Apache Doris使用总结

前提：已有多年大数据经验，熟悉多种架构，与其他框架类比后总结的doris一些特性，新手勿入

1. Doris基础学习

中文官网:https://doris.apache.org/zh-CN/docs/dev/summary/basic-summary/

1.1 doris 简介

Apache Doris 是一个现代化的 MPP(Massively Parallel Processing，即大规模并行处理) 分析型数据库产品

亚秒级响应时间即可获得查询结果

可以支持 10PB 以上的超大数据集

满足多种数据分析需求，例如固定历史报表，实时数据分析，交互式 数据分析和探索式数据分析等

1.2 Doris 架构

Doris 的架构很简洁，只设 FE(Frontend)、BE(Backend)两种角色、两个进程，不依赖于 外部组件，方便部署和运维，FE、BE 都可线性扩展。

• FE(Frontend):存储、维护集群元数据;负责接收、解析查询请求，规划查询计划， 调度查询执行，返回查询结果。主要有三个角色:

1. Leader 和 Follower:主要是用来达到元数据的高可用，保证单节点宕机的情况下， 元数据能够实时地在线恢复，而不影响整个服务。

2. Observer:用来扩展查询节点，同时起到元数据备份的作用。如果在发现集群压力 非常大的情况下，需要去扩展整个查询的能力，那么可以加 observer 的节点。observer 不 参与任何的写入，只参与读取。

• BE(Backend):负责物理数据的存储和计算;依据 FE 生成的物理计划，分布式地执行查询。

1. 数据的可靠性由 BE 保证，BE 会对整个数据存储多副本或者是三副本。副本数可根据 需求动态调整。

• MySQLClient

Doris 借助 MySQL 协议，用户使用任意 MySQL 的 ODBC/JDBC 以及 MySQL 的客户

端，都可以直接访问 Doris。

• Broker

Broker 为一个独立的无状态进程。封装了文件系统接口，提供 Doris 读取远端存储系统 中文件的能力，包括 HDFS，S3，BOS 等。

1.3 基本概念

doris因为是mysql协议所以体验上和mysql很相似

1. 首先DDL和DML语法上基本和mysql相同

2. 和 mysql一致，拥有Row & Column & table等概念

不同的是

1. doris的Column分为 Key 和 Value，key有点类似mysql的索引，同时提供索引的快速查询功能

2. doris 的 value 可以根据key自动聚合，也就是doris的数据模型

2. doris 讲解

2.1 数据模型

doris字段分为key和value，key有以下几种方式

模型	特点	优势	劣势	建表指定
aggregate模型	按照key进行预聚合 目前有四种聚合方式： sum:求和，多行的value进行累加。 replace：替代，下一批数据中的value会替换之前导入过的行中的value。 max:保留最大值。 min:保留最小值。	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	对count()查询很不友好 固定了聚合方式 例：已经设置了max聚合，表取数对该字段min求最小值就会出现不一致问题 不保留明细数据，只有聚合后的数据 解决：key加上时间戳	AGGREGATE KEY(`user_id`, `date`)
uniq模型	唯一Key，同一key数据自动覆盖，本质上是聚合模型的replace	保证 Key 的唯一性	无法利 用 ROLLUP 等预聚合带来的查询优势	UNIQUE KEY(`user_id`, `date`)
duplicate模型	既没有主键，也没有聚合需求时	不受聚合模型的约束，可以发挥列模型的优势	无法利 用 ROLLUP 等预聚合带来的查询优势	DUPLICATE KEY(`user_id`, `date`)

2.2 分区、分桶

doris 也有分区和分桶，但和hive不同

Table是有很多分区Partition的

Partition 可以视为是逻辑上最小的管理单元。数据的导入与删除，都可以或仅能针对一个 Partition 进行（不能直接操作Tablet）。

一个 Partition包含多个数据分片Tablet组成，Tablet 包含若干数据行

所以本质上Tablet 是数据移动、复制等操作的最小物理存储单元，一定要设置分桶，可以不设置分区

2.2.1分区

可以设置多列分区，但是分区字段必须为 KEY 列

不会改变已存在分区的范围，也就是删除分区后不会把删除的分区的归类到下个分区，而是出现空洞，除非重建分区，否则这部分数据插入会报找不到分区的错误

1. range分区

#通常为时间列，范围划分分区
PARTITION BY RANGE(`date`)
(
PARTITION `p201701` VALUES LESS THAN ("2017-02-01"), 
PARTITION `p201702` VALUES LESS THAN ("2017-03-01"), 
PARTITION `p201703` VALUES LESS THAN ("2017-04-01")
)
#删除分区会出现空洞
p201701: [MIN_VALUE, 2017-02-01) 
p201702: [2017-02-01, 2017-03-01) 
p201704: [2017-04-01, 2017-05-01)
删除p201703: [2017-03-01, 2017-04-01)，不会改变已生成的分区，该部分的数据无法导入 

