DCP 考试心得与感想

最近参加了 DCP 的培训课程与考试，收获满满，想把自己的一些心得分享给大家。

DCP 的考试分为理论和上机两部分。理论考试涵盖的知识面广，题型有单选、多选和判断，共 200 道题，考试时长 2 小时，这部分难度不算太大，报名成功后会有模拟练习题库，掌握好知识点，基本都能应对。上机部分时间很紧凑，而且试卷题目不会像 DCA 那样明确给出如何操作，有些细节考点需要自己理解和思考。在备考策略上，一定要注重理论与实践相结合，遇到问题解决问题，增加自己的经验。一些理论部分的考点会隐藏在上机考题中，多思考，多实操，学以致用，不要盲目刷题。

PS: 主流虚拟机都支持创建备份或快照，做一套和考试相同的环境，练习完直接还原非常方便。

技术分享——分区表

在达梦数据库DCP中，分区表是重要的考点之一，下面分享一下我对分区表的理解。

分区表的分类

分区表技术是提升数据库性能与管理效率的重要手段，其中分区类型包括范围分区、列表分区、哈希分区和间隔分区等多种方式，不同的分区类型适合不同的应用场景。

范围分区

范围分区是对表中的某些列上值的范围进行分区，根据某个值的范围，决定将该数据存储在哪个分区上。分区列一般是数字或是日期类型。

列表分区

列表分区通过指定表中的某个列的离散值集，来确定应当存储在一起的数据。

哈希分区

哈希分区通过对分区列值进行 HASH 运算后，确定实际数据存放位置，主要用来确保数据在预先确定数目的分区中平均分布。当无法预测某个列上的数据变化范围时，哈希分区是一种不错的选择，它能让数据均匀地分布在各个分区中。

间隔分区

间隔分区属于范围分区的一种特殊形式，在创建范围分区表时，可通过 INTERVAL <间隔表达式> 子句将该范围分区表指定为间隔分区表。它适合处理按一定时间间隔增长的数据。

场景分析和分区选择

假设我们准备了 2000 年以后全国各城市的每天的历史天气数据，要为用户提供查询功能，不同的查询需求决定了不同的分区类型选择，以下是几种常见需求场景以及对应的分区选择建议。

场景一：频繁查询某个时间段内全国各地区的天气信息，如查询近一个月、近三个月的天气。

分区选择：范围分区。由于查询重点在于时间段，范围分区按时间范围划分数据，能快速定位到所需时间段的分区数据，提升查询效率。以RECORD_DATE作为分区列，示例如下：

CREATE TABLE weather_info (
    ID INT,
    PROVINCE_CODE CHAR(2),
    CITYCODE CHAR(6),
    WEATHER_TYPE VARCHAR(20),
    MAX_TEMPERATURE DECIMAL(5, 2),
    MIN_TEMPERATURE DECIMAL(5, 2),
    RECORD_DATE DATE,
    HUMIDITY DECIMAL(5, 2)
)
PARTITION BY RANGE (RECORD_DATE) (
    PARTITION p_1 VALUES LESS THAN (DATE '2024-01-01'),
    PARTITION p_2 VALUES LESS THAN (DATE '2024-02-01'),
    -- 根据需求持续添加分区
    PARTITION p_last VALUES LESS THAN (MAXVALUE)
);

场景二：经常查询特定地区在不同时段的天气信息，如北京、上海等城市在不同时间段的天气。

分区选择：可按行政区划编码进行列表分区，也可以结合范围分区（多级分区），先按地区进行列表分区，再在每个地区分区内按时间进行范围分区。这样对特定地区数据管理更高效，查询特定地区特定时间数据更便捷。示例代码如下：

CREATE TABLE weather_info (
    ID INT,
    PROVINCE_CODE CHAR(2),
    CITYCODE CHAR(6),
    WEATHER_TYPE VARCHAR(20),
    MAX_TEMPERATURE DECIMAL(5, 2),
    MIN_TEMPERATURE DECIMAL(5, 2),
    RECORD_DATE DATE,
    HUMIDITY DECIMAL(5, 2)
)


PARTITION BY LIST (PROVINCE_CODE) SUBPARTITION BY RANGE (RECORD_DATE) (
    PARTITION p_bj VALUES ('11') (
        SUBPARTITION p_bj_1 VALUES LESS THAN (DATE '2024-01-01'),
        SUBPARTITION p_bj_2 VALUES LESS THAN (DATE '2024-02-01')
        -- 依此类推
    ),
    PARTITION p_heb VALUES ('13') (
        SUBPARTITION p_heb_1 VALUES LESS THAN (DATE '2024-01-01'),
        SUBPARTITION p_heb_2 VALUES LESS THAN (DATE '2024-02-01')
        -- 依此类推
    )
);

场景三：数据量极大，需均衡各分区数据负载，对特定地区和时间段查询无明显偏好。

分区选择：哈希分区。哈希分区通过对分区列值进行哈希运算均匀分布数据，可避免数据倾斜，提升系统并发处理能力。以ID作为分区列，示例代码如下：

CREATE TABLE weather_info (
    ID INT,
    PROVINCE_CODE CHAR(2),
    CITYCODE CHAR(6),
    WEATHER_TYPE VARCHAR(20),
    MAX_TEMPERATURE DECIMAL(5, 2),
    MIN_TEMPERATURE DECIMAL(5, 2),
    RECORD_DATE DATE,
    HUMIDITY DECIMAL(5, 2)
)
PARTITION BY HASH (ID)
PARTITIONS 10;

场景四：随着时间流逝，不断更新历史天气数据，数据会按时间顺序不断增长，希望自动按一定时间间隔创建新分区。

分区选择：间隔分区。间隔分区适合处理按固定时间间隔增长的数据，系统可自动按设定间隔创建新分区，减少人工管理成本。以RECORD_DATE作为分区列，示例代码如下：

CREATE TABLE weather_info (
    ID INT,
    PROVINCE_CODE CHAR(2),
    CITYCODE CHAR(6),
    WEATHER_TYPE VARCHAR(20),
    MAX_TEMPERATURE DECIMAL(5, 2),
    MIN_TEMPERATURE DECIMAL(5, 2),
    RECORD_DATE DATE,
    HUMIDITY DECIMAL(5, 2)
)
PARTITION BY RANGE (RECORD_DATE) INTERVAL (NUMTOYMINTERVAL(1, 'MONTH')) (
    PARTITION p_start VALUES LESS THAN (DATE '2024-01-01')
);