什么是 Apache Doris ？
Apache Doris 是一个开源实时数据仓库。它可以从各种数据源收集数据，包括关系数据库（MySQL、PostgreSQL、SQL Server、Oracle等）、日志和来自物联网设备的时间序列数据。能够进行报告、即席分析、联合查询和日志分析，因此可用于支持仪表板、自助式 BI、A/B 测试、用户行为分析等。
Apache Doris 同时支持批量导入和流式写入。可以与 Apache Spark、Apache Hive、Apache Flink、Airbyte、DBT 和 Fivetran 很好地集成。还可以连接到 Apache Hive、Apache Hudi、Apache Iceberg、Delta Lake 和 Apache Paimon 等数据湖。
表现
作为实时 OLAP引擎，Apache Doris 在查询速度上具有竞争优势。根据TPC-H和SSB-Flat基准测试结果，Doris可以提供比Presto、Greenplum和ClickHouse更快的性能。
至于其自我进化，过去两年无论是复杂查询还是平表分析，速度都提高了10倍以上。
架构设计
Apache Doris 如此快的速度背后是有助于其性能的架构设计、特性和机制。
首先，Apache Doris 有一个基于成本的优化器（CBO），可以为复杂的大查询找出最有效的执行计划。具有完全矢量化的执行引擎，可以减少虚拟函数调用和缓存未命中的问题。基于MPP（大规模并行处理），可以充分发挥用户的机器和内核。在 Doris 中，查询执行是数据驱动的，意味着查询是否被执行取决于其相关数据是否准备好，这可以更有效地利用 CPU。
面向列的数据库的快速点查询
Apache Doris 是一个面向列的数据库，因此它可以使数据压缩和数据分片变得更容易更快。但这可能不适合诸如面向客户的服务之类的情况。在这些情况下，数据平台必须同时处理大量用户的请求（这些请求称为“高并发点查询”），而拥有列式存储引擎将放大每秒的 I/O 操作，尤其是当数据排列在平面表中时。
为了解决这个问题，Apache Doris 启用了混合存储，这意味着同时拥有行存储和列存储。
另外，由于点查询都是简单查询，因此调用查询规划器是不必要和浪费的，因此 Doris 为它们执行短路计划以减少开销。
高并发点查询开销的另一个大来源是SQL解析。为此，Doris 准备了声明。预先计算 SQL 语句并缓存它们，以便可以复用于类似的查询。
数据摄取
Apache Doris 提供了一系列数据摄取方法。
实时流写入：
- Stream Load：可以应用此方法通过 HTTP 写入本地文件或数据流。具有线性可扩展性，在某些用例中可以达到每秒 1000 万条记录的吞吐量。
- Flink-Doris-Connector：通过内置的 Flink CDC，该连接器将 OLTP 数据库中的数据提取到 Doris。至此，我们已经实现了MySQL、Oracle的数据自动同步到Doris。
- 例程加载：这是从 Kafka 消息队列订阅数据。
- Insert Into：当您尝试在 Doris 内部进行 ETL 时（例如将数据从一个 Doris 表写入另一个 Doris 表）尤其有用。
批量写入：
- Spark Load：通过这种方法，您可以在写入 Doris 之前利用 Spark 资源对来自 HDFS 和对象存储的数据进行预处理。
- Broker Load：支持 HDFS 和 S3 协议。
- insert into <internal table> select from <external table>：这个简单的语句允许您将 Doris 连接到各种存储系统、数据湖和数据库。
数据更新
对于数据更新，Apache Doris 需要提供的是，它同时支持 Merge on Read 和 Merge on Write，前者用于低频批量更新，后者用于实时写入。使用Merge on Write，当您执行查询时，最新的数据就已经准备好了，因此与Merge on Read相比，它可以将查询速度提高5到10倍。 从实现的角度来看，以下是一些常见的数据更新操作，Doris 都支持：
- Upsert：替换或更新整行
- 部分列更新：仅更新一行中的几列
- 条件更新：通过组合几个条件过滤掉一些数据，以便替换或删除它
- Insert Overwrite：重写表或分区
在某些情况下，数据更新是并发发生的，这意味着有大量新数据进入并试图修改现有数据记录，因此更新顺序非常重要。这就是为什么 Doris 允许您通过事务提交的顺序或序列列（您提前在表中指定的内容）来决定顺序。Doris 还支持根据指定谓词删除数据，这就是条件更新的方式。
