您好,登錄后才能下訂單哦!
這篇文章主要介紹“Apache Doris數(shù)據(jù)模型的介紹”,在日常操作中,相信很多人在Apache Doris數(shù)據(jù)模型的介紹問題上存在疑惑,小編查閱了各式資料,整理出簡單好用的操作方法,希望對大家解答”Apache Doris數(shù)據(jù)模型的介紹”的疑惑有所幫助!接下來,請跟著小編一起來學(xué)習(xí)吧!
在 Doris 中,數(shù)據(jù)以表(Table)的形式進(jìn)行邏輯上的描述。 一張表包括行(Row)和列(Column)。Row 即用戶的一行數(shù)據(jù)。Column 用于描述一行數(shù)據(jù)中不同的字段。
Column 可以分為兩大類:Key 和 Value。從業(yè)務(wù)角度看,Key 和 Value 可以分別對應(yīng)維度列和指標(biāo)列。
Doris 的數(shù)據(jù)模型主要分為3類:
Duplicate 明細(xì)模型
Aggregate 聚合模型
Unique 唯一主鍵模型
下面我們分別介紹。
明細(xì)模型是 Doris 默認(rèn)使用的數(shù)據(jù)模型。該數(shù)據(jù)模型不會(huì)對導(dǎo)入的數(shù)據(jù)進(jìn)行任何處理。表中的數(shù)據(jù)即用戶導(dǎo)入的原始數(shù)據(jù)。
ColumnName | Type | SortKey | Comment |
---|---|---|---|
timestamp | DATETIME | Yes | 日志時(shí)間 |
type | INT | Yes | 日志類型 |
error_code | INT | Yes | 錯(cuò)誤碼 |
error_msg | VARCHAR(1024) | No | 錯(cuò)誤詳細(xì)信息 |
op_id | BIGINT | No | 負(fù)責(zé)人id |
op_time | DATETIME | No | 處理時(shí)間 |
建表語句如下:
CREATE TABLE IF NOT EXISTS example_db.expamle_tbl ( `timestamp` DATETIME NOT NULL COMMENT "日志時(shí)間", `type` INT NOT NULL COMMENT "日志類型", `error_code` INT COMMENT "錯(cuò)誤碼", `error_msg` VARCHAR(1024) COMMENT "錯(cuò)誤詳細(xì)信息", `op_id` BIGINT COMMENT "負(fù)責(zé)人id", `op_time` DATETIME COMMENT "處理時(shí)間" ) DUPLICATE KEY(`timestamp`, `type`) ... /* 省略 Partition 和 Distribution 信息 */ ;
建表語句中指定的 DUPLICATE KEY,只是用來指明底層數(shù)據(jù)按照那些列進(jìn)行排序。(更貼切的名稱應(yīng)該為 “Sorted Column”,這里取名 “DUPLICATE KEY” 只是用以明確表示所用的數(shù)據(jù)模型。關(guān)于 “Sorted Column”的更多解釋,索引文檔)。在 DUPLICATE KEY 的選擇上,我們建議適當(dāng)?shù)倪x擇前 2-4 列就可以。
這種數(shù)據(jù)模型適用于既沒有聚合需求,又沒有主鍵唯一性約束的原始數(shù)據(jù)的存儲。同時(shí),用戶也可以通過物化視圖功能功能在這種模型基礎(chǔ)上建立聚合視圖,因此是一種比較推薦的數(shù)據(jù)模型。
聚合模型需要用戶在建表時(shí)顯式的將列分為 Key 列和 Value 列。該模型會(huì)自動(dòng)的對 Key 相同的行,在 Value 列上進(jìn)行聚合操作。
我們以實(shí)際的例子來說明什么是聚合模型,以及如何正確的使用聚合模型。
假設(shè)業(yè)務(wù)有如下數(shù)據(jù)表模式:
ColumnName | Type | AggregationType | Comment |
---|---|---|---|
user_id | LARGEINT | 用戶id | |
date | DATE | 數(shù)據(jù)灌入日期 | |
city | VARCHAR(20) | 用戶所在城市 | |
age | SMALLINT | 用戶年齡 | |
sex | TINYINT | 用戶性別 | |
last_visit_date | DATETIME | REPLACE | 用戶最后一次訪問時(shí)間 |
cost | BIGINT | SUM | 用戶總消費(fèi) |
