文章目录
数据模型概览
- Doris 的数据模型主要分为 3 类:Aggregate、Uniq、Duplicate
一、Aggregate 模型
- 表中的列按照是否设置了 AggregationType,分为 Key(维度列)和Value(指标列)。
- 没有设置 AggregationType 的称为 Key,设置了 AggregationType 的称为 Value。
当我们导入数据时,对于 Key 列相同的行会聚合成一行,而 Value 列会按照设置的AggregationType 进行聚合
- AggregationType 目前有以下四种聚合方式:
- ➢
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。REPLACE_IF_NOT_NULL :当遇到 null 值则不更新。 - ➢
MAX
:保留最大值。 - ➢
MIN
:保留最小值。 - 数据的聚合,在 Doris 中有如下三个阶段发生:
- (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。
- 数据在不同时间,可能聚合的程度不一致。比如一批数据刚导入时,可能还未与之前已存在的数据进行聚合。但是对于用户而言,用户只能查询到聚合后的数据。即不同的聚合程度对于用户查询而言是透明的。
用户需始终认为数据以最终的完成的聚合程度存在,而不应假设某些聚合还未发生
。
示例一:导入数据聚合
-- step1:建表
CREATE TABLE IF NOT EXISTS test_db.example_site_visit (
`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",
`last_visit_date_not_null` DATETIME REPLACE_IF_NOT_NULL 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`, `city`, `age`, `sex`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 10
;
-- step2:插入数据
insert into test_db.example_site_visit
values
(10000,'2017-10-01','北京',20,0,'2017-10-01 06:00:00','2017-10-01 06:00:00',20,10,10),
(10000,'2017-10-01','北京',20,0,'2017-10-01 07:00:00','2017-10-01 07:00:00',15,2,2),
(10001,'2017-10-01','北京',30,1,'2017-10-01 17:05:45','2017-10-01 07:00:00',2,22,22),
(10002,'2017-10-02','上海',20,1,'2017-10-02 12:59:12',null,200,5,5),
(10003,'2017-10-02','广州',32,0,'2017-10-02 11:20:00','2017-10-02 11:20:00',30,11,11),
(10004,'2017-10-01','深圳',35,0,'2017-10-01 10:00:15','2017-10-01 10:00:15',100,3,3),
(10004,'2017-10-03','深圳',35,0,'2017-10-03 10:20:22','2017-10-03 10:20:22',11,6,6)
;
-- 注意:Insert into 单条数据这种操作在 Doris 里只能演示不能在生产使用,会引发写阻 塞。
-- step3:查看表
select *
from test_db.example_site_visit
;
-- 可以看到,用户 10000 只剩下了一行聚合后的数据。而其余用户的数据和原始数据保持一致。
-- 经过聚合,Doris 中最终只会存储聚合后的数据。
-- 换句话说,即明细数据会丢失, 用户不能够再查询到聚合前的明细数据了。
示例一:保留明细数据
-- step1:建表
CREATE TABLE IF NOT EXISTS test_db.example_site_visit2 (
`user_id` LARGEINT NOT NULL COMMENT "用户id",
`date` DATE NOT NULL COMMENT "数据灌入日期时间",
`timestamp` DATETIME COMMENT "数据灌入时间,精确到秒",
`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`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 10
;
-- step2:插入数据
insert into test_db.example_site_visit2
values
(10000,'2017-10-01','2017-10-01 08:00:05','北京',20,0,'2017-10-01 06:00:00',20,10,10),
(10000,'2017-10-01','2017-10-01 09:00:05','北京',20,0,'2017-10-01 07:00:00',15,2,2),
(10001,'2017-10-01','2017-10-01 18:12:10','北京',30,1,'2017-10-01 17:05:45',2,22,22),
(10002,'2017-10-02','2017-10-02 13:10:00','上海',20,1,'2017-10-02 12:59:12',200,5,5),
(10003,'2017-10-02','2017-10-02 13:15:00','广州',32,0,'2017-10-02 11:20:00',30,11,11),
(10004,'2017-10-01','2017-10-01 12:12:48','深圳',35,0,'2017-10-01 10:00:15',100,3,3),
(10004,'2017-10-03','2017-10-03 12:38:20','深圳',35,0,'2017-10-03 10:20:22',11,6,6)
;
-- step3:查看表
select *
from test_db.example_site_visit2
;
-- 可以看到,存储的数据,和导入数据完全一样,没有发生任何聚合。
-- 这是因为,这批数据中,因为加入了 timestamp 列,所有行的 Key 都不完全相同。
-- 也就是说,只要保证导入的数据中, 每一行的 Key 都不完全相同,那么即使在聚合模型下,Doris 也可以保存完整的明细数据。
示例三:导入数据与已有数据聚合
-- step1:往示例一中继续插入数据
insert into test_db.example_site_visit
values
(10004,'2017-10-03','深圳',35,0,'2017-10-03 11:22:00',null,44,19,19),
(10005,'2017-10-03','长沙',29,1,'2017-10-03 18:11:02','2017-10-03 18:11:02',3,1,1)
;
--step2:查看表
select *
from test_db.example_site_visit
;
-- 可以看到,用户 10004 的已有数据和新导入的数据发生了聚合。同时新增了 10005 用户的数据。
二、Uniq 模型
- 在某些多维分析场景下,用户更关注的是如何保证 Key 的唯一性,即如何获得
Primary Key 唯一性约束
。因此,我们引入了 Uniq 的数据模型。 - 该模型
本质上是聚合模型的一个特例
,也是一种简化的表结构表示方式。
-- step1:建表
CREATE TABLE IF NOT EXISTS test_db.user (
