下一代实时数据库:Apache Doris 【七】数据模型

发布时间:2023年12月20日

3.5 数据模型

Doris 的数据模型主要分为 3 类:Aggregate 、Uniq 、Duplicate

3.5.1 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。(可参阅聚合模型的局限性一节获得更多详情。)

3.5.1.1 示例一:导入数据聚合

1)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;

2)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。

3)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。

3.5.1.2 示例二:保留明细数据

1)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;

2)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);

3)查看表

select * from test_db.example_site_visit2;

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。

3.5.1.3 示例三:导入数据与已有数据聚合

1)往实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);

2)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。

3.5.2 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。

1)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;

2)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');

3)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。

3.5.3 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。

1)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;

2)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 08:00:06',2,404,'not found page', 101, '2017-10-01 
08:00:07');

3)查看表

select * from test_db.example_log;

3.5.4 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)

3.5.5 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:

ColumnNameTypeAggregationTypeComment
user_idLARGEINT用户 id
dateDATE数据灌入日期
costBIGINTSUM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_iddatecost
100012017- 11-2050
100022017- 11-2139

batch 2

user_iddatecost
100012017- 11-201
100012017- 11-215
100032017- 11-2222

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_iddatecost
100012017- 11-2051
100012017- 11-215
100022017- 11-2139
100032017- 11-2222

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,select count(*) from table; 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 count(*)。如刚才的例子中的表结构,我们修改如下:

ColumnNameTypeAggregateTypeComment
user_idBIGINT用户 id
dateDATE数据灌入日期
costBIGINTSUM用户总消费
countBIGINTSUM用于计算 count

增加一个 count 列,并且导入数据中,该列值恒为 1。则 select count() from table; 的结果等价于 select sum(count) from table;。

而后者的查询效率将远高于前者。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, select sum(count) from table; 只能表述原始导入的行数,而不是 select count(*) from table; 的 语义。

另一种方式,就是 将如上的 count 列的聚合类型改为 REPLACE,且依然值恒为 1。那 么 select sum(count) from table; 和 select count(*) from table; 的结果将是一致的。并且这种 方式, 没有导入重复行的限制。

后记

📢博客主页:https://manor.blog.csdn.net

📢欢迎点赞 👍 收藏 ?留言 📝 如有错误敬请指正!

📢本文由 Maynor 原创,首发于 CSDN博客🙉

📢不能老盯着手机屏幕,要不时地抬起头,看看老板的位置?

📢专栏持续更新,欢迎订阅:https://blog.csdn.net/xianyu120/category_12401955.html

本文由mdnice多平台发布

文章来源:https://blog.csdn.net/xianyu120/article/details/135078190
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。