max_dwell_time | INT | MAX | 用戶最大停留時(shí)間 |
min_dwell_time | INT | MIN | 用戶最小停留時(shí)間 |
如果轉(zhuǎn)換成建表語句則如下(省略建表語句中的 Partition 和 Distribution 信息)
CREATE TABLE IF NOT EXISTS example_db.expamle_tbl ( `user_id` LARGEINT NOT NULL COMMENT "用戶id", `date` DATE NOT NULL COMMENT "數(shù)據(jù)灌入日期時(shí)間", `city` VARCHAR(20) COMMENT "用戶所在城市", `age` SMALLINT COMMENT "用戶年齡", `sex` TINYINT COMMENT "用戶性別", `last_visit_date` DATETIME REPLACE DEFAULT "1970-01-01 00:00:00" COMMENT "用戶最后一次訪問時(shí)間", `cost` BIGINT SUM DEFAULT "0" COMMENT "用戶總消費(fèi)", `max_dwell_time` INT MAX DEFAULT "0" COMMENT "用戶最大停留時(shí)間", `min_dwell_time` INT MIN DEFAULT "99999" COMMENT "用戶最小停留時(shí)間", ) AGGREGATE KEY(`user_id`, `date`, `timestamp`, `city`, `age`, `sex`) ... /* 省略 Partition 和 Distribution 信息 */ ;
可以看到,這是一個(gè)典型的用戶信息和訪問行為的事實(shí)表。 在一般星型模型中,用戶信息和訪問行為一般分別存放在維度表和事實(shí)表中。這里我們?yōu)榱烁臃奖愕慕忉?Doris 的數(shù)據(jù)模型,將兩部分信息統(tǒng)一存放在一張表中。
表中的列按照是否設(shè)置了 AggregationType
,分為 Key (維度列) 和 Value(指標(biāo)列)。沒有設(shè)置 AggregationType
的,如 user_id
、date
、age
... 等稱為 Key,而設(shè)置了 AggregationType
的稱為 Value。
當(dāng)我們導(dǎo)入數(shù)據(jù)時(shí),對于 Key 列相同的行會(huì)聚合成一行,而 Value 列會(huì)按照設(shè)置的 AggregationType
進(jìn)行聚合。 AggregationType
目前有以下四種聚合方式:
SUM:求和,多行的 Value 進(jìn)行累加。
REPLACE:替代,下一批數(shù)據(jù)中的 Value 會(huì)替換之前導(dǎo)入過的行中的 Value。
MAX:保留最大值。
MIN:保留最小值。
假設(shè)我們有以下導(dǎo)入數(shù)據(jù)(原始數(shù)據(jù)):
user_id | date | city | age | sex | last_visit_date | cost | max_dwell_time | min_dwell_time |
---|---|---|---|---|---|---|---|---|
10000 | 2017-10-01 | 北京 | 20 | 0 | 2017-10-01 06:00:00 | 20 | 10 | 10 |
10000 | 2017-10-01 | 北京 | 20 | 0 | 2017-10-01 07:00:00 | 15 | 2 | 2 |
10001 | 2017-10-01 | 北京 | 30 | 1 | 2017-10-01 17:05:45 | 2 | 22 | 22 |
10002 | 2017-10-02 | 上海 | 20 | 1 | 2017-10-02 12:59:12 | 200 | 5 | 5 |
10003 | 2017-10-02 | 廣州 | 32 | 0 | 2017-10-02 11:20:00 | 30 | 11 | 11 |
10004 | 2017-10-01 | 深圳 | 35 | 0 | 2017-10-01 10:00:15 | 100 | 3 | 3 |
10004 | 2017-10-03 | 深圳 | 35 | 0 | 2017-10-03 10:20:22 | 11 | 6 | 6 |
我們假設(shè)這是一張記錄用戶訪問某商品頁面行為的表。我們以第一行數(shù)據(jù)為例,解釋如下:
數(shù)據(jù) | 說明 |
---|---|
10000 | 用戶id,每個(gè)用戶唯一識別id |
2017-10-01 | 數(shù)據(jù)入庫時(shí)間,精確到日期 |
