਟੀਚਾ ਹੈ ਅਤੇ ਤੁਸੀਂ ਇੱਕ ਕਸਟਮ ਮਲਟੀ-ਕਲਾਊਡ ਹੱਲ ਬਣਾਉਣ ਲਈ ਝੁਕਾਅ ਨਹੀਂ ਰੱਖਦੇ ਹੋ, ਤਾਂ ਕਲਾਉਡ ਸਪੈਨਰ ਉਹ ਹੱਲ ਹੋ ਸਕਦਾ ਹੈ ਜਿਸ ਦੀ ਤੁਸੀਂ ਭਾਲ ਕਰ ਰਹੇ ਹੋ। ਪਰ ਤੁਹਾਨੂੰ ਇਸ ਦੀਆਂ ਸਾਰੀਆਂ ਸੀਮਾਵਾਂ ਤੋਂ ਜਾਣੂ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ.

ਨਿਰਪੱਖ ਹੋਣ ਲਈ, ਕਲਾਉਡ ਸਪੈਨਰ ਨੂੰ ਸਿਰਫ 2017 ਦੀ ਬਸੰਤ ਵਿੱਚ ਜਨਤਾ ਲਈ ਜਾਰੀ ਕੀਤਾ ਗਿਆ ਸੀ, ਇਸਲਈ ਇਹ ਉਮੀਦ ਕਰਨਾ ਉਚਿਤ ਹੈ ਕਿ ਇਸਦੀਆਂ ਕੁਝ ਮੌਜੂਦਾ ਕਮੀਆਂ ਅੰਤ ਵਿੱਚ ਦੂਰ ਹੋ ਸਕਦੀਆਂ ਹਨ (ਉਮੀਦ ਹੈ), ਅਤੇ ਜਦੋਂ ਉਹ ਕਰਦੇ ਹਨ, ਇਹ ਇੱਕ ਗੇਮ ਬਦਲਣ ਵਾਲਾ ਹੋ ਸਕਦਾ ਹੈ। ਆਖਰਕਾਰ, ਕਲਾਉਡ ਸਪੈਨਰ ਗੂਗਲ ਲਈ ਸਿਰਫ ਇੱਕ ਪਾਸੇ ਦਾ ਪ੍ਰੋਜੈਕਟ ਨਹੀਂ ਹੈ. Google ਇਸਨੂੰ ਦੂਜੇ Google ਉਤਪਾਦਾਂ ਲਈ ਆਧਾਰ ਵਜੋਂ ਵਰਤਦਾ ਹੈ। ਅਤੇ ਜਦੋਂ ਗੂਗਲ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਗੂਗਲ ਕਲਾਉਡ ਸਟੋਰੇਜ ਵਿੱਚ ਮੇਗਾਸਟੋਰ ਨੂੰ ਕਲਾਉਡ ਸਪੈਨਰ ਨਾਲ ਬਦਲਿਆ, ਤਾਂ ਇਸਨੇ ਗੂਗਲ ਕਲਾਉਡ ਸਟੋਰੇਜ ਨੂੰ ਗਲੋਬਲ ਪੈਮਾਨੇ 'ਤੇ ਵਸਤੂਆਂ ਦੀਆਂ ਸੂਚੀਆਂ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਇਕਸਾਰ ਬਣਨ ਦੀ ਆਗਿਆ ਦਿੱਤੀ (ਜੋ ਅਜੇ ਵੀ ਇਸ ਲਈ ਨਹੀਂ ਹੈ। ਐਮਾਜ਼ਾਨ ਦੇ S3).

ਇਸ ਲਈ, ਅਜੇ ਵੀ ਉਮੀਦ ਹੈ ... ਅਸੀਂ ਉਮੀਦ ਕਰਦੇ ਹਾਂ.

ਇਹ ਸਭ ਹੈ. ਲੇਖ ਦੇ ਲੇਖਕ ਵਾਂਗ, ਅਸੀਂ ਵੀ ਉਮੀਦ ਕਰਦੇ ਰਹਿੰਦੇ ਹਾਂ, ਪਰ ਤੁਸੀਂ ਇਸ ਬਾਰੇ ਕੀ ਸੋਚਦੇ ਹੋ? ਟਿੱਪਣੀਆਂ ਵਿੱਚ ਲਿਖੋ

ਅਸੀਂ ਸਾਰਿਆਂ ਨੂੰ ਸਾਡੇ ਆਉਣ ਲਈ ਸੱਦਾ ਦਿੰਦੇ ਹਾਂ ਮੁਫ਼ਤ ਵੈਬਿਨਾਰ ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਤੁਹਾਨੂੰ ਕੋਰਸ ਬਾਰੇ ਵਿਸਥਾਰ ਵਿੱਚ ਦੱਸਾਂਗੇ "ਡਿਵੈਲਪਰਾਂ ਲਈ AWS" OTUS ਤੋਂ।

ਸਰੋਤ: www.habr.com