632 lines
30 KiB
Markdown
632 lines
30 KiB
Markdown
<!--
|
|
Licensed to the Apache Software Foundation (ASF) under one
|
|
or more contributor license agreements. See the NOTICE file
|
|
distributed with this work for additional information
|
|
regarding copyright ownership. The ASF licenses this file
|
|
to you under the Apache License, Version 2.0 (the
|
|
"License"); you may not use this file except in compliance
|
|
with the License. You may obtain a copy of the License at
|
|
|
|
http://www.apache.org/licenses/LICENSE-2.0
|
|
|
|
Unless required by applicable law or agreed to in writing,
|
|
software distributed under the License is distributed on an
|
|
"AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY
|
|
KIND, either express or implied. See the License for the
|
|
specific language governing permissions and limitations
|
|
under the License.
|
|
-->
|
|
|
|
# 数据模型、ROLLUP 及前缀索引
|
|
|
|
本文档主要从逻辑层面，描述 Doris 的数据模型、 ROLLUP 以及前缀索引的概念，以帮助用户更好的使用 Doris 应对不同的业务场景。
|
|
|
|
## 基本概念
|
|
|
|
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
|
|
|
|
下面我们分别介绍。
|
|
|
|
## Aggregate 模型
|
|
|
|
我们以实际的例子来说明什么是聚合模型，以及如何正确的使用聚合模型。
|
|
|
|
### 示例1：导入数据聚合
|
|
|
|
假设业务有如下数据表模式：
|
|
|
|
|ColumnName|Type|AggregationType|Comment|
|
|
|---|---|---|---|
|
|
|user\_id|LARGEINT||用户id|
|
|
|date|DATE||数据灌入日期|
|
|
|city|VARCHAR(20)||用户所在城市|
|
|
|age|SMALLINT||用户年龄|
|
|
|sex|TINYINT||用户性别|
|
|
|last_visit_date|DATETIME|REPLACE|用户最后一次访问时间|
|
|
|cost|BIGINT|SUM|用户总消费|
|
|
|max\_dwell\_time|INT|MAX|用户最大停留时间|
|
|
|min\_dwell\_time|INT|MIN|用户最小停留时间|
|
|
|
|
如果转换成建表语句则如下（省略建表语句中的 Partition 和 Distribution 信息）
|
|
|
|
```
|
|
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 */
|
|
；
|
|
```
|
|
|
|
可以看到，这是一个典型的用户信息和访问行为的事实表。
|
|
在一般星型模型中，用户信息和访问行为一般分别存放在维度表和事实表中。这里我们为了更加方便的解释 Doris 的数据模型，将两部分信息统一存放在一张表中。
|
|
|
|
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，如 `user_id`、`date`、`age` ... 等称为 **Key**，而设置了 `AggregationType` 的称为 **Value**。
|
|
|
|
当我们导入数据时，对于 Key 列相同的行和聚合成一行，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：
|
|
|
|
1. SUM：求和，多行的 Value 进行累加。
|
|
2. REPLACE：替代，下一批数据中的 Value 会替换之前导入过的行中的 Value。
|
|
3. MAX：保留最大值。
|
|
4. MIN：保留最小值。
|
|
|
|
假设我们有以下导入数据（原始数据）：
|
|
|
|
|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|广州|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|
|
|
|
|
我们假设这是一张记录用户访问某商品页面行为的表。我们以第一行数据为例，解释如下：
|
|
|
|
|数据|说明|
|
|
|---|---|
|
|
|10000|用户id，每个用户唯一识别id|
|
|
|2017-10-01|数据入库时间，精确到日期|
|
|
|北京|用户所在城市|
|
|
|20|用户年龄|
|
|
|0|性别男（1 代表女性）|
|
|
|2017-10-01 06:00:00|用户本次访问该页面的时间，精确到秒|
|
|
|20|用户本次访问产生的消费|
|
|
|10|用户本次访问，驻留该页面的时间|
|
|
|10|用户本次访问，驻留该页面的时间（冗余）|
|
|
|
|
那么当这批数据正确导入到 Doris 中后，Doris 中最终存储如下：
|
|
|
|
