Doris 一种实时多维分析的解决方案

Doris 这类 MPP 架构的 OLAP 数据库,通常都是通过提高并发,来处理大量数据的。本质上,Doris 的数据存储在类似 SSTable(Sorted String Table)的数据结构中。该结构是一种有序的数据结构,可以按照指定的列进行排序存储。在这种数据结构上, 以排序列作为条件进行查找,会非常的高效。

限制

  • 在  Count(*) 语法方面,原生的方式性能不是特别高,需要自行优化(http://doris.apache.org/documentation/cn/getting-started/data-model-rollup.html)

  • 不存在除了维度和指标之外的字段类型存在,如果需要实现多种需求场景,需要创建多种表类型来冗余数据方式实现

数据存储结构

在 Doris 中,数据以表(Table)的形式进行逻辑上的描述。一张表包括行(Row)和列(Column)。Row 即用户的一行数据。Column 用于描述一行数据中不同的字段。

Column 可以分为两大类:Key 和 Value。从业务角度看,Key 和 Value 可以分别对应维度列和指标列。

Doris 的数据模型主要分为3类:

  • Aggregate

  • Uniq

  • Duplicate

Aggregate 模型

在 Doris 通过 key 来来决定 value 的聚合粒度大小。

   
   
   
   
   
  1. CREATE TABLE IF NOT EXISTS example_db.expamle_tbl

  2. (

  3. `user_id`LARGEINT NOT NULL COMMENT"用户id",

  4. `date`DATE NOT NULL COMMENT"数据灌入日期时间",

  5. `city`VARCHAR(20)COMMENT"用户所在城市",

  6. `age`SMALLINT COMMENT"用户年龄",

  7. `sex`TINYINT COMMENT"用户性别",

  8. `last_visit_date`DATETIME REPLACE DEFAULT"1970-01-01 00:00:00"COMMENT"用户最后一次访问时间",

  9. `cost`BIGINT SUM DEFAULT"0"COMMENT"用户总消费",

  10. `max_dwell_time`INT MAX DEFAULT"0"COMMENT"用户最大停留时间",

  11. `min_dwell_time`INT MIN DEFAULT"99999"COMMENT"用户最小停留时间",

  12. )

  13. AGGREGATE KEY(`user_id`,`date`,`timestamp`,`city`,`age`,`sex`)

  14. .../* 省略 Partition 和 Distribution 信息 */

像带有 REPLACE、SUM、MAX、MIN 这种标记的字段都是属于 value, user_id, date, timestamp, city, age, sex则为key。

Uniq模型

这类数据没有聚合需求,只需保证主键唯一性。

   
   
   
   
   
  1. CREATE TABLE IF NOT EXISTS example_db.expamle_tbl

  2. (

  3. `user_id`LARGEINT NOT NULL COMMENT"用户id",

  4. `username`VARCHAR(50)NOT NULL COMMENT"用户昵称",

  5. `city`VARCHAR(20)COMMENT"用户所在城市",

  6. `age`SMALLINT COMMENT"用户年龄",

  7. `sex`TINYINT COMMENT"用户性别",

  8. `phone`LARGEINT COMMENT"用户电话",

  9. `address`VARCHAR(500)COMMENT"用户地址",

  10. `register_time`DATETIME COMMENT"用户注册时间"

  11. )

  12. UNIQUE KEY(`user_id`,`user_name`)

  13. .../* 省略 Partition 和 Distribution 信息 */

Duplicate 模型

在某些多维分析场景下,数据既没有主键,也没有聚合需求。因此,我们引入 Duplicate 数据模型来满足这类需求。

这种数据模型区别于 Aggregate 和 Uniq 模型。数据完全按照导入文件中的数据进行存储,不会有任何聚合。即使两行数据完全相同,也都会保留。而在建表语句中指定的 DUPLICATE KEY,只是用来指明底层数据按照那些列 进行排序

