拉卡拉 x Apache Doris：统一金融场景 OLAP 引擎，查询提速 15 倍，资源直降 52%

导读：拉卡拉早期基于 Lambda 架构构建数据系统面临存储成本高、实时写入性能差、复杂查询耗时久、组件维护复杂等问题。为此，拉卡拉选择使用 Apache Doris 替换 Elasticsearch、Hive、Hbase、TiDB、Oracle / MySQL 等组件，实现了 OLAP 引擎的统一、查询性能提升 15 倍、资源减少 52% 的显著成效。

拉卡拉（股票代码 300773）是国内首家数字支付领域上市企业，从支付、货源、物流、金融、品牌和营销等各维度，助力商户、企业及金融机构数字化经营。随着实时交易数据规模日益增长，拉卡拉早期基于 Lambda 架构构建的数据平台面临存储成本高、实时写入性能差、复杂查询耗时久、组件维护复杂等问题。为此，拉卡拉选择使用 Apache Doris 来替换 Elasticsearch、Hive、Hbase、TiDB、Oracle / MySQL 等组件，完成 OLAP 引擎的统一，实现了查询性能提升 15 倍、资源减少 52% 的显著成效。

面临的挑战

早期数据平台基于 Lambda 架构建设。左侧部分是批处理，右侧是实时流处理。

为满足不同业务数据需求，两条处理链路的计算结果分散存储在 Hive、HBase、Elasticsearch 、TiDB 和 Oracle / MySQL 多个组件，存储层多栈并存，体系技术繁杂，数据冗余问题较为严重。这样的架构给我们带来了众多的挑战：

• 报表系统存储成本高： 报表系统采用 Hive 计算和 Oracle 存储，随着业务和数据量的增长，Oracle 的扩容复杂，迫切需要“去 O”。
• 交易查询系统挑战： 交易系统依赖备库进行查询，但备库的存储周期短（通常一周），且部分场景需与其他主题数据关联查询，Elasticsearch、MySQL/Oracle 难以高效支持星型 / 雪花模型的多表关联查询。此外，部分业务使用 MySQL 作为存储库，分库分表的存储方案也增加了查询的复杂性。难以满足业务侧低延时查询需求。
• 标签系统构建挑战： 在标签构建过程中，标签数量众多采用宽表存储；标签需要频繁增加，需要数据库能够快速响应 schema 变更；需要支持商户标签点查询和实时多维度查询；且商户标签按域计算后需经常进行数据更新。该架构不能很好处理这种宽表写入、实时更新、快速 schema 变更、多种复杂查询的场景。
• 实时与离线分析割裂：Elasticsearch 和 MySQL 缺乏 HTAP 能力，需与外部数仓配合使用，Oracle 虽支持混合负载但资源隔离不足，易导致 OLTP 与 OLAP 相互干扰
• 生态兼容性局限：Elasticsearch 的 SQL 支持不完善，MySQL 分析函数有限，Oracle 与云原生工具链集成弱，难以无缝对接主流 BI 工具实现交互式分析
• 架构复杂性与运维成本： 早期架构基于多个 OLAP 组件，虽然功能丰富，但复杂的架构增加了运维成本和学习成本，同时也提高了保证多份存储数据一致性的难度。

基于 Apache Doris 打造统一 OLAP 引擎

为解决上述问题，从 23 年起引入 Apache Doris，从 1.2.x 版本升级至如今的 2.1.x 版本。并在 Doris 的基础上相继重构了报表系统、标签系统、对账单系统等关键应用。并陆续新上线了风控营销合作平台、营销平台、交易实时看板等业务。

上图为引入 Apache Doris 的架构图。主要变化在数据存储层，使用 Doris 替换了 Elasticsearch、HBase、TiDB 和 Oracle / MySQL 多技术栈，实现了统一的对外存储查询引擎。统一的平台能够更好地支持数据分析和业务决策，促进企业在降本增效方面取得显著的成效：

• 服务器数量下降 52%：原本系统架构中同时运行 10 台 HBase、10 台 Elasticsearch 和一套 Oracle 一体机服务器，此外还占用了部分 TiDB 集群和 MySQL 资源。通过引入 Doris，并对架构进行整合优化，我们将原本分散的组件统一替换为一个 10 台规模的 Doris 集群。服务器数量下降 52%。
• 查询性能提升 15 倍： 引入 Doris 之后，其查询性能相较于之前的组件分别有不同程度的性能提升，尤其是在 Elasticsearch 替换后体现的尤为明显，查询耗时从原先的 15s 缩短至 1s，查询性能提升 15 倍。
• 开发运维效率大幅提升： 只需要使用和维护 Apache Doris 一个组件，大大简化了运维的复杂性和学习的成本。所有数据都在 Doris 中统一存储和管理，减少了数据的流转、数据管理和数据冗余，提升了开发效率。