北京 | 用戶所在城市 |
20 | 用戶年齡 |
0 | 性別男(1 代表女性) |
2017-10-01 06:00:00 | 用戶本次訪問該頁面的時(shí)間,精確到秒 |
20 | 用戶本次訪問產(chǎn)生的消費(fèi) |
10 | 用戶本次訪問,駐留該頁面的時(shí)間 |
10 | 用戶本次訪問,駐留該頁面的時(shí)間(冗余) |
那么當(dāng)這批數(shù)據(jù)正確導(dǎo)入到 Doris 中后,Doris 中最終存儲如下:
user_id | date | city | age | sex | last_visit_date | cost | max_dwell_time | min_dwell_time |
---|---|---|---|---|---|---|---|---|
10000 | 2017-10-01 | 北京 | 20 | 0 | 2017-10-01 07:00:00 | 35 | 10 | 2 |
10001 | 2017-10-01 | 北京 | 30 | 1 | 2017-10-01 17:05:45 | 2 | 22 | 22 |
10002 | 2017-10-02 | 上海 | 20 | 1 | 2017-10-02 12:59:12 | 200 | 5 | 5 |
10003 | 2017-10-02 | 廣州 | 32 | 0 | 2017-10-02 11:20:00 | 30 | 11 | 11 |
10004 | 2017-10-01 | 深圳 | 35 | 0 | 2017-10-01 10:00:15 | 100 | 3 | 3 |
10004 | 2017-10-03 | 深圳 | 35 | 0 | 2017-10-03 10:20:22 | 11 | 6 | 6 |
可以看到,用戶 10000 只剩下了一行聚合后的數(shù)據(jù)。而其余用戶的數(shù)據(jù)和原始數(shù)據(jù)保持一致。這里先解釋下用戶 10000 聚合后的數(shù)據(jù):
前5列沒有變化,從第6列 last_visit_date
開始:
2017-10-01 07:00:00
:因?yàn)?last_visit_date
列的聚合方式為 REPLACE,所以 2017-10-01 07:00:00
替換了 2017-10-01 06:00:00
保存了下來。
注:在同一個(gè)導(dǎo)入批次中的數(shù)據(jù),對于 REPLACE 這種聚合方式,替換順序不做保證。如在這個(gè)例子中,最終保存下來的,也有可能是
2017-10-01 06:00:00
。而對于不同導(dǎo)入批次中的數(shù)據(jù),可以保證,后一批次的數(shù)據(jù)會(huì)替換前一批次。
35
:因?yàn)?cost
列的聚合類型為 SUM,所以由 20 + 15 累加獲得 35。
10
:因?yàn)?max_dwell_time
列的聚合類型為 MAX,所以 10 和 2 取最大值,獲得 10。
2
:因?yàn)?min_dwell_time
列的聚合類型為 MIN,所以 10 和 2 取最小值,獲得 2。
經(jīng)過聚合,Doris 中最終只會(huì)存儲聚合后的數(shù)據(jù)。換句話說,即明細(xì)數(shù)據(jù)會(huì)丟失,用戶不能夠再查詢到聚合前的明細(xì)數(shù)據(jù)了。
接示例1,我們將表結(jié)構(gòu)修改如下:
ColumnName | Type | AggregationType | Comment |
---|---|---|---|
user_id | LARGEINT | 用戶id | |
date | DATE | 數(shù)據(jù)灌入日期 | |
timestamp | DATETIME | 數(shù)據(jù)灌入時(shí)間,精確到秒 | |
city | VARCHAR(20) | 用戶所在城市 | |
age | SMALLINT | 用戶年齡 | |
sex | TINYINT | 用戶性別 | |
last_visit_date | DATETIME | REPLACE | 用戶最后一次訪問時(shí)間 |
cost | BIGINT | SUM | 用戶總消費(fèi) |
max_dwell_time | INT | MAX | 用戶最大停留時(shí)間 |
min_dwell_time | INT | MIN | 用戶最小停留時(shí)間 |
即增加了一列 timestamp
,記錄精確到秒的數(shù)據(jù)灌入時(shí)間。
導(dǎo)入數(shù)據(jù)如下:
user_id | date | timestamp | city | age | sex | last_visit_date | cost | max_dwell_time | min_dwell_time |