|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|广州|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。这里先解释下用户 10000 聚合后的数据：
|
|
|
|
前5列没有变化，从第6列 `last_visit_date` 开始：
|
|
|
|
* `2017-10-01 07:00:00`：因为 `last_visit_date` 列的聚合方式为 REPLACE，所以 `2017-10-01 07:00:00` 替换了 `2017-10-01 06:00:00` 保存了下来。
|
|
> 注：在同一个导入批次中的数据，对于 REPLACE 这种聚合方式，替换顺序不做保证。如在这个例子中，最终保存下来的，也有可能是 `2017-10-01 06:00:00`。而对于不同导入批次中的数据，可以保证，后一批次的数据会替换前一批次。
|
|
|
|
* `35`：因为 `cost` 列的聚合类型为 SUM，所以由 20 + 15 累加获得 35。
|
|
* `10`：因为 `max_dwell_time` 列的聚合类型为 MAX，所以 10 和 2 取最大值，获得 10。
|
|
* `2`：因为 `min_dwell_time` 列的聚合类型为 MIN，所以 10 和 2 取最小值，获得 2。
|
|
|
|
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2：保留明细数据
|
|
|
|
接示例1，我们将表结构修改如下：
|
|
|
|
|ColumnName|Type|AggregationType|Comment|
|
|
|---|---|---|---|
|
|
|user\_id|LARGEINT||用户id|
|
|
|date|DATE||数据灌入日期|
|
|
|timestamp|DATETIME||数据灌入时间，精确到秒|
|
|
|city|VARCHAR(20)||用户所在城市|
|
|
|age|SMALLINT||用户年龄|
|
|
|sex|TINYINT||用户性别|
|
|
|last\_visit\_date|DATETIME|REPLACE|用户最后一次访问时间|
|
|
|cost|BIGINT|SUM|用户总消费|
|
|
|max\_dwell\_time|INT|MAX|用户最大停留时间|
|
|
|min\_dwell\_time|INT|MIN|用户最小停留时间|
|
|
|
|
即增加了一列 `timestamp`，记录精确到秒的数据灌入时间。
|
|
|
|
导入数据如下：
|
|
|
|
|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|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|
|
|
|
|
那么当这批数据正确导入到 Doris 中后，Doris 中最终存储如下：
|
|
|
|
|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|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|
|
|
|
|
我们可以看到，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3：导入数据与已有数据聚合
|
|
|
|
接示例1。假设现在表中已有数据如下：
|
|
|
|
|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|广州|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|
|
|
|
|
我们再导入一批新的数据：
|
|
|
|
|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|长沙|29|1|2017-10-03 18:11:02|3|1|1|
|
|
|
|
那么当这批数据正确导入到 Doris 中后，Doris 中最终存储如下：
|
|
|
|
|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|广州|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|长沙|29|1|2017-10-03 18:11:02|3|1|1|
|
|
|
|
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。
|
|
|
|
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。）
|
|
|
|
## 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。我们举例说明。
|
|
|
|
|ColumnName|Type|IsKey|Comment|
|
|
|---|---|---|---|
|
|
|user_id|BIGINT|Yes|用户id|
|
|
|username|VARCHAR(50)|Yes|用户昵称|
|
|
|city|VARCHAR(20)|No|用户所在城市|
|
|
|age|SMALLINT|No|用户年龄|
|
|
|sex|TINYINT|No|用户性别|
|
|
|phone|LARGEINT|No|用户电话|
|
|
|address|VARCHAR(500)|No|用户住址|
|
|
|register_time|DATETIME|No|用户注册时间|
|
|
|
|
这是一个典型的用户基础信息表。这类数据没有聚合需求，只需保证主键唯一性。（这里的主键为 user_id + username）。那么我们的建表语句如下：
|
|
|
|
```
|
|
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 */
|
|
；
|
|
```
|
|
|
|
