Доступен выпуск СУБД DuckDB 0.6.0, сочетающей такие свойства SQLite, как компактность, возможность подключения в форме встраиваемой библиотеки, хранение БД в одном файле и удобный CLI-интерфейс, со средствами и оптимизациями для выполнения аналитических запросов, охватывающих значительную часть хранимых данных, например, выполняющих агрегирование всего содержимого таблиц или слияние нескольких больших таблиц. Код проекта распространяется под лицензией MIT. Разработка пока находится на стадии формирования экспериментальных выпусков, так как формат хранилища пока не стабилизирован и меняется от версии к версии.
DuckDB cung cấp một phương ngữ SQL nâng cao bao gồm các khả năng bổ sung để xử lý các truy vấn rất phức tạp và tốn thời gian. Việc sử dụng các loại phức tạp (mảng, cấu trúc, liên kết) và khả năng thực hiện các truy vấn con tương quan lồng nhau và tùy ý được hỗ trợ. Nó hỗ trợ chạy nhiều truy vấn cùng lúc, chạy truy vấn trực tiếp từ tệp CSV và Parquet. Có thể nhập từ DBMS PostgreSQL.
Ngoài mã shell từ SQLite, dự án còn sử dụng trình phân tích cú pháp từ PostgreSQL trong một thư viện riêng, thành phần Date Math từ MonetDB, việc triển khai các hàm cửa sổ của riêng nó (dựa trên thuật toán Tập hợp cây phân đoạn), bộ xử lý biểu thức chính quy dựa trên thư viện RE2, trình tối ưu hóa truy vấn riêng và cơ chế điều khiển MVCC thực thi đồng thời các tác vụ (Kiểm soát đồng thời nhiều phiên bản), cũng như công cụ thực thi truy vấn được vector hóa dựa trên thuật toán Thực thi truy vấn siêu đường ống, cho phép tập hợp lớn các giá trị được xử lý cùng một lúc trong một hoạt động.
Trong số những thay đổi trong bản phát hành mới:
- Продолжена работа по усовершенствованию формата хранения. Реализован оптимистичный режим записи на диск, при котором при загрузке крупного набора данных в одной транзакции, данные сжимаются и в потоковом режиме записываются в файл с БД, не дожидаясь завершения подтверждения транзакции командой COMMIT. Во время поступления команды COMMIT данные оказываются уже записанными на диск, а при выполнении ROLLBACK — отбрасываются. Ранее данные вначале полностью сохранялись в память, а при коммите сохранялись на диск.
- Добавлена поддержка параллельной загрузки данных в отдельные таблицы, позволяющая заметно повысить скорость загрузки на многоядерных системах. Например, в прошлом выпуске загрузка БД с 150 млн строк на 10-ядерном CPU занимала 91 секунду, а в новой версии данная операция выполняется за 17 секунд. Предусмотрено два режима параллельной загрузки — с сохранением порядка следования записей и без сохранения порядка.
- Для сжатия данных задействован алгоритм FSST (Fast Static Symbol Table), позволяющий упаковать данные внутри строк, используя общий словарь типовых совпадений. Применение нового алгоритма позволило сократить размер тестовой БД с 761MB до 251MB.
- Для сжатия чисел с плавающей запятой (DOUBLE и FLOAT) предложены алгоритмы Chimp и Patas. По сравнению с ранее применяемым алгоритмом Gorillas, Chimp обеспечивает более высокий уровень сжатия и более быструю распаковку. Алгоритм Patas отстаёт по степени сжатия от Chimp, но значительно быстрее по скорости распаковки, которая почти на отличается от чтения несжатых данных.
- Добавлена экспериментальная возможность загрузки данных из файлов CSV в несколько параллельных потоков (SET experimental_parallel_csv=true), которая существенно сокращает время загрузки крупных CSV-файлов. Например, при включении опции время загрузки CSV-файла размером 720 МБ сократилось с 3.5 до 0.6 секунд.
- Реализована возможность параллельного выполнения операций создания и управления индексами. Например, выполнение операции CREATE INDEX для столбца с 16 млн записей сократилось с 5.92 до 1.38 секунд.
- Обеспечено распараллеливание операций агрегирования в запросах, содержащих выражение «COUNT(DISTINCT col)».
- В SQL добавлена поддержка типа UNION, допускающего привязку к одному элементу нескольких типов (например, «UNION(num INT, error VARCHAR))»).
- В SQL предоставлена возможность формирования запросов, начинающихся на слово «FROM» вместо «SELECT». В этом случае подразумевается, что запрос начинается на «SELECT *».
- В SQL добавлена поддержка выражения «COLUMNS», позволяющего выполнить операцию над несколькими столбцами без дублирования выражения. Например, «SELECT MIN(COLUMNS(*)) from obs;» приведёт к выполнению функции MIN для каждого столбца в таблице obs, а «SELECT COLUMNS(‘val[0-9]+’) from obs;» для столбцов с именем, состоящим из «val» и цифр.
- Добавлена поддержка операций над списками, например, «SELECT [x + 1 for x in [1, 2, 3]] AS l;».
- Проведена оптимизация потребления памяти. По умолчанию на платформе Linux для управления памятью задействована библиотека jemalloc. Значительно улучшена производительность операций объединения хэшей при ограниченном размере памяти.
- В интерфейсе командной строки добавлен режим вывода «.mode duckbox», отбрасывающий средние столбцы c учётом ширины окна терминала (подходит для быстрой наглядной оценки результатов запросов с большим числом столбцов, таких как «SELECT * FROM tbl», которые в обычном режиме разъезжаются на несколько строк). При помощи параметра «.maxrows X» дополнительно можно ограничить и число выводимых строк.
- В CLI обеспечено автодополнение ввода с учётом контекста (дополняется ввод ключевых слов, имён таблиц, функций, имён столбцов и имён файлов).
- В CLI включено по умолчанию отображение индикатора прогресса выполнения запроса.
Nguồn: opennet.ru