---|---|---|---|---|---|---|---|---|---|
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 | 廣州 | 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 |
那么當(dāng)這批數(shù)據(jù)正確導(dǎo)入到 Doris 中后,Doris 中最終存儲如下:
user_id | date | timestamp | city | age | sex | last_visit_date | cost | max_dwell_time | min_dwell_time |
---|---|---|---|---|---|---|---|---|---|
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 | 廣州 | 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 |
我們可以看到,存儲的數(shù)據(jù),和導(dǎo)入數(shù)據(jù)完全一樣,沒有發(fā)生任何聚合。這是因?yàn)椋@批數(shù)據(jù)中,因?yàn)榧尤肓?timestamp
列,所有行的 Key 都不完全相同。也就是說,只要保證導(dǎo)入的數(shù)據(jù)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細(xì)數(shù)據(jù)。
接示例1。假設(shè)現(xiàn)在表中已有數(shù)據(jù)如下:
user_id | date | city | age | sex | last_visit_date | cost | max_dwell_time | min_dwell_time |
---|---|---|---|---|---|---|---|---|
10000 | 2017-10-01 | 北京 | 20 | 0 | 2017-10-01 07:00:00 | 35 | 10 | 2 |
10001 | 2017-10-01 | 北京 | 30 | 1 | 2017-10-01 17:05:45 | 2 | 22 | 22 |
10002 | 2017-10-02 | 上海 | 20 | 1 | 2017-10-02 12:59:12 | 200 | 5 | 5 |
10003 | 2017-10-02 | 廣州 | 32 | 0 | 2017-10-02 11:20:00 | 30 | 11 | 11 |
10004 | 2017-10-01 | 深圳 | 35 | 0 | 2017-10-01 10:00:15 | 100 | 3 | 3 |
10004 | 2017-10-03 | 深圳 | 35 | 0 | 2017-10-03 10:20:22 | 11 | 6 | 6 |
我們再導(dǎo)入一批新的數(shù)據(jù):
user_id | date | city | age | sex | last_visit_date | cost | max_dwell_time | min_dwell_time |
---|---|---|---|---|---|---|---|---|
10004 | 2017-10-03 | 深圳 | 35 | 0 | 2017-10-03 11:22:00 | 44 | 19 | 19 |
10005 | 2017-10-03 | 長沙 | 29 | 1 | 2017-10-03 18:11:02 | 3 | 1 | 1 |
那么當(dāng)這批數(shù)據(jù)正確導(dǎo)入到 Doris 中后,Doris 中最終存儲如下:
user_id | date | city | age | sex | last_visit_date | cost | max_dwell_time | min_dwell_time |
---|---|---|---|---|---|---|---|---|
10000 | 2017-10-01 | 北京 | 20 | 0 | 2017-10-01 07:00:00 | 35 | 10 | 2 |
10001 | 2017-10-01 | 北京 | 30 | 1 | 2017-10-01 17:05:45 | 2 | 22 | 22 |
10002 | 2017-10-02 | 上海 | 20 | 1 | 2017-10-02 12:59:12 | 200 | 5 | 5 |
10003 | 2017-10-02 | 廣州 | 32 | 0 | 2017-10-02 11:20:00 | 30 | 11 | 11 |
