Nexos Data
← Voltar para o blog

Data Warehouse

DISTSTYLE no Redshift: como usar e melhores práticas

· Equipe Nexos

DISTSTYLE no Redshift: como usar e melhores práticas

A estratégia de distribuição de dados (DISTSTYLE) é um dos conceitos mais críticos para otimização de performance no Amazon Redshift. Uma escolha adequada de DISTSTYLE pode resultar em queries até 10x mais rápidas, enquanto uma escolha inadequada pode tornar seu data warehouse lento e custoso.

Entendendo a Arquitetura de Distribuição do Redshift

O Redshift utiliza uma arquitetura de processamento paralelo massivo (MPP) onde dados são distribuídos entre múltiplos nós. A DISTSTYLE determina como os dados de uma tabela são espalhados entre esses nós, impactando diretamente a performance das consultas.

Os Quatro Tipos de DISTSTYLE

1. DISTSTYLE KEY

Distribui linhas baseado no valor de uma coluna específica (distribution key):

CREATE TABLE vendas (
  produto_id INTEGER,
  cliente_id INTEGER,
  data_venda DATE,
  valor DECIMAL(10,2)
)
DISTSTYLE KEY
DISTKEY(produto_id);

Quando usar:

  • Tabelas grandes (> 1 milhão de linhas)
  • Joins frequentes em colunas específicas
  • Dados bem distribuídos na coluna chave

Vantagens:

  • Joins locais quando tabelas compartilham a mesma distribution key
  • Redução significativa de tráfego de rede
  • Performance otimizada para queries filtradas pela distribution key

2. DISTSTYLE EVEN

Distribui linhas uniformemente entre todos os nós usando algoritmo round-robin:

CREATE TABLE logs_sistema (
  timestamp TIMESTAMP,
  nivel VARCHAR(10),
  mensagem VARCHAR(500)
)
DISTSTYLE EVEN;

Quando usar:

  • Tabelas sem joins frequentes
  • Dados sem coluna natural para distribuição
  • Tabelas usadas principalmente para agregações

3. DISTSTYLE ALL

Replica a tabela completa em todos os nós:

CREATE TABLE dimensao_produto (
  produto_id INTEGER PRIMARY KEY,
  nome_produto VARCHAR(100),
  categoria VARCHAR(50)
)
DISTSTYLE ALL;

Quando usar:

  • Tabelas pequenas (< 1 milhão de linhas)
  • Tabelas de dimensão usadas em muitos joins
  • Lookup tables e tabelas de referência

Cuidados:

  • Aumenta tempo de DML operations (INSERT, UPDATE, DELETE)
  • Consome mais espaço de armazenamento
  • Não recomendado para tabelas > 2-3 milhões de linhas

4. DISTSTYLE AUTO

Deixa o Redshift escolher automaticamente a melhor estratégia:

CREATE TABLE transacoes (
  transacao_id BIGINT,
  conta_id INTEGER,
  valor DECIMAL(15,2),
  data_transacao TIMESTAMP
)
DISTSTYLE AUTO;

Quando usar:

  • Tabelas novas sem padrão de acesso conhecido
  • Ambientes com workloads variados
  • Equipes sem expertise profunda em otimização

Escolhendo a Distribution Key Ideal

Critérios para uma boa Distribution Key:

  • Alta cardinalidade: Muitos valores únicos para distribuição uniforme
  • Join frequency: Coluna usada frequentemente em joins
  • Even distribution: Valores bem espalhados, sem skew
  • Low volatility: Valores que não mudam frequentemente

Exemplo Prático: E-commerce

-- ❌ MAU: Distribution key com baixa cardinalidade
CREATE TABLE pedidos (
  pedido_id BIGINT,
  status VARCHAR(20), -- Apenas ~5 valores distintos
  cliente_id INTEGER,
  data_pedido DATE
)
DISTSTYLE KEY
DISTKEY(status); -- Causará data skew!

-- ✅ BOM: Distribution key com alta cardinalidade
CREATE TABLE pedidos (
  pedido_id BIGINT,
  status VARCHAR(20),
  cliente_id INTEGER,
  data_pedido DATE
)
DISTSTYLE KEY
DISTKEY(cliente_id); -- Boa distribuição

Detectando e Corrigindo Data Skew

Data skew ocorre quando dados ficam concentrados em poucos nós, criando bottlenecks:

-- Query para detectar skew
SELECT
  slice,
  COUNT(*) as num_rows,
  COUNT(*) * 100.0 / SUM(COUNT(*)) OVER() as pct_rows
FROM stv_blocklist
WHERE tbl = (SELECT oid FROM pg_class WHERE relname = 'sua_tabela')
GROUP BY slice
ORDER BY slice;

Sinais de skew problemático:

  • Diferença > 30% entre nós com mais e menos dados
  • Queries lentas mesmo com índices adequados
  • High disk usage em alguns nós específicos

Melhores Práticas por Tipo de Tabela

Tabelas Fato (Fact Tables)

  • Use DISTSTYLE KEY na chave mais usada em joins
  • Prefira foreign keys com alta cardinalidade
  • Evite distribution keys que mudam frequentemente

Tabelas Dimensão (Dimension Tables)

  • Tabelas pequenas (< 1M linhas): DISTSTYLE ALL
  • Tabelas médias: DISTSTYLE KEY na primary key
  • Tabelas grandes: Mesmo DISTKEY da fact table principal

Tabelas Staging

  • Use DISTSTYLE EVEN para cargas iniciais
  • Redistribua após ETL se necessário
  • Considere DISTSTYLE AUTO para flexibilidade

Monitoramento e Otimização Contínua

-- Query para analisar performance de joins
SELECT
  query,
  slice,
  tbl,
  rows,
  rows_pre_filter
FROM stl_scan
WHERE query = {query_id}
ORDER BY query, slice, tbl;

Monitore regularmente:

  • Query execution times: Identifique queries lentas
  • Data distribution: Verifique skew periodicamente
  • Join performance: Analise redistribution overhead
  • Storage usage: Monitore crescimento por nó

Alterando DISTSTYLE em Tabelas Existentes

-- Não é possível alterar DISTSTYLE diretamente
-- Necessário recriar a tabela

CREATE TABLE vendas_nova (
  LIKE vendas
)
DISTSTYLE KEY
DISTKEY(nova_coluna);

INSERT INTO vendas_nova SELECT * FROM vendas;

-- Após validação
DROP TABLE vendas;
ALTER TABLE vendas_nova RENAME TO vendas;

A escolha correta de DISTSTYLE é fundamental para extrair máxima performance do Redshift. Comece com AUTO para entender padrões de uso, depois otimize com base em dados reais de performance e distribuição.

Quer um resultado parecido?

Conte o seu cenário e vamos entender como podemos ajudar.

Agende um Diagnóstico

Fique por dentro das novidades.

Receba conteúdos exclusivos da Nexos Data sobre tecnologia, dados e transformação digital diretamente no seu email.

Você pode cancelar a inscrição a qualquer momento.