警告

多节点支持已弃用.

TimescaleDB v2.13 是最后一个为 PostgreSQL 版本 13、14 和 15 提供多节点支持的版本。

分布式超表是跨越多个节点的超表。使用分布式超表，您可以跨多台机器扩展数据存储。数据库还可以并行化某些插入和查询。

分布式超表仍然表现得像一个单表。您可以像使用标准超表一样使用它。要了解有关超表的更多信息，请参阅超表部分。

某些细微差别可能会影响分布式超表的性能。本节解释分布式超表的工作原理，以及在采用分布式超表之前需要考虑的事项。

分布式超表与多节点集群一起使用。每个集群都有一个访问节点和多个数据节点。您使用访问节点连接到数据库，数据存储在数据节点上。有关多节点的更多信息，请参阅多节点部分。

您在访问节点上创建分布式超表。它的数据块存储在数据节点上。当您插入数据或运行查询时，访问节点与相关的数据节点通信，并在可能的情况下下推任何处理。

分布式超表始终按时间分区，就像标准超表一样。但与标准超表不同，分布式超表也应按空间分区。这允许您在数据节点之间平衡插入和查询，类似于传统的分片。如果没有空间分区，同一时间范围内的所有数据都将写入单个节点上的同一数据块。

默认情况下，Timescale 创建的空间分区数与数据节点数相同。您可以更改此数字，但过多的空间分区会降低性能。它会增加某些查询的计划时间，并导致在将项目映射到分区时平衡性较差。

数据通过哈希分配给空间分区。空间维度中的每个哈希桶都对应一个数据节点。一个数据节点可以容纳多个桶，但对于每个时间间隔，每个桶可能只属于一个节点。

当空间分区开启时，使用 2 个维度将数据划分为数据块：时间维度和空间维度。您可以指定沿空间维度的分区数。数据通过哈希其在该维度上的值分配给分区。

例如，假设您使用 device_id 作为空间分区列。对于每一行，device_id 列的值都会被哈希。然后，该行被插入到该哈希值的正确分区中。

展开图像

空间分区维度可以是开放的或封闭的。封闭维度具有固定数量的分区，通常使用一些哈希来将值匹配到分区。开放维度没有固定数量的分区，通常每个数据块覆盖一定的范围。在大多数情况下，时间维度是开放的，而空间维度是封闭的。

如果您使用 create_hypertable 命令创建超表，则空间维度是开放的，并且无法调整。要创建具有封闭空间维度的超表，请首先仅使用时间维度创建超表。然后使用 add_dimension 命令显式添加开放设备。如果将范围设置为 1，则每个设备都有自己的数据块。这可以帮助您解决常规空间维度的一些限制，并且如果您希望使某些数据块易于排除，则特别有用。

您可以通过添加额外的数据节点来扩展分布式超表。如果您现在的空间分区数少于数据节点数，则需要增加空间分区数以利用新节点。新的分区配置仅影响新的数据块。在此图中，在第三个时间间隔期间添加了一个额外的数据节点。第四个时间间隔现在包含四个数据块，而之前的时间间隔仍然包含三个

展开图像

这可能会影响跨越两种不同分区配置的查询。有关更多信息，请参阅关于查询下推的限制部分。

要在数据块级别复制分布式超表，请配置超表以将每个数据块写入多个数据节点。这种原生复制确保分布式超表免受数据节点故障的影响，并提供了另一种选择，即使用流复制完全复制每个数据节点以提供高可用性。只有数据节点使用此方法复制。访问节点不被复制。

有关复制和高可用性的更多信息，请参阅多节点 HA 部分。

分布式超表水平扩展您的数据存储，因此您不受任何单台机器的存储限制。它还提高了某些查询的性能。

您的性能是否以及提高多少取决于您的查询模式和数据分区。当访问节点可以将查询处理下推到数据节点时，性能会提高。例如，如果您使用 GROUP BY 子句进行查询，并且数据按 GROUP BY 列分区，则数据节点可以执行处理，并且仅将最终结果发送到访问节点。

如果无法在数据节点上完成处理，则访问节点需要拉取原始数据或部分处理的数据，并在本地进行处理。有关更多信息，请参阅查询下推的限制。

访问节点可以使用完全或部分方法来下推查询。可以下推的计算包括排序和分组。目前不支持数据节点上的连接。

要查看查询如何下推到数据节点，请使用 EXPLAIN VERBOSE 来检查查询计划和发送到每个数据节点的远程 SQL 语句。

在完全下推方法中，访问节点将所有计算卸载到数据节点。它从数据节点接收最终结果并附加它们。要完全下推聚合查询，GROUP BY 子句必须包含以下任一项

• 所有分区列或
• 仅第一个空间分区列

例如，假设您要计算每个位置的 max 温度

SELECT location, max(temperature)
  FROM conditions
  GROUP BY location;

复制

如果 location 是您唯一的空间分区，则每个数据节点都可以在其自己的数据子集上计算最大值。

在部分下推方法中，访问节点将大部分计算卸载到数据节点。它从数据节点接收部分结果，并通过组合这些部分结果来计算最终聚合。

例如，假设您要计算所有位置的 max 温度。每个数据节点计算一个局部最大值，访问节点通过计算所有局部最大值的最大值来计算最终结果

SELECT max(temperature) FROM conditions;

复制

当分布式超表可以将查询下推到数据节点时，它们会获得更高的性能。但查询计划器可能无法下推每个查询。或者它可能只能部分下推查询。这可能是由于以下几个原因

• 您更改了分区配置。例如，您添加了新的数据节点并增加了空间分区数以匹配。这可能会导致同一空间值的数据块存储在不同的节点上。例如，假设您按 device_id 分区。您从 3 个分区开始，device_B 的数据存储在节点 3 上。稍后您增加到 4 个分区。device_B 的新数据块现在存储在节点 4 上。如果您跨越重新分区边界进行查询，则无法仅在节点 3 或节点 4 上计算 device_B 的最终聚合。部分处理的数据必须发送到访问节点以进行最终聚合。Timescale 查询计划器动态检测此类重叠数据块并恢复到适当的部分聚合计划。这意味着您可以添加数据节点并重新分区数据以实现弹性，而无需担心查询结果。在某些情况下，您的查询性能可能会略有下降，但这很少见，并且受影响的数据块通常会快速移出您的保留窗口。
• 查询包含非不可变函数和表达式。该函数无法下推到数据节点，因为根据定义，不能保证每个节点的结果一致。非不可变函数的一个示例是random()，它取决于当前种子。
• 查询包含用户定义的函数。访问节点假定该函数在数据节点上不存在，因此不会将其下推。

Timescale 使用多种优化来避免这些限制，并尽可能下推更多查询。例如，now() 是一个非不可变函数。数据库在访问节点上将其转换为常量，并将常量时间戳下推到数据节点。

您可以在与标准超表和标准 PostgreSQL 表相同的数据库中使用分布式超表。这在很大程度上与拥有多个标准表的工作方式相同，但有一些差异。例如，如果您 JOIN 标准表和分布式超表，则访问节点需要从数据节点获取原始数据并在本地执行 JOIN。