10004 | 2017-10-01 | 深圳 | 35 | 0 | 2017-10-01 10:00:15 | 100 | 3 | 3 |
10004 | 2017-10-03 | 深圳 | 35 | 0 | 2017-10-03 11:22:00 | 55 | 19 | 6 |
10005 | 2017-10-03 | 長沙 | 29 | 1 | 2017-10-03 18:11:02 | 3 | 1 | 1 |
可以看到,用戶 10004 的已有數(shù)據(jù)和新導(dǎo)入的數(shù)據(jù)發(fā)生了聚合。同時(shí)新增了 10005 用戶的數(shù)據(jù)。
數(shù)據(jù)的聚合,在 Doris 中有如下三個(gè)階段發(fā)生:
每一批次數(shù)據(jù)導(dǎo)入的 ETL 階段。該階段會(huì)在每一批次導(dǎo)入的數(shù)據(jù)內(nèi)部進(jìn)行聚合。
底層 BE 進(jìn)行數(shù)據(jù) Compaction 的階段。該階段,BE 會(huì)對已導(dǎo)入的不同批次的數(shù)據(jù)進(jìn)行進(jìn)一步的聚合。
數(shù)據(jù)查詢階段。在數(shù)據(jù)查詢時(shí),對于查詢涉及到的數(shù)據(jù),會(huì)進(jìn)行對應(yīng)的聚合。
數(shù)據(jù)在不同時(shí)間,可能聚合的程度不一致。比如一批數(shù)據(jù)剛導(dǎo)入時(shí),可能還未與之前已存在的數(shù)據(jù)進(jìn)行聚合。但是對于用戶而言,用戶只能查詢到聚合后的數(shù)據(jù)。即不同的聚合程度對于用戶查詢而言是透明的。用戶需始終認(rèn)為數(shù)據(jù)以最終的完成的聚合程度存在,而不應(yīng)假設(shè)某些聚合還未發(fā)生。(可參閱聚合模型的局限性一節(jié)獲得更多詳情。)
在某些多維分析場景下,用戶更關(guān)注的是如何保證 Key 的唯一性,即如何獲得 Primary Key 唯一性約束。因此,我們引入了 Unique 的數(shù)據(jù)模型。該模型本質(zhì)上是聚合模型的一個(gè)特例,也是一種簡化的表結(jié)構(gòu)表示方式。我們舉例說明。
ColumnName | Type | IsKey | Comment |
---|---|---|---|
user_id | BIGINT | Yes | 用戶id |
username | VARCHAR(50) | Yes | 用戶昵稱 |
city | VARCHAR(20) | No | 用戶所在城市 |
age | SMALLINT | No | 用戶年齡 |
sex | TINYINT | No | 用戶性別 |
phone | LARGEINT | No | 用戶電話 |
address | VARCHAR(500) | No | 用戶住址 |
register_time | DATETIME | No | 用戶注冊時(shí)間 |
這是一個(gè)典型的用戶基礎(chǔ)信息表。這類數(shù)據(jù)沒有聚合需求,只需保證主鍵唯一性。(這里的主鍵為 user_id + username)。那么我們的建表語句如下:
CREATE TABLE IF NOT EXISTS example_db.expamle_tbl ( `user_id` LARGEINT NOT NULL COMMENT "用戶id", `username` VARCHAR(50) NOT NULL COMMENT "用戶昵稱", `city` VARCHAR(20) COMMENT "用戶所在城市", `age` SMALLINT COMMENT "用戶年齡", `sex` TINYINT COMMENT "用戶性別", `phone` LARGEINT COMMENT "用戶電話", `address` VARCHAR(500) COMMENT "用戶地址", `register_time` DATETIME COMMENT "用戶注冊時(shí)間" ) UNIQUE KEY(`user_id`, `user_name`) ... /* 省略 Partition 和 Distribution 信息 */ ;
而這個(gè)表結(jié)構(gòu),完全同等于以下使用聚合模型描述的表結(jié)構(gòu):
ColumnName | Type | AggregationType | Comment |
---|---|---|---|
user_id | BIGINT | 用戶id | |
username | VARCHAR(50) | 用戶昵稱 | |
city | VARCHAR(20) | REPLACE | 用戶所在城市 |
age | SMALLINT | REPLACE | 用戶年齡 |
sex | TINYINT | REPLACE | 用戶性別 |
