最近有幸参加了微软专家进行的为期一周PDW培训，将一些知识点记录如下：
不知道PDW是什么东西的，简单介绍一下：这是微软与HP/Dell合作推出的SQL Server数据仓库一体机，由HP或DELL提供硬件（机柜，四台服务器，两台交换机，IB），再由微软预装PDW版本的SQL Server 2012。购买了以后，直接通电就可运行。容量当然是可以从TB级增长到PB级，处理性能比普通SQL Server 2012快几十上百倍。主要用来进行大数据分析，不适合用于OLTP。
服务器配置：
四台物理的服务器：一台是控制服务器，一台是故障转移服务器，两台是计算节点服务器。
控制服务器上装了四个VM，分别是CTL、VMM、AD和MAD，计算节点每个有8个VM，总共16个计算节点。
两个计算节点通过SAS连接JBOD，四个服务器通过IB连接。
四台物理服务器做了集群，在FabricDOM域里，VM也进行了集群，在APPDOM里。
服务器装的是Windows 2012，不是R2。
尽管管理员密码是知道的，但是一旦装了其它东西，微软就不再提供支持。
使用和管理
可以通过SQLCMD使用。
可以通过DWLoader加载数据。
可以通过VS2012/2013的SSDT进行连接，连接方式跟普通SQL Server类似，但VS2012必须装新版的SSDT才能正确连接到PDW。正确的连接状态下，连接的图标是一个数据库集群样式，与普通的SQL Server连接不同。其中的表，不同的表（复制表，分布表）的图标也会有区别。连接以后，可以直接在VS里面进行创建数据库/表，修改等操作。没有GUI，基本上需要用语句。
可以通过SSIS（VS2012/2013的BI项目类型）进行数据加载。这也是微软推荐的导入数据的方式。
可以通过AdminConsole进行监控，通过DWconfig进行管理。
表结构
两种表：复制表，分布表。复制表就是每个计算节点上都完全相同的表。分布表是根据选定的字段进行哈希后存储在不同节点上的表。可以在创建时进行指定，也可以后期更改。
创建一个1G的复制表，会在每一个节点上都创建一个1G的表，创建一个16G的分布表，会在每个节点上创建1G的分表，合起来有16G。
创建表的操作是在CTL上进行的，PDW内部会建立一系列的SQL语句，到每个计算节点上分别建表，用户不需要知道这些实际表的名字（其实也非常不可读，加了很长的字符串）。CTL上的表实际是空壳。
许多字段类型不支持，包括GUID，Geometry，Text等。每行大小8k，没有主键和外键，没有自增，没有唯一索引。总之就不是一个OLTP的数据库。
基本上不应该进行数据更新和删除。删除应该直接使用Create TABLE as Select ...，类似于普通SQL的INSERT INTO ... Select ...，但比后者快8倍。
DSQL和DataMovement是PDW的核心
DSQL就是在PDW上执行SQL语句，特别是指Join和Group的时候，需要内在的对表进行一系列操作。理解这个机制才能正确的设计数据库。
Share Nothing是执行SQL语句时最希望的方式，就是说不需要在计算节点之间移动数据，每个节点执行自己的语句，查询结果发送给CTL，所有节点发送完毕，CTL把它们串起来就直接返回给客户端。没有数据需要移动，没有数据需要在CTL进行计算合并。
但Share Nothing不是那么轻易能做到的事情。多数情况下，都需要对数据进行移动，移动分为两大类：一种是需要在计算节点之间移动数据，一种是将数据从计算节点移动到CTL节点。
复制表如果Inner Join分布表，不需要移动，复制表和复制表之间也不需要。单独的复制表或分布表也不需要。
复杂的情况发生在分布表和分布表之间关联查询时。
以SELECT ... FROM A，B WHERE A.col1 = B.col1 AND A.col2 = value为例：如果A.col1和B.col1都是分布依据字段，而且数据类型完全相同，那么就可以达到Share Nothing的结果，性能最优。
只要有其中一个字段不是分布依据，那就会产生数据移动，PDW内在的会判断采用哪一种移动，如果有一个数据表很小，那么会把它进行复制，就是变成复制表，这种叫做Broadcast Move。其他情况下，会进行Shuffle Move，将数据在节点之间进行重新分布，淡然最后数据会归位。这样会有性能开销，但数据移动是分布数据库不可避免的。
这决定了设计数据库的时候，就应该考虑到使用的一些场景，会执行什么样的查询语句，基本上可以说，明细表的ID是肯定不能拿来做分布依据的，起码应该是类型ID之类的字段。
如果SQL语句中有Groupby语句，或者执行Count()，那么不可避免地要进行Patition Move，就是数据在节点上查询计算好之后，将每个节点的SUM保存到CTL节点，再进行汇总。
数据的移动还有很多种情况，但大多数情况就是上面这些。
应用模式
围绕PDW应该建立其他的数据库，进行专门化的工作。
1、OLTP的数据库，是应用系统的直接数据库，做增删查改。
2、Loading Server，将数据从OLTP分离出来后，保存在一个Loading Server上，ETL或者ELT导入到PDW。最佳办法是部署SSIS包进行定期任务。
3、Reporting Server，部署分析服务和报表服务，将PDW的分析结果保存在这个数据库中，对领导上层进行服务。
4、Backup Server，进行PDW的备份，不需要高性能的计算量，只需要高存储，通过它再往磁带库备份。PDW V1带有backup Server。从V2开始不带，为了缩减成本，需要用户自己搭建。
与Hadoop关系
通过叫Polybase的引擎，使你能像操作table那样操作Hadoop，包括读和写。它的实质是将你的SQL转换成MapReduce，在Hadoop中执行。
有三种方式搭建PDW支持的Hadoop：1.直接让HP/DELL来给你搭建，往PDW机架上放两个Hadoop服务器；2.自己搭建，只支持三家的Hadoop实现，包括微软还有另外两家的，名字没记住。Apache的不支持；3.使用Windows Azure的Hadoop，15分钟之内就可以搭建完成。
原文地址：http://www.cnblogs.com/renji/p/3735010.html
