我要评论正文
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 - 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。
create table if not exists example_db.expamle_tbl
(
`user_id` largeint not null comment "用户id",
`date` date not null comment "数据灌入日期时间",
`city` varchar(20) comment "用户所在城市",
`age` smallint comment "用户年龄",
`sex` tinyint comment "用户性别",
`last_visit_date` datetime replace default "1970-01-01 00:00:00" comment "用户最后一次访问时间",
`cost` bigint sum default "0" comment "用户总消费",
`max_dwell_time` int max default "0" comment "用户最大停留时间",
`min_dwell_time` int min default "99999" comment "用户最小停留时间",
)
aggregate key(`user_id`, `date`, `timestamp`, `city`, `age`, `sex`)
... /* 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。
create table if not exists example_db.expamle_tbl
(
`user_id` largeint not null comment "用户id",
`username` varchar(50) not null comment "用户昵称",
`city` varchar(20) comment "用户所在城市",
`age` smallint comment "用户年龄",
`sex` tinyint comment "用户性别",
`phone` largeint comment "用户电话",
`address` varchar(500) comment "用户地址",
`register_time` datetime comment "用户注册时间"
)
unique key(`user_id`, `user_name`)
... /* 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。
create table if not exists example_db.expamle_tbl
(
`timestamp` datetime not null comment "日志时间",
`type` int not null comment "日志类型",
`error_code` int comment "错误码",
`error_msg` varchar(1024) comment "错误详细信息",
`op_id` bigint comment "负责人id",
`op_time` datetime comment "处理时间"
)
duplicate key(`timestamp`, `type`)
... /* 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。
- 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。
- 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）。
- 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：
- 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) |
| max_dwell_time | datetime |
| min_dwell_time | datetime |
- 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) |
| max_dwell_time | datetime |
| min_dwell_time | 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：
select * from table where user_id=1829239 and age=20；
该查询的效率会远高于如下查询：
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。
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) |
| max_dwell_time | datetime |
| min_dwell_time | 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) |
| max_dwell_time | datetime |
| min_dwell_time | 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：
select * from table where age=20 and massage 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
alter table table1 add rollup rollup_city(citycode, pv); # 取消正在执行的作业 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)
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：
* 可区分冷热数据
* 可用上doris分级存储(ssd + sata)的功能
* 按分区删除数据时，更加迅速
1.3.2. hash分桶(bucket)
根据hash值将数据划分成不同的 bucket。
* 建议采用区分度大的列做分桶, 避免出现数据倾斜
* 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
- 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。
- 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。
- （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/apac...
以上就是doris实时多维分析的解决方案详解的详细内容，更多关于doris实时多维分析的资料请关注代码网其它相关文章！
发表评论