phone | LARGEINT | REPLACE | 用戶電話 |
address | VARCHAR(500) | REPLACE | 用戶住址 |
register_time | DATETIME | REPLACE | 用戶注冊時(shí)間 |
及建表語句:
CREATE TABLE IF NOT EXISTS example_db.expamle_tbl ( `user_id` LARGEINT NOT NULL COMMENT "用戶id", `username` VARCHAR(50) NOT NULL COMMENT "用戶昵稱", `city` VARCHAR(20) REPLACE COMMENT "用戶所在城市", `age` SMALLINT REPLACE COMMENT "用戶年齡", `sex` TINYINT REPLACE COMMENT "用戶性別", `phone` LARGEINT REPLACE COMMENT "用戶電話", `address` VARCHAR(500) REPLACE COMMENT "用戶地址", `register_time` DATETIME REPLACE COMMENT "用戶注冊時(shí)間" ) AGGREGATE KEY(`user_id`, `user_name`) ... /* 省略 Partition 和 Distribution 信息 */ ;
即 Unique 模型完全可以用聚合模型中的 REPLACE 方式替代。其內(nèi)部的實(shí)現(xiàn)方式和數(shù)據(jù)存儲方式也完全一樣。這里不再繼續(xù)舉例說明。
聚合模型(包括 Unique 模型),通過一種預(yù)計(jì)算的方式來減少查詢時(shí)需要實(shí)時(shí)計(jì)算的數(shù)據(jù)量,加速查詢。但是這種模型會(huì)有使用上的局限性。
在聚合模型中,模型對外展現(xiàn)的,是最終聚合后的數(shù)據(jù)。也就是說,任何還未聚合的數(shù)據(jù)(比如說兩個(gè)不同導(dǎo)入批次的數(shù)據(jù)),必須通過某種方式,以保證對外展示的一致性。我們舉例說明。
假設(shè)表結(jié)構(gòu)如下:
ColumnName | Type | AggregationType | Comment |
---|---|---|---|
user_id | LARGEINT | 用戶id | |
date | DATE | 數(shù)據(jù)灌入日期 | |
cost | BIGINT | SUM | 用戶總消費(fèi) |
假設(shè)存儲引擎中有如下兩個(gè)已經(jīng)導(dǎo)入完成的批次的數(shù)據(jù):
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,用戶 10001 分屬在兩個(gè)導(dǎo)入批次中的數(shù)據(jù)還沒有聚合。但是為了保證用戶只能查詢到如下最終聚合后的數(shù)據(jù):
user_id | date | cost |
---|---|---|
10001 | 2017-11-20 | 51 |
10001 | 2017-11-21 | 5 |
10002 | 2017-11-21 | 39 |
10003 | 2017-11-22 | 22 |
我們在查詢引擎中加入了聚合算子,來保證數(shù)據(jù)對外的一致性。
另外,在聚合列(Value)上,執(zhí)行與聚合類型不一致的聚合類查詢時(shí),要注意語意。比如我們在如上示例中執(zhí)行如下查詢:
SELECT MIN(cost) FROM table;
得到的結(jié)果是 5,而不是 1。
同時(shí),這種一致性保證,在某些查詢中,會(huì)極大的降低查詢效率。
我們以最基本的 count(*) 查詢?yōu)槔?/p>
SELECT COUNT(*) FROM table;
在其他數(shù)據(jù)庫中,這類查詢都會(huì)很快的返回結(jié)果。因?yàn)樵趯?shí)現(xiàn)上,我們可以通過如 “導(dǎo)入時(shí)對行進(jìn)行計(jì)數(shù),保存 count 的統(tǒng)計(jì)信息”,或者在查詢時(shí) “僅掃描某一列數(shù)據(jù),獲得 count 值” 的方式,只需很小的開銷,即可獲得查詢結(jié)果。但是在 Doris 的聚合模型中,這種查詢的開銷非常大。
我們以剛才的數(shù)據(jù)為例:
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 |
因?yàn)樽罱K的聚合結(jié)果為:
user_id | date | cost |
---|---|---|
10001 | 2017-11-20 | 51 |
