Doris 一种实时多维分析的解决方案

标签： dev | 发表时间：2020-03-12 00:00 | 作者：
出处：http://itindex.net/relian

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.     
  2.      
          (
    3.     
  3.      
          `user_id`LARGEINT NOT NULL COMMENT"用户id",
    4.     
  4.      
          `date`DATE NOT NULL COMMENT"数据灌入日期时间",
    5.     
  5.      
          `city`VARCHAR(20)COMMENT"用户所在城市",
    6.     
  6.      
          `age`SMALLINT COMMENT"用户年龄",
    7.     
  7.      
          `sex`TINYINT COMMENT"用户性别",
    8.     
  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.     
  9.      
          `cost`BIGINT SUM DEFAULT"0"COMMENT"用户总消费",
    10.     
  10.      
          `max_dwell_time`INT MAX DEFAULT"0"COMMENT"用户最大停留时间",
    11.     
  11.      
          `min_dwell_time`INT MIN DEFAULT"99999"COMMENT"用户最小停留时间",
    12.     
  12.      
          )
    13.     
  13.      
          AGGREGATE KEY(`user_id`,`date`,`timestamp`,`city`,`age`,`sex`)
    14.     
  14.      
          .../* 省略 Partition 和 Distribution 信息 */
    15.     
  15.      
          ；

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.     
  2.      
          (
    3.     
  3.      
          `user_id`LARGEINT NOT NULL COMMENT"用户id",
    4.     
  4.      
          `username`VARCHAR(50)NOT NULL COMMENT"用户昵称",
    5.     
  5.      
          `city`VARCHAR(20)COMMENT"用户所在城市",
    6.     
  6.      
          `age`SMALLINT COMMENT"用户年龄",
    7.     
  7.      
          `sex`TINYINT COMMENT"用户性别",
    8.     
  8.      
          `phone`LARGEINT COMMENT"用户电话",
    9.     
  9.      
          `address`VARCHAR(500)COMMENT"用户地址",
    10.     
  10.      
          `register_time`DATETIME COMMENT"用户注册时间"
    11.     
  11.      
          )
    12.     
  12.      
          UNIQUE KEY(`user_id`,`user_name`)
    13.     
  13.      
          .../* 省略 Partition 和 Distribution 信息 */
    14.     
  14.      
          ；

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.     
  2.      
          (
    3.     
  3.      
          `timestamp`DATETIME NOT NULL COMMENT"日志时间",
    4.     
  4.      
          `type`INT NOT NULL COMMENT"日志类型",
    5.     
  5.      
          `error_code`INT COMMENT"错误码",
    6.     
  6.      
          `error_msg`VARCHAR(1024)COMMENT"错误详细信息",
    7.     
  7.      
          `op_id`BIGINT COMMENT"负责人id",
    8.     
  8.      
          `op_time`DATETIME COMMENT"处理时间"
    9.     
  9.      
          )
    10.     
  10.      
          DUPLICATE KEY(`timestamp`,`type`)
    11.     
  11.      
          .../* 省略 Partition 和 Distribution 信息 */
    12.     
  12.      
          ；

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.     
  2.      
          # 取消正在执行的作业
    3.     
  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.     
  2.      
          
    3.     
  3.      
          *可区分冷热数据
    4.     
  4.      
          *可用上Doris分级存储(SSD+SATA)的功能
    5.     
  5.      
          *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.     
  2.      
          
    3.     
  3.      
          *建议采用区分度大的列做分桶,避免出现数据倾斜
    4.     
  4.      
          *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

相关 [doris 实时 多维] 推荐：

Doris 一种实时多维分析的解决方案

- - IT瘾-dev
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.

基于 Doris 的小程序用户增长实践

- - IT瘾-dev
分享嘉宾：赵煜杨 百度 资深研发工程师. 出品社区：DataFunTalk. 导读 ：本文的主题为基于Doris的小程序用户增长实践，将从实际案例出发介绍基于 Doris 用户分层解决方案，重点分享了项目中的难点和架构解决方案，以及怎么使用 Doris做用户分层，如何做到秒级的人数预估和快速产出用户包.

Doris 与 ClickHouse 的深度对比及选型建议

- -
Apache Doris是由百度贡献的开源MPP分析型数据库产品，亚秒级查询响应时间，支持实时数据分析；分布式架构简洁，易于运维，可以支持10PB以上的超大数据集；可以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. ClickHouse是俄罗斯的搜索公司Yandex开源的MPP架构的分析引擎，号称比事务数据库快100-1000倍，团队有计算机体系结构的大牛，最大的特色是高性能的向量化执行引擎，而且功能丰富、可靠性高.

深度解析｜Apache Doris 索引机制解析

- - 掘金 后端
Apache Doris 存储引擎采用类似 LSM 树的结构提供快速的数据写入支持. 进行数据导入时，数据会先写入 Tablet 对应的 MemTable 中，当 MemTable 写满之后，会将 MemTable 里的数据刷写（Flush）到磁盘，生成一个个不超过 256MB 的不可变的 Segment 文件.

多维分析OLAP引擎Mondrian学习

- - Web前端 - ITeye博客
随着信息技术的飞速发展，在电力、电信、金融、大型制造等各个行业ERP、CRM、SCM、OA等越来越多的IT系统得以成功实施，这些分散建设的IT系统为各部门的运营效率提升发挥了很大的作用. 同时，为了满足业务管理和决策的报表系统（包括传统报表、数据仓库、OLAP等）也被创建出来，企业主管通过报表了解企业的总体运行状态.

Mdrill：来自阿里的多维快速查询工具

- - 标点符
mdrill是阿里妈妈-adhoc-海量数据多维自助即席查询平台下的一个子项目. 旨在帮助用户在几秒到几十秒的时间内，分析百亿级别的任意维度组合的数据. mdrill是一个分布式的在线分析查询系统，基于hadoop,lucene,solr,jstorm等开源系统作为实现，基于SQL的查询语法. mdrill是一个能够对大量数据进行分布式处理的软件框架.

Facebook的实时Hadoop系统

- wangjia - Solrex Shuffling
Facebook 在今年六月 SIGMOD 2011 上发表了一篇名为“Apache Hadoop Goes Realtime at Facebook”的会议论文 (pdf)，介绍了 Facebook 为了打造一个实时的 HBase 系统使用到的独门秘技. 由于该论文提到的应用场景与小弟负责的系统要解决的问题域有相似之处，因而抽时间仔细阅读了这篇论文.

Storm 实时性分析

- - CSDN博客架构设计推荐文章
都说Storm是一个实时流处理系统，但Storm的实时性体现在什么方面呢. 首先有一个前提：这里的实时性和我们通常所说的实时系统（芯片+汇编或C编写的实时处理软件）的实时性肯定是没法比的，也不是同一个概念. 这里的实时性应该是一个相对的实时性（相对于Hadoop之类 ）. 总结一下，Storm的实时性可能主要体现在：.

storm准实时应用

- - CSDN博客推荐文章
1 应用背景： 需要实时统计用户的登陆数，在线人数，活跃时间，下载等指标的数据，或者清洗后移到hdfs上.         1） 客户端产生数据---.         2） kafka-生产者实时采集数据（保留7天）-----.         3） storm实时消费数据，处理数据.         4）把实时数据统计结果缓存到memcached 中.

开源的BI交互式多维报表设计和分析工具cboard

- -
Support to connect one of the most popular open source multi-dimensional analysis of products Saiku2, and will be able to selectively create data and graphics.