此外，Apache Doris 在其他几方面的优势也比较明显：

• 丰富的生态对接： 兼容 MySQL 协议和标准 SQL 语法，支持 Tableau、Grafana 等 BI 工具直接接入，迁移成本降低 90%。提供 JDBC / ODBC 接口，与 Flink、Kafka 等流批处理框架无缝集成。
• 高吞吐秒级实时数据接入： 支持 Stream Load（百万行/秒）和 Kafka 直接订阅，延迟 <1 秒，写入吞吐比 ES 提升 5 倍。主键模型 （Unique Key） 支持 UPSERT 和部分列更新，避免全量重写。
• LakeHouse 支持：可以和 Hive 和 Hudi 中的数据打通，做数据湖查询和处理加速。

金融核心场景实践

01 对账单系统

商户工作台内部的对账单系统，面向商户提供交易信息查询与批量对账单文件下载服务，帮助商户快速掌握交易情况，进行对账核对和经营分析。Doris 作为实时数仓，承担交易明细查询、统计报表生成等核心能力，支持高并发、低延迟的数据服务。

如上图所示，使用 Flink CDC 实时监听和同步 MySQL 中的商户信息、账户信息、产品配置等基础表数据；交易系统将实时增量交易数据写入 Pulsar 消息队列，Flink 消费 Pulsar 中的交易流水数据流，经过处理后实时导入到 Doris。由 Doris 支持多种查询场景，包括：

• 明细查询：用户可以通过多条件快速定位单笔交易信息。
• 汇总报表：按天、月或自定义条件生成交易汇总结果。
• 多表联合查询：结合商户、产品等维度信息进行多表关联分析。
• 数据下载：支持对账单文件、明细结果的批量导出，方便离线对账。

系统数据量庞大，每日新增数据量达到亿级规模，历史数据保留一年，总数据量达到 20TB；商户对账查询场景具有强烈的时间集中性，高峰期日查询次数达到百万级别，并发请求压力巨大。借助 Doris 优秀的并发处理和极速查询能力，查询 99 分位数响应时长在 2s 以内，结合 Flink checkpoint 控制，数据延迟可控制在 5s，极大保障了商户查询体验与业务稳定性。

1. Doris 主键模型解决数据乱序

   在构建对账单系统的过程中，上游交易系统在完成数据处理后，由于非同步写入和其他处理步骤的介入，出现数据乱序问题。而 PaaS 消息中间件数据补传或数据片段回放时，也加剧了这一问题。

   我们基于 Doris 主键模型成功杜绝了这一问题，并通过设置 sequence_column 参数，以确保数据的最终一致性。具体来说，数据版本号作为一个整型字段，在交易系统的计算过程中始终保持递增，从而确保数据按照正确的顺序进行处理。

   CREATE TABLE `info` (
   `s_no`varchar(64) NULL COMMENT'流水号',
   `s_date`date NOT NULL COMMENT '日期',
   `s_id`varchar(32)NULL COMMENT 'ID号',
   `b_id`varchar(32)NOT NULL COMMENT'唯一标识',
   `s_b_ver`int(11)NULL COMMENT'数据版本号',
   ...
   INDEX idx_s_date (`s_date`) USING BITMAP COMMENT'',
   INDEX idx_s_id (`s_id`) USING BITMAP COMMENT''
   )ENGINE=OLAP
   UNIQUE KEY(`s_no`, `s_date`,`s_id`, `b_id`)
   COMMENT'信息表'
   PARTITION BY RANGE(`s_date`)
   (PARTITION partition_namel VALUES [('0000-01-01'),('2024-06-01')),
   PARTITION p_2025 VALUES [('2025-01-01'), ('2099-01-01'))
   DISTRIBUTED BY HASH('s_id`) BUCKETS 10
   PROPERTIES (
   "replication_allocation" = "tag.location.default:3",
   "bloom_filter_columns" = "s_eid, s_nno, s_bno, s_n:id, t_no",
   "is_being_synced" = "false",
   "storage_format" = "V2",
   "enable_unique_key_merge_on_write" = "true",
   "light_schema_change" = "true",
   "function_column.sequence_col" = "s_b_ver",
   "disable_auto_compaction" = "false",
   "enable_single_replica_compaction" = "false"
   ）;
   

2. 使用倒排索引优化大表关联

   在优化大表关联的场景中，需要对两个数据量庞大的事实表进行关联操作。这两个事实表虽然都采用了分区存储，但它们的分区时间和业务含义各不相同。在尝试将其中一张表与另一张表关联时，无法准确获取右表的查询范围，通常会导致全表扫描，从而占用大量资源并延长查询时间。

   为了解决这一问题，添加了倒排索引、调整分桶策略以及右表的表结构，经过调整，查询耗时从原先的 200 秒大幅缩短至 10 秒，查询效率提升超过 20 倍。

02 实时交易看板

金融市场瞬息万变，交易者需要实时监控市场动态以做出快速决策。实时交易看板能够提供最新的市场数据、价格波动和交易量信息，帮助用户及时响应市场变化。

在实时交易看板场景中，为了提升交易信息的时效性，原先的架构采用 Java 代码从 TiDB 获取数据，经过计算后再写回至另一套 TiDB，数据加工链路较长，且对外部计算逻辑依赖较重。现在，我们优化方案为使用 Flink 进行实时处理，直接将数据写入 Doris，并在 Doris 内部完成 ETL，极大简化了数据加工链路，同时提升了架构的稳定性和容错能力。