`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`, `username`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 10
;
-- step2:插入数据
insert into test_db.user
values
(10000,'wuyanzu',' 北 京 ',18,0,12345678910,' 北 京 朝 阳 区 ','2017-10-01 07:00:00'),
(10000,'wuyanzu',' 北 京 ',19,0,12345678910,' 北 京 朝 阳 区 ','2017-10-01 07:00:00'),
(10000,'zhangsan',' 北 京 ',20,0,12345678910,' 北 京 海 淀 区 ','2017-11-15 06:10:20')
;
-- step3:查询表
select *
from test_db.user
;
-- 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。
三、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
。 - Duplicate 数据模型可以 满足这类需求。
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。
-- step1:建表
CREATE TABLE IF NOT EXISTS test_db.example_log (
`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`)
DISTRIBUTED BY HASH(`timestamp`) BUCKETS 10
;
-- step2:插入数据
insert into test_db.example_log
values
('2017-10-01 08:00:05',1,404,'not found page', 101, '2017-10-01 08:00:05'),
('2017-10-01 08:00:05',1,404,'not found page', 101, '2017-10-01 08:00:05'),
('2017-10-01 08:00:05',2,404,'not found page', 101, '2017-10-01 08:00:06'),
('2017-10-01 08:00:05'2,404,'not found page', 101, '2017-10-01 08:00:07')
;
-- step3:查询表
select *
from test_db.example_log
;
四、怎么选择数据模型
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。
- 可以通过
- 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)。
- 针对需要唯一主键约束的场景,可以
- Duplicate 模型
- 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)。
聚合模型的局限性
- 这里我们针对 Aggregate 模型(包括 Uniq 模型),来介绍下聚合模型的局限性。
- 在聚合模型中,模型对外展现的,是最终聚合后的数据。也就是说,
任何还未聚合的数据(比如说两个不同导入批次的数据),必须通过某种方式,以保证对外展示的一致性
。 - 我们举例说明。
- 假设表结构如下:
ColumnName | Type | AggregationType | Comment |
---|---|---|---|
user_id | LARGEINT | 用户 id | |
date | DATE | 数据灌入日期 | |
cost | BIGINT | SUM | 用户总消费 |
- 假设存储引擎中有如下两个已经导入完成的批次的数据:
- batch 1
user_id | date | cost |
---|---|---|
10001 | 2017-11-20 | 50 |
10002 | 2017-11-21 | 39 |
- batch 2
user_id | date | cost |
---|---|---|
10001 | 2017-11-20 | 1 |
10001 | 2017-11-21 | 5 |
10003 | 2017-11-22 | 22 |
- 可以看到,用户 10001 分属在两个导入批次中的数据还没有聚合。但是为了保证用户 只能查询到如下最终聚合后的数据:
user_id | date | cost |
---|---|---|
10001 | 2017-11-20 | 51 |
10001 | 2017-11-21 | 5 |
10002 | 2017-11-21 | 39 |
10003 | 2017-11-22 | 22 |
- 在查询引擎中加入了聚合算子,来保证数据对外的一致性。
另外,在聚合列(Value)上,执行与聚合类型不一致的聚合类查询时,要注意语意
。- 比如我们在如上示例中执行如下查询:
SELECT MIN(cost)
FROM table
;
- 得到的结果是 5,而不是 1。
- 同时,这种一致性保证,在某些查询中,会极大的降低查询效率。
- 我们以最基本的 count(*) 查询为例:
SELECT COUNT(*)
FROM table
;
-
在其他数据库中,这类查询都会很快的返回结果。
- 因为在实现上,我们可以通过如“导入时对行进行计数,保存 count 的统计信息”,
- 或者在查询时“仅扫描某一列数据,获得 count 值”的方式,只需很小的开销,即可获得查询结果。
-
但是在 Doris 的聚合模型中,这种查询 的开销非常大。
-
上面的例子, count(*) 的正确结果应该为 4。
但如果我们只扫描 user_id 这一列,如果加上查询时聚合,最终得到的结果是 3(10001, 10002, 10003)。而如果不加查询时聚合,则得到的结果是 5(两批次一共 5 行数据)。可见这两个结果都是不对的
。 -
为了得到正确的结果,我们必须同时读取 user_id 和 date 这两列的数据,再加上查询时 聚合,才能返回 4 这个正确的结果。
-
也就是说,在 count(*) 查询中,Doris 必须扫描所有的 AGGREGATE KEY 列(这里就是 user_id 和 date),并且聚合后,才能得到语意正确的结果。 当聚合列非常多时,count(*)查询需要扫描大量的数据。
-
因此,当业务上有频繁的 count(*) 查询时,我们建议用户通过增加一个值恒为 1 的, 聚合类型为 SUM 的列来模拟
-
如刚才的例子中的表结构,我们修改如下:
- 增加一个 count 列,并且导入数据中,该列值恒为 1。则
count(*)的结果等价于sum(count)
- 不过这种方式也有使用限制,就是
用户需要自行保证,不会重复导入 AGGREGATE KEY 列都相同的行。否则,sum(count) 只能表述原始导入的行数,而不是count(*) 的语义。
- 所以我们
可以 将count 列的聚合类型改为 REPLACE,且依然值恒为 1
。那 么sum(count) 和 select count(*)的结果将是一致的。并且这种方式,没有导入重复行的限制
。
- 增加一个 count 列,并且导入数据中,该列值恒为 1。则
ColumnName | Type | AggregationType | Comment |
---|---|---|---|
user_id | LARGEINT | 用户 id | |
date | DATE | 数据灌入日期 | |
cost | BIGINT | SUM | 用户总消费 |
count | BIGINT | SUM | 用于计算count |