而这个表结构，完全同等于以下使用聚合模型描述的表结构：
|
|
|
|
|ColumnName|Type|AggregationType|Comment|
|
|
|---|---|---|---|
|
|
|user_id|BIGINT||用户id|
|
|
|username|VARCHAR(50)||用户昵称|
|
|
|city|VARCHAR(20)|REPLACE|用户所在城市|
|
|
|age|SMALLINT|REPLACE|用户年龄|
|
|
|sex|TINYINT|REPLACE|用户性别|
|
|
|phone|LARGEINT|REPLACE|用户电话|
|
|
|address|VARCHAR(500)|REPLACE|用户住址|
|
|
|register_time|DATETIME|REPLACE|用户注册时间|
|
|
|
|
及建表语句：
|
|
|
|
```
|
|
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) REPLACE COMMENT "用户所在城市",
|
|
`age` SMALLINT REPLACE COMMENT "用户年龄",
|
|
`sex` TINYINT REPLACE COMMENT "用户性别",
|
|
`phone` LARGEINT REPLACE COMMENT "用户电话",
|
|
`address` VARCHAR(500) REPLACE COMMENT "用户地址",
|
|
`register_time` DATETIME REPLACE COMMENT "用户注册时间"
|
|
)
|
|
AGGREGATE KEY(`user_id`, `user_name`)
|
|
... /* 省略 Partition 和 Distribution 信息 */
|
|
；
|
|
```
|
|
|
|
即 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。这里不再继续举例说明。
|
|
|
|
## 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。举例说明。
|
|
|
|
|ColumnName|Type|SortKey|Comment|
|
|
|---|---|---|---|
|
|
|timestamp|DATETIME|Yes|日志时间|
|
|
|type|INT|Yes|日志类型|
|
|
|error_code|INT|Yes|错误码|
|
|
|error_msg|VARCHAR(1024)|No|错误详细信息|
|
|
|op_id|BIGINT|No|负责人id|
|
|
|op_time|DATETIME|No|处理时间|
|
|
|
|
建表语句如下：
|
|
|
|
```
|
|
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 */
|
|
；
|
|
```
|
|
|
|
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。（更贴切的名称应该为 “Sorted Column”，这里取名 “DUPLICATE KEY” 只是用以明确表示所用的数据模型。关于 “Sorted Column”的更多解释，可以参阅**前缀索引**小节）。在 DUPLICATE KEY 的选择上，我们建议适当的选择前 2-4 列就可以。
|
|
|
|
这种数据模型适用于既没有聚合需求，又没有主键唯一性约束的原始数据的存储。更多使用场景，可参阅**聚合模型的局限性**小节。
|
|
|
|
## 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。
|
|
|
|
### 基本概念
|
|
|
|
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。
|
|
|
|
下面我们用示例详细说明在不同数据模型中的 ROLLUP 表及其作用。
|
|
|
|
#### Aggregate 和 Uniq 模型中的 ROLLUP
|
|
|
|
因为 Uniq 只是 Aggregate 模型的一个特例，所以这里我们不加以区别。
|
|
|
|
1. 示例1：获得每个用户的总消费
|
|
|
|
接**Aggregate 模型**小节的**示例2**，Base 表结构如下：
|
|
|
|
|ColumnName|Type|AggregationType|Comment|
|
|
|---|---|---|---|
|
|
|user_id|LARGEINT||用户id|
|
|
|date|DATE||数据灌入日期|
|
|
|timestamp|DATETIME||数据灌入时间，精确到秒|
|
|
|city|VARCHAR(20)||用户所在城市|
|
|
|age|SMALLINT||用户年龄|
|
|
|sex|TINYINT||用户性别|
|
|
|last_visit_date|DATETIME|REPLACE|用户最后一次访问时间|
|
|
|cost|BIGINT|SUM|用户总消费|
|
|
|max\_dwell\_time|INT|MAX|用户最大停留时间|
|
|
|min\_dwell\_time|INT|MIN|用户最小停留时间|
|
|
|
|
存储的数据如下：
|
|
|
|
|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|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|
|
|
|
|
在此基础上，我们创建一个 ROLLUP：
|
|
|
|
|ColumnName|
|
|
|---|
|
|
|user_id|
|
|
|cost|
|
|
|
|
该 ROLLUP 只包含两列：user_id 和 cost。则创建完成后，该 ROLLUP 中存储的数据如下：
|
|
|
|
|user\_id|cost|
|
|
|---|---|
|
