Apache Doris 数据导入总览

Apache Doris 代码仓库地址：apache/incubator-doris 欢迎大家关注加星

---

1.导入总览介绍

Apache Doris 的数据导入功能是提供用户将数据导入到 Doris 中，导入成功之后，用户可以通过 Mysql 客户端使用SQL对数据进行查询分析。

Doris 为满足不同场景的数据数据导入需求，提供了一下几种数据导入方式，每种数据导入方式都支持不同的数据源，存在不同的使用方式：同步，异步，每种导入方式也支持不同的数据格式：CSV，JSON，Parquet、ORC等

1.1 Broker Load方式

这种方式需要安装一个 Doris Broker服务，具体参照 Apache Doris 安装指南

这种方式通过 Broker 进程访问并读取外部数据源（如 HDFS，）导入到 Doris。用户通过 Mysql 协议，通过 Doris SQL 语句的方式提交导入作业后，异步执行。通过 SHOW LOAD 命令查看导入结果。

这种方式大数据量的数据迁移使用。

1.2 Stream Load 方式

用户通过 HTTP 协议提交请求并携带原始数据（可以是文件，也可以是内存数据）创建导入。主要用于快速将本地文件或数据流中的数据导入到 Doris。导入命令同步返回导入结果，这种导入方式支持两种格式的数据CVS和JSON，

通过 SHOW STREAM LOAD方式来查看Stream load作业情况，这个要最新版本里才支持（百度发行版：0.14.13、apache 0.15版本及以后版本）

这是一种同步的数据导入方式

1.3 Insert 方式

这种导入方式和 MySQL 中的 Insert 语句类似，Apache Doris 提供 INSERT INTO tbl SELECT ...; 的方式从 Doris 的表（或者ODBC方式的外表）中读取数据并导入到另一张表。或者通过 INSERT INTO tbl VALUES(...); 插入单条数据，单条插入方式不建议在生产和测试环境中使用，只是演示使用。

INSERT INTO tbl SELECT …这种方式一般是在Doris内部对数据进行加工处理，生成中间汇总表，或者在Doris内部对数据进行ETL操作使用

这种方式是一种同步的数据导入方式

1.4 Routine Load方式

这种方式是以Kafka为数据源，从Kafka中读取数据并导入到Doris对应的数据表中，用户通过 Mysql 客户端提交 Routine Load数据导入作业，Doris 会在生成一个常驻线程，不间断的从Kafka中读取数据并存储在对应Doris表中，并自动维护Kafka Offset位置。

通过SHOW ROUTINE LOAD来查看Routine load作业情况

这是一种同步的数据导入方式。

1.5 Spark Load方式

Spark load 通过借助于外部的 Spark 计算资源实现对导入数据的预处理，提高 Doris 大数据量的导入性能并且节省 Doris 集群的计算资源。主要用于初次迁移，大数据量导入 Doris 的场景。

这种方式需要借助于Broker服务。

Spark load 是一种异步导入方式，用户需要通过 MySQL 协议创建 Spark 类型导入任务，并通过 SHOW LOAD 查看导入结果。

1.6 S3协议直接导入

这种导入类似于Broker Load，通过S3协议直接导入数据

2.导入基本原理

2.1 角色介绍

1. Frontend （FE）： 负责Doris 元数据管理及节点调度，在导入流程中主要负责导入规划生成及导入任务调度。
2. Backend （BE）：主要负责Doris数据存储及计算，在导入流程中主要负责数据的ETL加工及数据存储
3. Broker Load ：Broker服务为一个独立的无状态进程。封装了文件系统（例如HDFS等）接口，提供 Doris 读取远端存储系统中文件的能力。
4. 导入作业：导入作业读取用户提交的源数据，转换或清洗后，将数据导入到 Doris 系统中。导入完成后，数据即可被用户查询到。
5. Label：每个导入作业都有一个 Label。这个Label 在一个数据库内唯一，可由用户指定或系统自动生成，用于标识一个导入作业。相同的 Label 仅可用于一个成功的导入作业。
6. MySQL 协议/HTTP 协议：Doris 提供两种访问协议接口。 MySQL 协议和 HTTP 协议。部分导入方式使用 MySQL 协议接口提交作业，部分导入方式使用 HTTP 协议接口提交作业。