在 DUPLICATE KEY 的选择上,我们建议适当的选择前 2-4 列就可以。

   
   
   
   
   
  1. CREATE TABLE IF NOT EXISTS example_db.expamle_tbl

  2. (

  3. `timestamp`DATETIME NOT NULL COMMENT"日志时间",

  4. `type`INT NOT NULL COMMENT"日志类型",

  5. `error_code`INT COMMENT"错误码",

  6. `error_msg`VARCHAR(1024)COMMENT"错误详细信息",

  7. `op_id`BIGINT COMMENT"负责人id",

  8. `op_time`DATETIME COMMENT"处理时间"

  9. )

  10. DUPLICATE KEY(`timestamp`,`type`)

  11. .../* 省略 Partition 和 Distribution 信息 */

数据模型的选择建议

因为数据模型在建表时就已经确定,且 无法修改。所以,选择一个合适的数据模型 非常重要

  1. Aggregate 模型可以通过预聚合,极大地降低聚合查询时所需扫描的数据量和查询的计算量,非常适合有固定模式的报表类查询场景。但是该模型对 count(*) 查询很不友好。同时因为固定了 Value 列上的聚合方式,在进行其他类型的聚合查询时,需要考虑语意正确性。

  2. Uniq 模型针对需要唯一主键约束的场景,可以保证主键唯一性约束。但是无法利用 ROLLUP 等预聚合带来的查询优势(因为本质是 REPLACE,没有 SUM 这种聚合方式)。

  3. Duplicate 适合任意维度的 Ad-hoc 查询。虽然同样无法利用预聚合的特性,但是不受聚合模型的约束,可以发挥列存模型的优势(只读取相关列,而不需要读取所有 Key 列)。

前缀索引

在 Aggregate、Uniq 和 Duplicate 三种数据模型中。底层的数据存储,是按照各自建表语句中,AGGREGATE KEY、UNIQ KEY 和 DUPLICATE KEY 中指定的列进行排序存储的。

而前缀索引,即在排序的基础上,实现的一种根据给定前缀列,快速查询数据的索引方式。

我们将一行数据的前 36 个字节作为这行数据的前缀索引。当遇到 VARCHAR 类型时,前缀索引会直接截断。我们举例说明:

1.以下表结构的前缀索引为 user_id(8Byte) + age(4Bytes) + message(prefix 24 Bytes)。

ColumnName Type
user_id BIGINT
age INT
message VARCHAR(100)
maxdwelltime DATETIME
mindwelltime DATETIME

1.以下表结构的前缀索引为 user_name(20 Bytes)。即使没有达到 36 个字节,因为遇到 VARCHAR,所以直接截断,不再往后继续。

ColumnName Type
user_name VARCHAR(20)
age INT
message VARCHAR(100)
maxdwelltime DATETIME
mindwelltime DATETIME

当我们的查询条件,是 前缀索引的前缀时,可以极大的加快查询速度。比如在第一个例子中,我们执行如下查询:

   
   
   
   
   
  1. SELECT*FROM table WHERE user_id=1829239andage=20;

该查询的效率会 远高于如下查询:

   
   
   
   
   
  1. SELECT*FROM table WHERE age=20;

所以在建表时, 正确的选择列顺序,能够极大地提高查询效率

物化视图(rollup)

ROLLUP 在多维分析中是“上卷”的意思,即将数据按某种指定的粒度进行进一步聚合。

在 Doris 中,我们将用户通过建表语句创建出来的表成为 Base 表(Base Table)。Base 表中保存着按用户建表语句指定的方式存储的基础数据。

在 Base 表之上,我们可以创建任意多个 ROLLUP 表。这些 ROLLUP 的数据是基于 Base 表产生的,并且在物理上是 独立存储的。

ROLLUP 表的基本作用,在于在 Base 表的基础上, 获得更粗粒度的聚合数据

Rollup 本质上可以理解为原始表(Base Table)的一个物化索引。建立 Rollup 时可只选取 Base Table 中的部分列作为 Schema。Schema 中的字段顺序也可与 Base Table 不同。