|
|10000|35|
|
|
|10001|2|
|
|
|10002|200|
|
|
|10003|30|
|
|
|10004|111|
|
|
|
|
可以看到，ROLLUP 中仅保留了每个 user_id，在 cost 列上的 SUM 的结果。那么当我们进行如下查询时:
|
|
|
|
`SELECT user_id, sum(cost) FROM table GROUP BY user_id;`
|
|
|
|
Doris 会自动命中这个 ROLLUP 表，从而只需扫描极少的数据量，即可完成这次聚合查询。
|
|
|
|
2. 示例2：获得不同城市，不同年龄段用户的总消费、最长和最短页面驻留时间
|
|
|
|
紧接示例1。我们在 Base 表基础之上，再创建一个 ROLLUP：
|
|
|
|
|ColumnName|Type|AggregationType|Comment|
|
|
|---|---|---|---|
|
|
|city|VARCHAR(20)||用户所在城市|
|
|
|age|SMALLINT||用户年龄|
|
|
|cost|BIGINT|SUM|用户总消费|
|
|
|max\_dwell\_time|INT|MAX|用户最大停留时间|
|
|
|min\_dwell\_time|INT|MIN|用户最小停留时间|
|
|
|
|
则创建完成后，该 ROLLUP 中存储的数据如下：
|
|
|
|
|city|age|cost|max\_dwell\_time|min\_dwell\_time|
|
|
|---|---|---|---|---|
|
|
|北京|20|0|30|10|2|
|
|
|北京|30|1|2|22|22|
|
|
|上海|20|1|200|5|5|
|
|
|广州|32|0|30|11|11|
|
|
|深圳|35|0|111|6|3|
|
|
|
|
当我们进行如下这些查询时:
|
|
|
|
* `SELECT city, age, sum(cost), max(max_dwell_time), min(min_dwell_time) FROM table GROUP BY city, age;`
|
|
* `SELECT city, sum(cost), max(max_dwell_time), min(min_dwell_time) FROM table GROUP BY city;`
|
|
* `SELECT city, age, sum(cost), min(min_dwell_time) FROM table GROUP BY city, age;`
|
|
|
|
Doris 会自动命中这个 ROLLUP 表。
|
|
|
|
#### Duplicate 模型中的 ROLLUP
|
|
|
|
因为 Duplicate 模型没有聚合的语意。所以该模型中的 ROLLUP，已经失去了“上卷”这一层含义。而仅仅是作为调整列顺序，以命中前缀索引的作用。我们将在接下来的小节中，详细介绍前缀索引，以及如何使用ROLLUP改变前缀索引，以获得更好的查询效率。
|
|
|
|
### 前缀索引与 ROLLUP
|
|
|
|
#### 前缀索引
|
|
|
|
不同于传统的数据库设计，Doris 不支持在任意列上创建索引。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。
|
|
|
|
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：
|
|
|
|
1. 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|
|
|
|
|
2. 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**。
|
|
|
|
#### 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。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。
|
|
|
|
### 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。具体参见接下来的 **聚合模型的局限性** 一节。
|
|
* 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。
|
|
|
|
在这篇文档中可以查看 [查询如何命中 Rollup](hit-the-rollup)
|
|
|
|
## 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|
|
|
|
|
我们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**。
|
|
|
|
我们以刚才的数据为例：
|
|
|
|
**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|
|
|
|
|
因为最终的聚合结果为：
|
|
|
|
|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：
|
|
|
|
|ColumnName|Type|AggreateType|Comment|
|
|
|---|---|---|---|
|
|
|user\_id|BIGINT||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|
|
|
|
|
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。
|
|
|
|
### Duplicate 模型
|
|
|
|
Duplicate 模型没有聚合模型的这个局限性。因为该模型不涉及聚合语意，在做 count(*) 查询时，任意选择一列查询，即可得到语意正确的结果。
|
|
|
|
## 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）。
|