服务可用性和数据可靠性
除了查询和数据摄取方面的快速性能之外，Apache Doris 还提供服务可用性保证，具体如下： 从架构上来说，Doris 有两个进程：前端和后端。它们都很容易扩展。前端节点管理集群、元数据并处理用户请求；后端节点执行查询并能够自动数据平衡和自动恢复。支持集群升级和扩展，避免服务中断。
跨集群复制
企业用户，尤其是金融或电子商务领域的用户，需要备份其集群或整个数据中心，以防出现不可抗力。所以Doris 2.0 提供了跨集群复制（CCR）。通过 CCR，用户可以做很多事情：
- 灾难恢复：用于快速恢复数据服务
- 读写分离：主集群 从集群；一本用于阅读，一本用于写作
- 集群隔离升级：对于集群扩展，CCR允许用户预先创建备份集群进行试运行，以便清除可能的不兼容问题和错误。
测试表明 Doris CCR 可以达到几分钟的数据延迟。最好的情况下可以达到硬件环境的速度上限。
多租户管理
Apache Doris 具有复杂的基于角色的访问控制，它允许在数据库、表、行和列级别进行细粒度的权限控制。
对于资源隔离，Doris 曾经实施了一个硬隔离方案，将后端节点划分为资源组，并将资源组分配给不同的工作负载。这个硬隔离计划简单又整洁。但有时用户需要更充分地利用其计算资源，因为某些资源组处于空闲状态。
因此，Doris 2.0 引入了工作负载组，而不是资源组。为工作负载组设置了关于其可以使用的资源数量的软限制。当达到该软限制时，同时有一些空闲资源可用。空闲资源将在工作负载组之间共享。用户还可以根据对空闲资源的访问来确定工作负载组的优先级。
便于使用
Apache Doris 提供了许多功能，而且也易于使用。它支持标准SQL，并兼容MySQL协议和市场上大多数BI工具。 我们为提高可用性所做的另一项努力是称为“轻架构更改”的功能。这意味着如果用户需要添加或删除表中的某些列，他们只需要更新前端的元数据，而不必修改所有数据文件。光模式更改可以在几毫秒内完成。它还允许更改索引和列的数据类型。Light Schema Change 与 Flink-Doris-Connector 的结合意味着上游表的毫秒级同步。
半结构化数据分析
半结构化数据的常见示例包括日志、可观测性数据和时间序列数据。这些案例需要无模式支持、较低的成本以及多维分析和全文搜索的能力。
在文本分析中，人们大多使用 LIKE 算子，因此我们花了很多精力来提高它的性能，包括将 LIKE 算子下推到存储层（以减少数据扫描），并引入 NGram Bloomfilter， Hyperscan 正则表达式匹配库和 Volnitsky 算法（用于子字符串匹配）。
我们还引入了用于文本标记化的倒排索引。它是模糊关键字搜索、全文搜索、等价查询和范围查询的强大工具。
据仓一体
为了让用户构建高性能的数据湖和统一的查询网关，Doris 可以映射、缓存和自动刷新来自外部源的元数据。它支持 Hive Metastore 和几乎所有开放数据 Lakehouse 格式。您可以将其连接到关系数据库、Elasticsearch 和许多其他来源。它允许您在外部表上重用自己的身份验证系统，例如 Kerberos 和 Apache Ranger。
基准测试结果显示，Apache Doris 在 Hive 表的查询中比 Trino 快 3~5 倍。它是以下几个特征的共同结果：
- 高效的查询引擎
- 热数据缓存机制
- 计算节点
- Doris 视图
计算节点是 2.0 版本中新引入的数据湖解决方案。与普通后端节点不同，计算节点是无状态的，不存储任何数据。它们也不参与集群扩展期间的数据平衡。这样，他们就可以在计算高峰期灵活、轻松地加入集群。
另外，Doris还允许将外部表的计算结果写入Doris中形成视图。这与物化视图的思路类似：用空间换取速度。对外部表执行查询后，可以将结果放入Doris内部。当后续有类似的查询时，系统可以直接从 Doris 读取先前查询的结果，从而加快速度。
分层存储
分层存储的主要目的是省钱。分层存储是指将热数据和冷数据分离到不同的存储中，热数据是经常访问的数据，冷数据是不经常访问的数据。它允许用户将热数据放入快速但昂贵的磁盘（例如SSD和HDD）中，将冷数据放入对象存储中。
粗略来说，对于80%冷数据组成的数据资产，分层存储可以降低您70%的存储成本。
Apache Doris 社区
这是对开源实时数据仓库 Apache Doris 的概述。它正在按照敏捷的发布计划积极发展，社区欢迎任何问题、想法和反馈。
网站：https: //doris.apache.org/
GitHub：https: //github.com/apache/doris/ 原文作者：Apache Doris
