Database

Hvad det er

En database er en mængde data, der holdes i en fast struktur med
regler for, hvad der må komme ind, så software kan finde, ændre og
kontrollere indholdet; ordet, ofte forkortet DB, bruges også løst om
det program, der står for opbevaringen, og som præcist hedder et
databasehåndteringssystem eller DBMS. NISTs ordliste har to
definitioner, og den bredeste taler om et lager af information eller
data, der kan være et traditionelt relationelt databasesystem, men
ikke behøver at være det.

Ordet har tre opgaver, og en samtale kører i ring, når to personer
mener hver sin. Det betegner dataene: de kunder, ordrer og
sensoraflæsninger, en organisation gemmer. Det betegner motoren, der
passer på dem: PostgreSQL, SQL Server, SQLite. Og inde i en server
betegner det én beholder blandt flere. PostgreSQLs tutorial stiller
niveauerne op: rækker med navngivne, typede kolonner udgør tabeller,
tabeller samles i databaser, og de databaser, som én serverinstans
forvalter sammen, udgør en databaseklynge. SQL Server skelner på
samme måde mellem en instans og de databaser, den rummer. »Databasen
er langsom« kan betyde én tabel, én beholder eller en hel maskine.

De fleste motorer i daglig brug er relationelle: de gemmer data som
relationer, den matematiske betegnelse for tabeller, og tager imod
spørgsmål på SQL. PostgreSQLs tutorial nævner andre ordninger.
Filerne og mapperne i et Unix-lignende system danner en hierarkisk
database, og objektorienterede databaser kom til senere. Redis
kalder sig selv en data structure server: i stedet for tabeller
tilbyder den strenge, hashes, lister, sæt og andre indbyggede typer,
der bruges til caching, køhåndtering og behandling af hændelser.

Motorer adskiller sig også i, hvor de kører. En klient/server-motor
er en proces, der kører hele tiden, og som mange programmer når over
et netværk. En indlejret motor er et bibliotek inde i ét program, og
SQLite holder en hel database i én almindelig fil; projektet siger
selv, at det konkurrerer med `fopen()` og ikke med serverdatabaser.
Forskellen ses i, hvordan et program forbinder sig:

```sh
i# klient/server: forbind til en tjeneste, der allerede kører		engineer.company	70
psql "host=db.internal dbname=shop user=app"

i# indlejret: programmet åbner en fil, og motoren kører inde i det		engineer.company	70
sqlite3 shop.db
```

En tredje familie er bygget til analyse. BigQuery gemmer hver
kolonne for sig, hvor mange traditionelle systemer holder en rækkes
felter samlet på disken. Rækkelagring passer til at slå én post op;
kolonnelagring passer til at summere ét felt over millioner af
rækker, fordi databaseforespørgslen læser den kolonne og lader
resten ligge.

Hvorfor det betyder noget

Filer kan også rumme data. Det, en database lægger til, er løfter om
de data i det øjeblik, mange programmer bruger dem på én gang.

Det første løfte er et sammenhængende billede under samtidig brug.
PostgreSQL giver hver sætning et øjebliksbillede af dataene, som de
stod på et bestemt tidspunkt, et design kaldet multiversion
concurrency control, eller MVCC, så læsning aldrig blokerer
skrivning, og skrivning aldrig blokerer læsning. SQLite tillader et
vilkårligt antal læsere ad gangen og én skriver i hvert øjeblik,
mens de andre skrivere venter på deres tur. De to passer til
forskellige antal skrivere, og det antal afgør meget af valget.

Det andet løfte er, at data bevarer sin form. Et skema angiver,
hvilke kolonner en tabel har, og hvilken type hver rummer; nøgler og
constraints angiver, hvilke rækker der må findes. Når databasen
håndhæver reglerne, adlyder hvert program, der skriver til den, dem.
Når reglerne kun bor i applikationskoden, efterlader det første
program, der springer dem over, rækker, som hver senere forespørgsel
må gardere sig imod.

Det tredje er et fælles sprog med dialekter. SQL er standarden
ISO/IEC 9075, senest revideret som SQL:2023, men PostgreSQLs bilag
om overensstemmelse bemærker, at intet nuværende system hævder fuld
overensstemmelse med standardens Core. Et skema og dets
forespørgsler hører til deres motor, og at flytte dem til en anden
er en migrering med sin egen test.

SQLites egen dokumentation gør valget af motor til en kort
tjekliste: data, der ligger over et netværk fra den kode, der sender
SQL'en, mange processer, der skriver i samme øjeblik, eller indhold
på vej mod terabyte-området peger hver for sig mod klient/server, og
ellers er SQLite det enklere svar. Rapportering i stor skala rejser
endnu et spørgsmål: om tunge læsninger skal køres på en særskilt
analysekopi, der fyldes via ETL, så en lang rapport ikke konkurrerer
med de forespørgsler, kunderne venter på.

