【遇见Doris】Apache Doris 在京东广告平台的应用

最新推荐文章于 2023-08-03 09:43:52 发布

ApacheDoris

最新推荐文章于 2023-08-03 09:43:52 发布

阅读量236

点赞数

文章标签：运维大数据数据库 java python

本文链接：https://blog.csdn.net/ucanuup_/article/details/114976450

版权

6月29日，Doris有幸得到中国信通院云大所、大数据技术标准推进委员会的支持，在中国信通院举行了0.11.0新版本预览线下沙龙。各位嘉宾都带来了干货满满的分享。关注Doris官方公众号，后台回复“0629”即可获取各位嘉宾分享PPT及现场录像。

今天是刘航源同学代表京东广告平台带来的关于Apache Doris (incubating)的应用介绍。

此次Doris完美支撑了京东618大促期间的报表业务。在大家疯狂剁手的背后，Doris为每一位广告主带来了平稳的在线服务。稳定、高效，是航源对Doris在618大促期间表现的概括。

需求背景

应用场景举例

查询效率与实时性：京东广告平台有上百张报表，每日百亿级别的聚合结果增量，需要保证查询效率与实时性的统一。
低延迟：区别于分析师的ad-hoc分析需求，报表场景对于延迟要满足毫秒级别。
高QPS：每日有几千万的查询调用量，日常峰值QPS达到四千以上，SQL on Hadoop的方案难以满足。
方案简单：既能满足报表查询，又能满足OLAP分析型需求，作为数据的统一出口。

为了解决目前存在的问题，京东急需一套完整的、简单已运维且稳定的报表存储方案。

Why Doris ?

目前开源的解决方案主要是SQL on Hadoop 的生态。但是Hadoop方案整体上依赖模块过多，对于业务团队来说，运维成本高。

如果使用公司大数据平台提供的Hadoop环境，难免与其他团队共用，查询效率与稳定性难以保证，对于对查询延迟要控制在毫秒级的报表需求更是无法满足。如果自建Hadoop环境，自己维护，又会出现运维压力太大的问题。比如使用Kylin，就需要维护多个Hadoop生态模块，任何一个模块的不稳定都可能导致报表系统的异常。

所以我们选择了Apache Doris作为我们的报表存储与查询模块，主要考虑到其几个关键优点。

谷歌Mesa理论支持，百度工程实践。并且已经进入Apache基金会孵化，未来可期，并且后续开发维护有保障。
完善的功能支持，标准MySQL协议。因为Apache Doris支持MySQL协议，现存的很多外围MySQL功能模块都可以使用，整体使用都很方便。并且原有的MySQL数据库的用户迁移成本很低。
高并发、高QPS支持。因为核心代码全部使用C++实现，性能方面要优于其他语言。另一方面良好设计也保证Apache Doris在应对高并发时性能要优于其他开源产品。
方便运维，架构清晰。只有FE和BE两个模块，外部依赖少。可以专心维护Doris系统，其他ETL的工作可以交给业务部门处理，解放了人力。

618战绩

618大促期间，Doris提供了非常稳定的线上服务。在线进行了稳定的schema change，全程无事故。

在导入方面，支撑100亿行/日的增量，导入峰值达到2000w/分钟，秒级导入延迟。

在查询方面，支撑了4000w+的每日查询，TP99仅为150ms。大促期间QPS峰值3000+，压测阶段峰值达到1w+。

在京东广告平台的应用

下图介绍了数据从产生到入库的过程所有的点击流。订单流消息会进入Kafka消息队列，然后经由Spark/Flink的计算，生成一个批次数据，这个批次数据产生的频率由业务端控制。产生数据文件后，向JMQ（京东内部消息队列）中录入一个。任务。后面的Loader模块会根据任务中的批次路径拉取数据，导入Doris中。

