仅做个人笔记
中文和英文的课都会看，中文看的是Moody老师的21年fall，英文是油管上的官方视频22年fall
tuple的物理存储（slotted pages）
slot 和 tuple。 slot是一个有序的相同大小的内容，slot上有指针指向相应的tuple，slot从前往后，pages从后往前
tuple一般而言存的是数据，但是也有存储log的
元组存储的是log
inserts delete updates 例如：
如果我们要访问一个数据的话，我们需要找到有关该数据的log，进行一遍回放。一般而言，是从后往前找的，找到该数据的insert，就知道最初的数据在此处诞生，然后再往后回放所有有关该数据的log，就能知道目前该数据是什么内容了。可以用索引来优化该过程，索引是 ** maps a tuple id to the newest log record** 。
log的数据库会非常冗余，效率很低，会选择周期性压缩日志，例如：两次update，会把前一次update变为无效。
压缩举例：
压缩为：
以下数据库大概在用存储log的数据库：HBASE、Cassandra、leveldb、rocksdb，一般适用于key-value数据库。 key-value数据库是唯一的，update对k-v数据库来说友好。
以下是英文课解释： 每个tuple是有一个ID的，它是唯一的，而它的内容就可以作为它的value，这样就构建了k-v数据库的主要的逻辑。
对于log数据库而言，只要存储在磁盘上，就是immutable（不可更改的）
log-structured 数据库 压缩： 两种：universal compaction 和 level compaction
对于分布式而言，log-s数据库较为友好。 所以log-structured数据库的缺点： write-amplification，
需要很多次的从物理磁盘的读写，一开始创建需要很多读写，在做压缩的时候也需要做很多读写
compaction is expensive
tuple storage
tuple是一个字节序列，不一定是连续的 DBMS的目录中，存储着表的模式信息，也就是对这些字节序列翻译成表的属性等信息
data representation
浮点型数据，有数据方面的问题：
（这个问题相对于银行而言，是很严重的问题，如果面临这样的业务，不可用浮点型）
数据库解决这个问题： 存储数据时转成字符串，例如PG：使用NumericDigit结构体
ndigits；位数；scale：数量级，10的多少次方；sign：符号；
MySQL：Numeric
如果测试数据存储类型时，可以使用两数相加，因为PG和MySQL都使用了自己定义的数据结构来存储浮点型数据，所以在相加时，得用自定义函数才可以。因此相比于整数相加，自定义的结构体相加比较耗时。
但是对于oracle来说，它自己定义的结构体，耗时很小，基本等同整形数据相加的时间。
Large Value
针对特长字符串：溢出页。 判断：PG ： >2KB MySQL : > 1/2 size of page SQL Server : > size of page 根据上述判断，如果超出上述size，则将该内容重新找一个页存储，不改变之前页内容结构。
大值：外部文件。存储外部文件的地址在数据库中，但是别的软件可能会修改该文件，导致数据改变。
系统目录 system catalogs
DBMS会存储以下内容在system catalogs： tables，columns，indexes，views Users，permissions Internal statistics
几乎所有数据库都会DBMS自己管理catalogs，可以是另一个表。
information_schema:获取DBMS的catalogs，会出现一些表，这些表里存的就是有关catalogs的内容。
conclusion：
日志结构是一种面向界面架构的另一种存储方法； 存储管理并不是完全独立于DBMS的其他部分；
2021 fall 中文课程剩余部分:
DATABASE WORKLOADS
On-Line Transaction Processing (OLTP)
事务（交易）处理。是一些快速的操作，读写数据量很小的元组每次。保证要快，同时每次读写数据量比较小。是一个事务或者交易，高并发。
On-Line Analytical Processing(OLAP)
在线分析处理。一般公司本身在用，例如统计。SQL语句可能比较复杂，可能要读大量数据。
Hybrid Transaction + Analytical Processing
上述两者的混合
OLTP和OLAP的特性：
一般公司而言，是将OLAP和OLTP分开的。
N-ary storage model（NSM）
行存。 适合事务型数据库 进行分析性语句的时候，如果要筛选某一列的话，但是也需要将整行都取出，其余列就是useless data了。 对于插入和删除而言是有利的。
Decomposition storage model（DSM）
把数据拆开存储，列存。不同页存储不同的列。 对于分析型数据库有利。取某一列的时候，比较方便。只需存几个列就行。 取某一行的时候比较困难：（或者更新删除时，比较耗时）
2010年以后，市面上的数据库都会做一个列存的版本