2.2 作业阶段

一个导入作业分为四个阶段：PENDING、ETL，LOADING，FINISHED，前三个阶段是非必须阶段，可选。前两个阶段在作业没有完成之前都可以取消（CANCELLED）

1. PENDING：这阶段是可选阶段，该阶段只有 Broker Load 才有。Broker Load 被用户提交后会短暂停留在这个阶段，直到被 FE 中的 Scheduler 调度。 其中 Scheduler 的调度间隔为5秒
2. ETL（非必须）： 该阶段在版本 0.10.0(包含) 之前存在，主要是用于将原始数据按照用户声明的方式进行变换，并且过滤不满足条件的原始数据。在 0.10.0 后的版本，ETL 阶段不再存在，其中数据 transform 的工作被合并到 LOADING 阶段
3. LOADING ： 该阶段在版本 0.10.0（包含）之前主要用于将变换后的数据推到对应的 BE 存储中。在 0.10.0 后的版本，该阶段先对数据进行清洗和变换，然后将数据发送到 BE 存储中。当所有导入数据均完成导入后，进入等待生效过程，此时 Load job 依旧是 LOADING。
4. FINISHED ： 在 Load job 涉及的所有数据均生效后，Load job 的状态变成 FINISHED。FINISHED 后导入的数据均可查询。
5. CANCELLED： 在作业 FINISHED 之前，作业都可能被取消并进入 CANCELLED 状态。如用户手动取消，或导入出现错误等。CANCELLED 也是 Load Job 的最终状态，不可被再次执行。

上面四个阶段，除了 PENDING 到 LOADING 阶段是 调度器（Scheduler ）轮训调度的，其他阶段之前的转移都是回调机制实现。

3. 数据导入的原子性保证

Doris 对所有导入方式提供原子性保证。既保证同一个导入作业内的数据，原子生效。不会出现仅导入部分数据的情况。

同时，每一个导入作业都有一个由用户指定或者系统自动生成的 Label。Label 在一个 Database 内唯一。当一个 Label 对应的导入作业成功后，不可再重复使用该 Label 提交导入作业。如果 Label 对应的导入作业失败，则可以重复使用。

用户可以通过 Label 机制，来保证 Label 对应的数据最多被导入一次，即At-Most-Once 语义

4. Doris数据导入最佳实践

我们在使用Doris数据导入的时候，一般都是程序接入的方式，这样可以保证数据会定期的被加载到Doris中，下面给出集中最佳实践：

1. 选择合适的导入方式：根据数据源所在位置选择导入方式。例如：如果原始数据存放在 HDFS 上，则使用 Broker load 导入。
2. 确定导入方式的协议：如果选择了 Broker load 导入方式，则外部系统需要能使用 MySQL 协议定期提交和查看导入作业。
3. 确定导入方式的类型：导入方式为同步或异步。比如 Broker load 为异步导入方式，则外部系统在提交创建导入后，必须调用查看导入命令，根据查看导入命令的结果来判断导入是否成功。
4. 制定 Label 生成策略：Label 生成策略需满足，每一批次数据唯一且固定的原则。这样 Doris 就可以保证 At-Most-Once。
5. 程序自身保证 At-Least-Once：外部系统需要保证自身的 At-Least-Once，这样就可以保证导入流程的 Exactly-Once。
6. 如果是ODBC外部数据源或者Doris内部数据加工，这种建议采用INSERT INTO tbl SELECT …，然后可以通过外部任务调度器（比如：DolphinScheduler），定时的对导入及数据加工任务进行调度执行
7. 如果你要实时的从外部Kafka数据源中读取数据并加载到Doris中，这种建议使用Routine Load，需要注意的是如果数据是JSON格式数据（JSON数据不支持嵌套），这种你也可以使用Stream load方式来完成数据导入。如果数据量比较大，可以借助以Flink或者Spark集群对数据进行做一些预处理，然后通过Stream Load方式导入到Doris中，大大提高数据导入效率。

5.总结

以上我们介绍了 Doris 数据导入的几种导入方式及数据导入的原子性保障机制，最后给出了Doris数据导入的最佳实践，后面我们将具体介绍每种数据导入的具体使用方式及相关参数说明。