默认有3种设置

1.不做初始化分区，没有任何分区，可以补历史分区或者手动新增分区
  历史数据需新增分区否则插入数据则会报错
PARTITION BY RANGE(`date`)()
2.和第3种一样，建表后分区也是一样的，底层可能机制相同
PARTITION BY RANGE(`date`)(PARTITION `p20230101` VALUES LESS THAN ("2023-01-01"))
3.指定初始分区，小于2023-01-01数据写入p20230101分区
PARTITION BY RANGE(`date`)( PARTITION p20220316 VALUES[ ('0000-01-01'),('2022-03-17')))

2. list分区

##直接指定，但是可以命中多个
PARTITION BY LIST(`city`)
(
PARTITION `p_cn` VALUES IN ("Beijing", "Shanghai", "Hong Kong"),
PARTITION `p_usa` VALUES IN ("New York", "San Francisco"),
PARTITION `p_jp` VALUES IN ("Tokyo") )

3. 不设置分区

其实当不使用partition by建表的时候，系统会自动生成一个和表名同名的，全值范围的partition

4. 动态分区

createtable student_dynamic_partition1 (
    id int,
    timedate,
    name varchar(50),
    age int
)
duplicate key(id,time)
PARTITIONBYRANGE(time)() 
DISTRIBUTED BY HASH(id) buckets 10 
PROPERTIES( 
    "dynamic_partition.enable" = "true", 
    "dynamic_partition.time_unit" = "DAY", 
    "dynamic_partition.start" = "-7", 
    "dynamic_partition.end" = "3", 
    "dynamic_partition.prefix" = "p", 
    "dynamic_partition.buckets" = "10",
    "replication_num" = "1"
 );

5. 常用的分区方式

一般都是动态range分区，或者数据较少时直接不分区

ENGINE = OLAP UNIQUE KEY(`uid`, `logdate`) COMMENT "" 
PARTITION BY RANGE(`logdate`) (PARTITION `p20230101` VALUES LESS THAN ("2023-01-01")) 
DISTRIBUTED BY HASH(`uid`) BUCKETS 1 PROPERTIES (
  "replication_allocation" = "tag.location.default: 3",
  "dynamic_partition.enable" = "true",
  "dynamic_partition.time_unit" = "DAY",
  "dynamic_partition.time_zone" = "Asia/Shanghai",
-- 超过这个分区数量则删除，类似生命周期？
  "dynamic_partition.start" = "-1460",
  "dynamic_partition.end" = "1",
--分区前缀
  "dynamic_partition.prefix" = "p",
  "dynamic_partition.replication_allocation" = "tag.location.default: 3",
--分桶数，对应上面的 BUCKETS
  "dynamic_partition.buckets" = "1",
--是否自动创建历史分区
  "dynamic_partition.create_history_partition" = "true",
--历史分区数量，超过设置的最小分区时，数量实际等于最小分区-今日分区的分区数量
  "dynamic_partition.history_partition_num" = "400",
  "dynamic_partition.hot_partition_num" = "0",
  "dynamic_partition.reserved_history_periods" = "NULL",
  "in_memory" = "false",
  "storage_format" = "V2"
)

2.2.2 分桶

只支持hash分片

分桶列可以是多列，但必须为 Key 列

1. 一个或少数分桶列

对应的点查询可以仅触发一个分桶扫描，当多个点查询并发时，这些查询有较大的概率分别触发不同的分桶扫描，各 个查询之间的 IO 影响较小，适合 高并发的点查询场景

2. 多个分桶列

数据分布更均匀，但一个查询条件不包含所有分桶列的等值条件，会触发所有分桶同时扫描，查询吞吐会增加，单个查询的延迟随之降低，适合大吞吐低并发的查询场景

2.2.3 分区分桶数设置

数据较少时，比如聚合后的ads层，可以不分区

单个tablet一般在1-10G内，数据量较小，聚合效果不好，元数据管理压力较大

2.3 ENGINE

一般都是用默认的olap，只有这个 ENGINE 类型是由 Doris 负责数据管理和存储的

ENGINE 类型有mysql、broker、 es 等等，本质上只是对外部其他数据库或系统中的表的映射，以保证 Doris 可以读取这些数据。而 Doris 本身并不创建、管理和存储任何非 olap ENGINE 类型的表和数据