JMQ内存储的并不是原始的消息，而是经过Spark/Flink生成的批次文件的路径。同时会有一个自定义的Label标签值，来保证入库任务的不重不丢。因为同一个批次任务使用相同的Label值，而Doris中一个Label值只能被导入一次。而真正业务去重逻辑则放在Spark/Flink这一层，由业务方控制，这样就可以使业务与存储解耦开，同时又可以保证Doris中的增量频率不会太快，保证了查询的性能。

在内部我们使用了三种导入方式，下面分别介绍下使用的场景：

Stream Load：主要使用在导入实时数据方面，当前内部数十张表，每张表一分钟一更新。保证了业务数据的准实时。并且因为Stream Load 的同步任务，内存传输数据的特性，Stream Loader不需要拉取数据到本地磁盘，可以实现直接读取hdfs上的增量数据，内存解析，内存导入的功能。
Broker Load：主要用在单次更新数据量较大的多维分析型报表和T+1更新的离线表的业务上。目前最大单次更新在30G+，性能稳定良好，一般可在20分钟以内完成入库。
KafkaLoad：因为Kafka的原因，以及业务方有重复发送消息的情况。Apache Doris 直接对接Kafka 的 Kafka Load方式无法实现消息去重的功能，所以我们目前并没有将其使用在广告效果报表方面。而我们在一些日志分析的需求上使用Kafka Load。因为日志分析对数据准确性没有要求非常高，那么使用KafkaLoad就可以省去中间的ETL的工作，简化了整体架构。

查询心得

设置合理的分区分桶列：因为Doris会根据分区分桶实现过滤，所以建表时应该谨慎选择分区列和分桶列。能否命中分区分桶列，对查询的影响非常大。
建立合理的Rollup表：可以说物化rollup的功能是Doris查询效率高的关键因素，因此建立合理的rollup表非常重要。那么实际使用中如何选择rollup呢？一般是将Doris fe的日志导入Doris中，分析慢查询，Scan bytes等指标，找到消耗资源大的查询，针对这些实际的查询建立Rollup表。
设置doris_max_scan_key_num：oris会将可枚举的类型拆分查询，比如id=5 and date>='2019-01-01' and date<='2019-01-31'的查询，doris会将其拆分成31个小查询分别查询[5,2019-01-01]...[5,2019-01-31]，但是会有一个阈值（doris_max_scan_key_num），超过这个阈值后不再拆分，可根据业务调整

建议

最后京东列举了在使用过程中遇到的几个问题，在这里欢迎有更多的同学加入我们，让Doris变得更好。

1、SQL优化器能力偏弱：使用过程中发现Doris的SQL优化器的优化结果并不足够好，这对于大规模的分析型需求是难以接受的。当然，目前Doris已经在开始优化了，相信不久就可以解决这个问题。

2、多机房部署有困难：如果整个机房的服务不可用了，如何容灾。目前Doris是无法感知机房信息的，所以如果单集群的be分布在多机房，势必会对IO压力很大，对查询性能造成影响。如果多机房多集群双写，对业务压力又会非常大。

3、维度表更新困难：这个是所有olap类型数据库的通病，就是为了保证查询的效率，无法大规模的update数据。造成实际业务中一些维度表（比如 hive 的replace）更新困难。对于这种需求可以通过 drop+rename的方式解决，就是每次新建一张临时表，然后导入数据。再将原表删除，将临时表rename成正常的表名来实现replace的功能

4、大规模平台化的能力不足：在我们使用的过程中，出现过个别查询因为查询量大或者触发bug导致整个集群的大量资源被占用，无法回收。目前仅能设置exec_mem_limit参数控制，并且将一些报表型的查询和olap分析型的查询分离部署。

此次沙龙我们有幸邀请到了来自一点资讯、京东、搜狐、百度智能云的技术大牛带来他们的应用实践和开发分享。

其他嘉宾的分享会在近日放出，欢迎关注Apache Doris (incubating)官方公众号，后台回复“0629”即可获取各位嘉宾分享PPT及现场录像。

欢迎扫码关注：