列式存储把按行存储改为按列存储天然契合分析查询与压缩

[[星型模式用事实表与维度表拆分事件本身和事件属性]]里事实表虽然常有上百列，但典型 分析查询一次通常只访问其中4-5列（很少用SELECT *）。如果沿用OLTP常见的面向行存储 （一行的所有值相邻存储），即使只需要3列，存储引擎也不得不把每一行上百个属性全部 从磁盘加载进内存再过滤掉不需要的部分，代价很高。面向列存储反其道而行：不把一行的 值存在一起，而是把同一列的所有值存在一起（比如每列单独一个文件），这样查询只需要 读取和解析用到的那几列，省下大量无谓的I/O。列式存储依赖每个列文件按相同的行顺序 排列，重组某一行数据时，把每个列文件里第k项取出拼在一起即可。列存储还天然适合 压缩：同一列的值往往高度重复（比如列里不同值的种类相比总行数少得多）。一种在数据 仓库里特别有效的技术是位图编码：把一个有n个不同值的列拆成n个独立位图，每行占一位， 该行取该值则为1，否则为0；如果n不大，可以每行存一位，n更大时位图会很稀疏，可以再 用游程编码进一步压缩。这种位图结构还天然契合分析常见的查询模式——WHERE product_sk IN (30,68,69)只需加载这三个值的位图做按位OR；WHERE product_sk=31 AND store_sk=3只需加载两个位图做按位AND，因为各列位图按相同行顺序排列，第k位 天然对应同一行。此外，选定一列（如日期）做主排序键还能让该列压缩率最高（长串重复 值），同时帮助查询优化器只扫描目标日期范围的行，把范围过滤和压缩收益结合起来。

结构图：

flowchart LR
    A[面向行存储] -->|一行全部属性相邻| A1[分析查询需加载整行, 再过滤掉多余列]
    B[面向列存储] -->|同列所有值相邻, 各列独立文件| B1[只读取查询用到的几列]
    B1 --> B2[同列值高度重复, 适合位图编码压缩]
    B2 --> B3[WHERE IN: 多个位图按位OR]
    B2 --> B4[WHERE AND: 多个位图按位AND]
    B --> B5[选定主排序列: 提升该列压缩率+支持范围过滤]