2.4 replication_num

副本机制，一般就用默认的 3

对于一些小，并且更新不频繁的维度表，可以考虑设置更多的副本数。这样在 Join 查询 时，可以有更大的概率进行本地数据 Join

3.4.2 storage_medium & storage_cooldown_time

数据存储目录可以显式的指定为 SSD 或者 HDD，一般也都不怎么在意这个参数

3. doris 进阶语法

3.1 Rollup 上卷

在原表的基础上按照指定粒度预聚合，提高查询效率

Rollup 的数据是基于 Base 表产生的，并且是物理独立存储的，所以有存储成本，且rollup设置较多时base表写入效率会降低

还可以用Rollup调整前缀索引（建表时指定的索引顺序无法改变，可以通过Rollup实现）

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

3.2 视图

和Rollup一样，都是建立在Base表上，会自动同步Base表的数据更新等操作

物化视图覆盖了Rollup的全部功能，相当于Rollup的超集，弥补了Rollup无法对明细数据模型进行预聚合的短板。物化视图支持丰富的聚合函数。

Doris目前只支持物化视图的单表创建，不支持表join的方式创建。

3.3 bitmap数据类型

bitmap是一种数据结构-位图，使用每个位表示某种状态，大大节省存储空间，同时位图采用位运算计算效率也很高

适用场景：需要去重，数据较大

注意事项：在数据稀疏的情况下，效率会变得非常低，另外使用bitmap每次操作的行数不宜太多

除了使用位图外，使用上和set集合差不多

3.3 join

doris除了常见的Broadcast和Shuffleliangzhong join还有一些其他的join：

1. Broadcast Join （内存 Hash 表）

2. Shuffle Join（Partitioned Join），按照 Join 的 key 进行 Hash，然后进行分布式的 Join

3. Colocation Join ：减少数据在节点上的传输耗时，加速查询

4. Bucket Shuffle Join ：0.14版本后的新功能。旨在为某些 Join 查询提供本地性优化，来减少数据在节点间的传输耗时，来加速查询

3.3.1 Colocation Join

Colocation Join 功能，在建表时指定colocate_with="group1"（将一组拥有 CGS 的表组成一个 CG） ，保证有相同CG的不同表对应的数据分 片会落在同一个 be 节点上，那么使得两表再进行 join 的时候，可以通过本地数据进行直接 join，减少数据在节点之间的网络传输时间

两个概念：

Colocation Group（CG）：一个 CG 中会包含一张及以上的 Table。在同一个 Group 内的 Table 有着相同的 Colocation Group Schema，并且有着相同的数据分片分布

Colocation Group Schema（CGS）：一个 CG 中会包含一张及以上的 Table。在同一个 Group 内的 Table 有着相同的 Colocation Group Schema，并且有着相同的数据分片分布

建表语句：

CREATE TABLE `tbl1` (
 `k1` date NOT NULL COMMENT "",
 `k2` int(11) NOT NULL COMMENT "",
 `v1` int(11) SUM NOT NULL COMMENT ""
) ENGINE=OLAP
AGGREGATE KEY(`k1`, `k2`)
PARTITION BY RANGE(`k1`)
(
 PARTITION p1 VALUES LESS THAN ('2019-05-31'),
 PARTITION p2 VALUES LESS THAN ('2019-06-30')
)
DISTRIBUTED BY HASH(`k2`) BUCKETS 8
PROPERTIES (
 "colocate_with" = "group1"
);
CREATE TABLE `tbl2` (
 `k1` datetime NOT NULL COMMENT "",
 `k2` int(11) NOT NULL COMMENT "",
 `v1` double SUM NOT NULL COMMENT ""
) ENGINE=OLAP
AGGREGATE KEY(`k1`, `k2`)
DISTRIBUTED BY HASH(`k2`) BUCKETS 8
PROPERTIES (
 "colocate_with" = "group1"
);

使用时需要注意：

1. 建表时两张表的分桶列的类型和数量需要完全一致，并且桶数一致，才能保证多张表的数据分片能够一一对应的进行分布控制。

2. 同一个 CG 内所有表的所有分区（Partition）的副本数必须一致。如果不一致，可能出现某一个 Tablet 的某一个副本，在同一个 BE 上没有其他的表分片的副本对应。

3. 同一个 CG 内的表，分区的个数、范围以及分区列的类型不要求一致

3.3.2 Bucket Shuffle Join

官网描述：https://doris.apache.org/zh-CN/docs/dev/query-acceleration/join-optimization/bucket-shuffle-join