引入 Doris 后，我们进行了以下几项工作，充分发挥了其优势：

• 集群升级： 将 Doris 集群从 1.2.6 升级至 2.0.7 版本，整体查询与分析性能提升超过 30%。
• 采用 Merge-on-Write（MoW）：对于主键模型的存储机制由 Merge-on-Read（MoR） 优化为 Merge-on-Write（MoW），有效避免了写入过程中多版本数据合并的问题，大幅提升了并发查询分析的效率。
• 部分列更新： 对于退款和调账等场景，需要对历史数据的部分字段进行修改。借助主键模型的部分列更新能力，可高效执行局部字段变更，无需重新写入整行数据，从而提升更新效率。
• 友好生态： Doris 与 Flink 生态友好，通过 Flink + Doris Connector，实现流式数据无缝对接，简化数据加工链路，提升架构的稳定性和容错能力。

03 实时风控场景

在风控场景中，风控系统和风控人员通过多维度筛选条件，从海量历史交易数据中快速定位可疑交易记录，并结合历史交易行为，全面了解交易背景和细节。不仅为风险评估和策略调整提供重要依据，同时也支持人工干预和决策，使风控反应更加敏捷、精准、高效。

在引入 Apache Doris 之前，实时风控场景主要依赖 Elasticsearch 实现，但存在诸多问题：开发复杂度高，查询性能无法满足业务需求，且最核心的痛点在于 Elasticsearch 不支持 Join 操作，难以进行多表关联查询，严重限制了风控场景下对交易背景和细节的综合分析能力。而替换为 Doris 之后，其展现出多项显著优势：

• 灵活的 Schema 变更能力：在风控场景中，业务需求不断演进，要求数据库具备灵活的 Schema 变更能力。Doris 提供 Light Schema Change 支持灵活的字段和索引的增删修改。相比 Elasticsearch 需要通过 Reindex 进行 Schema 变更，Doris 的 Schema Change 机制更加高效、灵活，极大提升了数据管理的便捷性和业务适应性。
• 标准 SQL 查询接口：Doris 提供标准 SQL 查询接口，兼容 MySQL 协议，开发团队能够以熟悉的 SQL 方式高效查询和分析数据。相比之下，Elasticsearch 使用 DSL 查询语言，学习成本较高，复杂查询编写难度大。
• 强大的多维分析和复杂查询能力：随着风控业务复杂度的提升，对多维分析和多表关联的需求越来越频繁。 Elasticsearch 在处理这类复杂查询时存在局限，特别是在多维度聚合统计、复杂的多表 JOIN、子查询和窗口函数等场景中，无法满足需求。引入 Doris 后，不仅能够高效处理大规模数据，还在多维度聚合、复杂查询和多表关联、子查询等方面更加友好。
• 查询性能 15 倍提升： 在性能方面， Elasticsearch 查询响应时间长达 15 秒，尤其在数据量大或查询复杂的情况下，响应速度难以满足业务需求。相比之下，Doris 在相同场景下能够将查询响应时间控制在 1 秒以内，显著提升了查询效率。 而且在高并发、大数据量的查询处理上，相较于 Elasticsearch 优势更加明显。

结束语

随着业务复杂度和数据实时性要求的不断提升，未来拉卡拉也将在以下几个方向持续推进：

• 加大 Lakehouse 场景应用： 加大 Lakehouse 建设，将 Hive 的报表结果数据全部迁移至 Doris，解决 Hive 在时效性和交互性不足的问题，提升查询体验，满足实时查询和多角度分析需求。
• 加大数据加工能力建设： Apache Doris 除了支持高速查询外，在数据加工和模型构建方面也具备强大能力。后续将重点投入离线计算场景，利用物化视图的建设，实现更灵活的数据建模方式，提升对复杂指标和报表场景的支撑能力，为实时分析、风险监控、指标计算等场景提供更强算力保障。
• 跨集群复制 CCR 的应用： Apache Doris 在 2.0 版本中实现了跨集群复制（CCR）功能，未来将基于 CCR 功能在异地灾备、数据同步等场景进行应用，以提供更为安全可靠的使用体验，确保业务的稳定连续运行。
• 更多场景覆盖、高 SLA 保证和资源隔离落地： 随着更多业务场景逐步迁移至 Apache Doris 集群，当前也在积极规划混合场景下的资源管理策略。通过合理的资源隔离、以及按需拆分集群等方式，进一步优化资源利用效率，提升系统整体弹性，保障各类业务系统在高并发、高负载情况下的高 SLA 要求。