10001 | 2017-11-21 | 5 |
10002 | 2017-11-21 | 39 |
10003 | 2017-11-22 | 22 |
所以,select count(*) from table;
的正確結(jié)果應(yīng)該為 4。但如果我們只掃描 user_id
這一列,如果加上查詢時(shí)聚合,最終得到的結(jié)果是 3(10001, 10002, 10003)。而如果不加查詢時(shí)聚合,則得到的結(jié)果是 5(兩批次一共5行數(shù)據(jù))??梢娺@兩個(gè)結(jié)果都是不對的。
為了得到正確的結(jié)果,我們必須同時(shí)讀取 user_id
和 date
這兩列的數(shù)據(jù),再加上查詢時(shí)聚合,才能返回 4 這個(gè)正確的結(jié)果。也就是說,在 count() 查詢中,Doris 必須掃描所有的 AGGREGATE KEY 列(這里就是 user_id
和 date
),并且聚合后,才能得到語意正確的結(jié)果。當(dāng)聚合列非常多時(shí),count() 查詢需要掃描大量的數(shù)據(jù)。
因此,當(dāng)業(yè)務(wù)上有頻繁的 count(*) 查詢時(shí),我們建議用戶通過增加一個(gè)值恒為 1 的,聚合類型為 SUM 的列來模擬 count(*)。如剛才的例子中的表結(jié)構(gòu),我們修改如下:
ColumnName | Type | AggregateType | Comment |
---|---|---|---|
user_id | BIGINT | 用戶id | |
date | DATE | 數(shù)據(jù)灌入日期 | |
cost | BIGINT | SUM | 用戶總消費(fèi) |
count | BIGINT | SUM | 用于計(jì)算count |
增加一個(gè) count 列,并且導(dǎo)入數(shù)據(jù)中,該列值恒為 1。則 select count(*) from table;
的結(jié)果等價(jià)于 select sum(count) from table;
。而后者的查詢效率將遠(yuǎn)高于前者。不過這種方式也有使用限制,就是用戶需要自行保證,不會(huì)重復(fù)導(dǎo)入 AGGREGATE KEY 列都相同的行。否則,select sum(count) from table;
只能表述原始導(dǎo)入的行數(shù),而不是 select count(*) from table;
的語義。
另一種方式,就是 將如上的 count
列的聚合類型改為 REPLACE,且依然值恒為 1。那么 select sum(count) from table;
和 select count(*) from table;
的結(jié)果將是一致的。并且這種方式,沒有導(dǎo)入重復(fù)行的限制。
Duplicate 模型沒有聚合模型的這個(gè)局限性。因?yàn)樵撃P筒簧婕熬酆险Z意,在做 count(*) 查詢時(shí),任意選擇一列查詢,即可得到語意正確的結(jié)果。
因?yàn)閿?shù)據(jù)模型在建表時(shí)就已經(jīng)確定,且無法修改。所以,選擇一個(gè)合適的數(shù)據(jù)模型非常重要。
Aggregate 模型可以通過預(yù)聚合,極大地降低聚合查詢時(shí)所需掃描的數(shù)據(jù)量和查詢的計(jì)算量,非常適合有固定模式的報(bào)表類查詢場景。但是該模型對 count(*) 查詢很不友好。同時(shí)因?yàn)楣潭?Value 列上的聚合方式,在進(jìn)行其他類型的聚合查詢時(shí),需要考慮語意正確性。
Unique 模型針對需要唯一主鍵約束的場景,可以保證主鍵唯一性約束。但是無法利用 ROLLUP 等預(yù)聚合帶來的查詢優(yōu)勢(因?yàn)楸举|(zhì)是 REPLACE,沒有 SUM 這種聚合方式)。
Duplicate 適合任意維度的 Ad-hoc 查詢。雖然同樣無法利用預(yù)聚合的特性,但是不受聚合模型的約束,可以發(fā)揮列存模型的優(yōu)勢(只讀取相關(guān)列,而不需要讀取所有 Key 列)。
到此,關(guān)于“Apache Doris數(shù)據(jù)模型的介紹”的學(xué)習(xí)就結(jié)束了,希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí),快去試試吧!若想繼續(xù)學(xué)習(xí)更多相關(guān)知識,請繼續(xù)關(guān)注億速云網(wǎng)站,小編會(huì)繼續(xù)努力為大家?guī)砀鄬?shí)用的文章!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。