Sådan ser det ud i praksis

I den store ende blev der i en rolle som databaseingeniør i en
hurtigt voksende teknologivirksomhed oprettet, administreret og
optimeret over 100 databaser i PostgreSQL, Microsoft SQL Server og
Google BigQuery, primært med GIS-data og tidsseriedata som
sensoraflæsninger, logs og realtidsmetrikker. Arbejdet gav
normaliserede og denormaliserede skemaer til PostgreSQL og SQL
Server med spatial indeksering (PostGIS på PostgreSQL-siden) og
tidsseriepartitionering, mens BigQuery bar store mængder
tidsseriedata i tidspartitionerede, clustrede tabeller. Med
indeksering, materialiserede views og caching på plads faldt
svartiderne for forespørgsler på GIS- og tidsseriedata med 40–60 %,
og automatiseret overvågning reducerede nedetiden med 50 %.

På et dokumenteret udviklingsstadie lagrede et mindre system fakta
bag et CV, et referenceark, en portefølje og en ansøgning i én
SQLite-database på tre sprog. Én kommando byggede databasen op med
alle treogtyve tabeller: den begyndte med en tom fil og kørte nitten
ordnede trin, som hvert var sikkert at gentage. Enogfyrre
Python-moduler, i alt 10.580 linjer, gengav seks outputformater fra
den. En profil valgte, hvilke resultater der optrådte og i hvilken
rækkefølge, så et dokument rettet mod én slags læser med sidens ord
var »en databaseforespørgsel og ikke en kopi«. Prisen var, at
systemet derefter var den eneste måde at frembringe et dokument på.
Disse tal beskriver det dokumenterede udviklingsstadie, ikke det
nuværende kodelager eller de sprog, det understøtter.

Mellem de to størrelser ligger det spørgsmål, enhver travl database
møder, og en note om at optimere før sharding svarer med en
rækkefølge: kig, stram op, tag læsningerne væk fra den primære,
partitionér tabellerne omkring det varme punkt, og shard først, når
én maskine er fuld af godt arbejde. At kigge betyder at spørge
PostgreSQL selv: `pg_stat_statements` for de sætninger, der koster
mest i alt, og derefter `EXPLAIN (ANALYZE, BUFFERS)` for, hvad den
dyreste af dem gør.

Hvor det går galt

Det meste databasebesvær begynder i en beslutning, der blev truffet
tidligt, da dataene var små, og beslutningen så gratis ud.

To kopier af ét faktum glider fra hinanden. CV-generatoren ovenfor
findes, fordi fakta, der holdes som fire dokumenter, skal rettes
fire gange, indtil to af dem er uenige, og intet siger, hvilket der
gælder. Det samme sker med en tabel, der eksporteres til et regneark
og redigeres der, eller med en anden tjeneste, der fører sin egen
kundeliste. Giv hvert faktum ét lager, der ejer det, og lad enhver
anden kopi sige, hvor den kom fra og hvornår. Notens cache følger
reglen strengt: den må fortælle en køber, at en vare er fuldt
reserveret, men hvert ja kommer fra databasen.

Flere maskiner kommer, før nogen har læst planerne. At sprede data
over flere servere spreder de langsomme sætninger over mere hardware
uden at gøre nogen af dem billigere, og det lægger en varig regning
på alt andet: som noten opregner det, kører hver migrering, backup,
gendannelse og rapport én gang pr. shard, og en join på tværs af
shards bliver applikationskode. Læs `pg_stat_statements` og planerne
først, og gem det, de viser, som udgangspunkt.

En læsning rammer en kopi, der er bagud. En streaming-replika tager
læsninger væk fra den primære og ligger en smule efter den. En
bruger, der lige har skrevet noget og læser det tilbage fra
replikaen, kan se den gamle værdi. Læs en brugers egne nye
skrivninger fra den primære.

Rapporter og kunder deler én motor. En rapport, der scanner to års
historik, beslaglægger hukommelse og disk, som butikkens egne
forespørgsler har brug for, og det mærker de, der handler. Flyt tung
analyse til en warehouse-kopi, og lad den daglige database tage sig
af de mange små læsninger og skrivninger.

Læs mere

  * NIST glossary: database — to korte definitioner fra
NIST-publikationer, hvoraf den ene også rummer databaser, der ikke
er relationelle.

  * PostgreSQL tutorial: Concepts — tabeller, rækker, kolonner,
databaser og databaseklyngen på én side.

  * PostgreSQL: Introduction to MVCC — hvordan øjebliksbilleder
lader læsere og skrivere arbejde uden at blokere hinanden.

  * PostgreSQL: SQL Conformance — delene og versionerne af ISO/IEC
9075, og hvad Core-overensstemmelse betyder.

  * Appropriate Uses For SQLite — hvor en indlejret motor passer,
hvor en klient/server-motor passer bedre, og en tjekliste til
valget.

  * Overview of BigQuery storage — række- og kolonneorienteret
lagring, og hvorfor analyse foretrækker den sidste.

hDenne side på nettet	URL:https://engineer.company/da/glossary/database/	engineer.company	70