ROLLUP 创建完成之后的触发是程序自动的,不需要任何其他指定或者配置。

例如:创建了 user_id (key),cost(value)格式的 rollup 时,当执行下方语句时,就会触发。

   
   
   
   
   
  1. SELECT user_id,sum(cost)FROM table GROUP BY user_id;

Aggregate 和 Uniq 两种数据存储格式时,使用 rollup 会改变聚合数据的粒度,但对于 Duplicate 只是调整前缀索引。

因为建表时已经指定了列顺序,所以一个表只有一种前缀索引。这对于使用其他不能命中前缀索引的列作为条件进行的查询来说,效率上可能无法满足需求。因此,我们可以通过创建 ROLLUP 来人为的调整列顺序。举例说明。

Base 表结构如下:

ColumnName Type
user_id BIGINT
age INT
message VARCHAR(100)
maxdwelltime DATETIME
mindwelltime DATETIME

我们可以在此基础上创建一个 ROLLUP 表:

ColumnName Type
age INT
user_id BIGINT
message VARCHAR(100)
maxdwelltime DATETIME
mindwelltime DATETIME

可以看到,ROLLUP 和 Base 表的列完全一样,只是将 user_id 和 age 的顺序调换了。那么当我们进行如下查询时:

   
   
   
   
   
  1. SELECT*FROM tablewhereage=20andmassage LIKE"%error%";

会优先选择 ROLLUP 表,因为 ROLLUP 的前缀索引匹配度更高。

创建 rollup 语法

   
   
   
   
   
  1. ALTER TABLE table1 ADD ROLLUP rollup_city(citycode,pv);

  2. # 取消正在执行的作业

  3. CANCEL ALTER TABLE ROLLUP FROM table1;

ROLLUP 调整前缀索引

因为建表时已经指定了列顺序,所以一个表只有一种前缀索引。这对于使用其他不能命中前缀索引的列作为条件进行的查询来说,效率上可能无法满足需求。因此,我们可以通过创建 ROLLUP 来人为的调整列顺序。

ROLLUP 的几点说明

  • ROLLUP 最根本的作用是提高某些查询的查询效率(无论是通过聚合来减少数据量,还是修改列顺序以匹配前缀索引)。因此 ROLLUP 的含义已经超出了 “上卷” 的范围。这也是为什么我们在源代码中,将其命名为 Materized Index(物化索引)的原因。

  • ROLLUP 是附属于 Base 表的,可以看做是 Base 表的一种辅助数据结构。用户可以在 Base 表的基础上,创建或删除 ROLLUP,但是不能在查询中显式的指定查询某 ROLLUP。是否命中 ROLLUP 完全由 Doris 系统自动决定。

  • ROLLUP 的数据是独立物理存储的。因此, 创建的 ROLLUP 越多,占用的磁盘空间也就越大。同时对导入速度也会有影响(导入的ETL阶段会自动产生所有 ROLLUP 的数据),但是不会降低查询效率(只会更好)

  • ROLLUP 的数据更新与 Base 表示完全同步的。用户无需关心这个问题。

  • ROLLUP 中列的聚合方式,与 Base 表完全相同。在创建 ROLLUP 无需指定,也不能修改。

  • 查询能否命中 ROLLUP 的一个必要条件(非充分条件)是,查询所涉及的 所有列(包括 select list 和 where 中的查询条件列等)都存在于该 ROLLUP 的列中。否则,查询只能命中 Base 表。