首先当表A join 表B，此时shuffle join 和 broadcast join 开销计算公式如下：

1. broadcast join ：如果表A数据分布有3个执行的HashJoinNode，网络开销为 B * N（A的HashJoinNode）=3B，内存开销也是3B

2. shuffle join：Shuffle Join 会将 A，B 两张表的数据根据哈希计算分散到集群的节点之中，所以它的网络开销为 A + B，内存开销为 B。

原理：

doris 觉得这两种方式都可以优化，我能不能A表不动，把B表按照左表A的分布，先进行shuffle，再进行join。这样就可以减少跨节点的数据传输。这时网络和内存开销都是B

3.3.3 runtime-filter

官网描述：https://doris.apache.org/zh-CN/docs/dev/query-acceleration/join-optimization/runtime-filter

功能：

0.15 版本才有的功能，主要用于大表join小表的优化

原理：

在运行时动态生成的过滤条件，即在查询运行时解析join on clause确定过滤表达式，并将表达式广播给正在读取左表的ScanNode，从而减少扫描的数据量，进而减少probe hash table的次数，避免不必要的I/O和网络传输

如果大表T1 join 维度表 T2，显而易见对T2扫描数据要远远快于T1，如果我们主动等待一段时间再扫描T1，等T2将扫描的数据记录交给HashJoinNode后，HashJoinNode根据T2的数据计算出一个过滤条件，比如T2数据的最大和最小值，或者构建一个Bloom Filter，接着将这个过滤条件发给等待扫描T1的ScanNode，后者应用这个过滤条件，将过滤后的数据交给HashJoinNode，从而减少probe hash table的次数和网络开销，这个过滤条件就是Runtime Filter

3.3.4 join优化

官网描述：https://doris.apache.org/zh-CN/docs/dev/query-acceleration/join-optimization/doris-join-optimization

有几个用过，官网写的很详细，我一般doris更多用于展示层，较少遇到性能问题

4. 注意事项

除了我遇到的记录的问题，doris官网也总结了很多常见问题：https://doris.apache.org/zh-CN/docs/dev/faq/sql-faq

4.1 动态分区

动态分区使用过程中，如果因为一些意外情况导致 dynamic_partition.start 和dynamic_partition.end 之间的某些分区丢失，那么当前时间与 dynamic_partition.end 之间的丢失分区会被重新创建，dynamic_partition.start 与当前时间之间的丢失分区不会重新创建。

4.2 delete 语句

1. delete语句只能针对 Partition 级别进行删除。如果一个表有多个 partition 含有需要删除的数据，则需要执行多次针对不同 Partition 的 delete 语句

2. 如果是没有使用Partition 的表，partition 的名称即表名

3. delete数据的真正删除是在 BE 进行数据 Compaction 时进行的。所以执行完 delete 命令后，并不会立即释放磁盘空间

4. 如果 delete 只在多数副本上完成了，也会返回用户成功。但是会在后台生成一个异步的 delete job（Async Delete Job），来继续完成对剩余副本的删除操作

4.3 聚合模型

4.3.1 doris聚合3个阶段

1. 每一批次数据导入的 ETL 阶段。该阶段会在每一批次导入的数据内部进行聚合

2. 底层 BE 进行数据 Compaction 的阶段。该阶段，BE 会对已导入的不同批次的数据进行进一步的聚合

3. 数据查询阶段。在数据查询时，对于查询涉及到的数据，会进行对应的聚合。doris自动聚合所有数据，我们只需关注最终结果即可

4.3.2 聚合模型的一些注意点

1. Uniq 模型完全可以用聚合模型中的 REPLACE 方式替代。其内部的实现方式和数据存储方式也完全一样

2. Uniq 模型无法使用 ROLLUP

3. 聚合模型使用min，max等函数时需特别注意，如果函数与建表模型函数不一致数据易出错

4. 聚合模型慎用count()，doris必须扫描所有的aggr key，聚合后才能做count，可以用一个值恒为 1 的&聚合类型为 SUM 的列来模拟 count(*)

4.3.3 replace/uniqe 模型批次内数据无序

在同一批导入数据中，出现了 key 相同但 value 不同的数据，而由于doris默认是无序的replace操作，这会导致，不同副本间，因数据覆盖的先后顺序不确定而产生的结果不一致的问题。

可能会导致数据不是最后一条，或者出现多次查询结果不一致的现象

doris提供了Sequence Column功能，可以保证有序

5.doris在数据湖的应用

我们使用的是其他数据湖，目前国内字节doris应用数据湖，doris的特性和支持的外部存储，以及提供其他计算引擎计算的功能，还支持mysql的binlog，确实也是一个不错的选择，但是成本很高

后续如果有需要再补充