  • 某些类型的查询(如 count(*))在任何条件下,都无法命中 ROLLUP。

  • 可以通过  EXPLAIN your_sql; 命令获得查询执行计划,在执行计划中,查看是否命中 ROLLUP。

  • 可以通过  DESC tbl_name ALL; 语句显示 Base 表和所有已创建完成的 ROLLUP。

rollup 数量没有限制,但数量越多会消耗比较多的内存。支持 SQL 方式变更 rollup 字段数量。

分区和分桶

Doris 支持两级分区存储, 第一层为 RANGE 分区(partition), 第二层为 HASH 分桶(bucket)。

1.3.1. RANGE分区(partition)

   
   
   
   
   
  1. RANGE分区用于将数据划分成不同区间,逻辑上可以理解为将原始表划分成了多个子表。业务上,多数用户会选择采用按时间进行partition,让时间进行partition有以下好处:


  2. *可区分冷热数据

  3. *可用上Doris分级存储(SSD+SATA)的功能

  4. *按分区删除数据时,更加迅速

1.3.2. HASH分桶(bucket)

   
   
   
   
   
  1. 根据hash值将数据划分成不同的bucket。


  2. *建议采用区分度大的列做分桶,避免出现数据倾斜

  3. *为方便数据恢复,建议单个bucket的size不要太大,保持在10GB以内,所以建表或增加partition时请合理考虑bucket数目,其中不同partition可指定不同的buckets数。

稀疏索引和 Bloom Filter

Doris对数据进行有序存储, 在数据有序的基础上为其建立稀疏索引,索引粒度为 block(1024行)。

稀疏索引选取 schema 中固定长度的前缀作为索引内容, 目前 Doris 选取 36 个字节的前缀作为索引。

  • 建表时建议将查询中常见的过滤字段放在 Schema 的前面, 区分度越大,频次越高的查询字段越往前放。

  • 这其中有一个特殊的地方,就是 varchar 类型的字段。varchar 类型字段只能作为稀疏索引的最后一个字段。索引会在 varchar 处截断, 因此 varchar 如果出现在前面,可能索引的长度可能不足 36 个字节。具体可以参阅 数据模型、ROLLUP 及前缀索引。

  • 除稀疏索引之外, Doris还提供bloomfilter索引, bloomfilter索引对区分度比较大的列过滤效果明显。如果考虑到varchar不能放在稀疏索引中, 可以建立bloomfilter索引。

Broadcast/Shuffle Join

系统默认实现 Join 的方式,是将小表进行条件过滤后,将其广播到大表所在的各个节点上,形成一个内存 Hash 表,然后流式读出大表的数据进行Hash Join。但是如果当小表过滤后的数据量无法放入内存的话,此时 Join 将无法完成,通常的报错应该是首先造成内存超限。

如果遇到上述情况,建议使用 Shuffle Join 的方式,也被称作 Partitioned Join。即将小表和大表都按照 Join 的 key 进行 Hash,然后进行分布式的 Join。 这个对内存的消耗就会分摊到集群的所有计算节点上

问题

  1. 在已经创建的表基础上进行表结构字段的变更和 rollup 索引的变更?

支持,但数据模式一旦表创建就无法变更。

  1. rollup 是否存在数量的限制?

不存在,但越多的 rollup 内存资源会消耗更多,同时,导入数据会比较慢。

  1. (A,B,C)构成的索引是否支持仅 A 字段作为查询条件查询?

支持,但要有顺序要求。

总结

Doris 表结构由 key 和 value 构成,key 为维度,value 为统计指标。适合做简单的聚合计算和维度计算,使用比较低的硬件条件拥有比较高的性能。

  • 查询:满足 MySQL 语法

  • 提升查询性能:使用前缀索引+rollup 或者使用 partition、bloom 过滤器。

  • 提升 join 方式查询性能:Shuffle Join。

  • 表结构和索引都支持变更,但数据模式不支持变更。

Doris 官方还推出了 Docker 的 Dev 版本进行特性试用。https://hub.docker.com/r/apachedoris/doris-dev

推荐 |  谈谈 Github Actions 入门

上文 |  JAVA11到底有多强,不看你就out了


↘️点击 在看 帮助更多人

你可能感兴趣的:(dev)