[TOC] ### 8.9.1 建表: #### 8.9.1.1 数据模型选择 DorisDB数据模型目前分为三类: AGGREGATE KEY, UNIQUE KEY, DUPLICATE KEY。三种模型中数据都是按KEY进行排序。 * AGGREGATE KEY: AGGREGATE KEY相同时,新旧记录进行聚合,目前支持的聚合函数有SUM, MIN, MAX, REPLACE。 AGGREGATE KEY模型可以提前聚合数据, 适合报表和多维分析业务。 ~~~ CREATE TABLE site_visit ( siteid INT, city SMALLINT, username VARCHAR(32), pv BIGINT SUM DEFAULT '0' ) AGGREGATE KEY(siteid, city, username) DISTRIBUTED BY HASH(siteid) BUCKETS 10; • ~~~ UNIQUE KEY: UNIQUE KEY相同时,新记录覆盖旧记录。目前UNIQUE KEY实现上和AGGREGATE KEY的REPLACE聚合方法一样,二者本质上可以认为相同。适用于有更新的分析业务。 ~~~ CREATE TABLE sales_order ( orderid BIGINT, status TINYINT, username VARCHAR(32), amount BIGINT DEFAULT '0' ) UNIQUE KEY(orderid) DISTRIBUTED BY HASH(orderid) BUCKETS 10; • ~~~ DUPLICATE KEY: 只指定排序列,相同DUPLICATE KEY的记录会同时存在。适用于数据无需提前聚合的分析业务。 ~~~ CREATE TABLE session_data ( visitorid SMALLINT, sessionid BIGINT, visittime DATETIME, city CHAR(20), province CHAR(20), ip varchar(32), brower CHAR(20), url VARCHAR(1024) ) DUPLICATE KEY(visitorid, sessionid) DISTRIBUTED BY HASH(sessionid, visitorid) BUCKETS 10; ~~~ #### 8.9.1.2 内存表 DorisDB支持把表数据全部缓存在内存中,用于加速查询,内存表适合数据行数不多维度表的存储。 ~~~ CREATE TABLE memory_table ( visitorid SMALLINT, sessionid BIGINT, visittime DATETIME, city CHAR(20), province CHAR(20), ip varchar(32), brower CHAR(20), url VARCHAR(1024) ) DUPLICATE KEY(visitorid, sessionid) DISTRIBUTED BY HASH(sessionid, visitorid) BUCKETS 10 PROPERTIES ( "in_memory"="true" ); ~~~ #### 8.9.1.3 Colocate Table 为了加速查询,分布相同的相关表可以采用共同的分桶列。当分桶列相同时,相关表进行JOIN操作时,可以避免数据在集群中的传输,直接在本地进行JOIN。 ~~~ CREATE TABLE colocate_table ( visitorid SMALLINT, sessionid BIGINT, visittime DATETIME, city CHAR(20), province CHAR(20), ip varchar(32), brower CHAR(20), url VARCHAR(1024) ) DUPLICATE KEY(visitorid, sessionid) DISTRIBUTED BY HASH(sessionid, visitorid) BUCKETS 10 PROPERTIES( "colocate_with" = "group1" ); ~~~ 更多关于colocated join的使用和副本管理机制参考[Colocation join](6.4ColocationJoin.md) #### 8.9.1.4 大宽表与star schema 业务方建表时, 为了和前端业务适配, 往往不对维度信息和指标信息加以区分, 而将schema定义成大宽表。对于DorisDB而言, 这类大宽表往往性能不尽如人意: * schema中字段数比较多, 聚合模型中可能key列比较多, 导入过程中需要排序的列会增加。 * 维度信息更新会反应到整张表中,而更新的频率直接影响查询的效率。 使用过程中,建议用户尽量使用star schema区分维度表和指标表。频繁更新的维度表可以放在mysql中, 而如果只有少量更新, 可以直接放在DorisDB中。在DorisDB中存储维度表时,可对维度表设置更多的副本,提升join的的性能。 #### 8.9.1.5 分区(parition)和分桶(bucket) DorisDB支持两级分区存储, 第一层为RANGE分区(partition), 第二层为HASH分桶(bucket)。 * RANGE分区(partition) : RANGE分区用于将数据划分成不同区间, 逻辑上可以理解为将原始表划分成了多个子表。 业务上,多数用户会选择采用按时间进行partition, 让时间进行partition有以下好处: * 可区分冷热数据 * 可用上DorisDB分级存储(SSD + SATA)的功能 * 按分区删除数据时,更加迅速 * HASH分桶(bucket) : 根据hash值将数据划分成不同的bucket。 * 建议采用区分度大的列做分桶, 避免出现数据倾斜 * 为方便数据恢复, 建议单个bucket的size不要太大, 保持在10GB左右, 所以建表或增加partition时请合理考虑buckets数目, 其中不同partition可指定不同的buckets数。 * random分桶的方式不建议采用,建表时烦请指定明确的hash分桶列。 #### 8.9.1.6 稀疏索引和bloomfilter DorisDB对数据进行有序存储, 在数据有序的基础上为其建立稀疏索引,索引粒度为block(1024行)。 * 稀疏索引选取schema中固定长度的前缀作为索引内容, 目前DorisDB选取36个字节的前缀作为索引。 * 建表时建议将查询中常见的过滤字段放在schema的前面, 区分度越大,频次越高的查询字段越往前放。 * 这其中有一个特殊的地方,就是varchar类型的字段,varchar类型字段只能作为稀疏索引的最后一个字段,索引会在varchar处截断, 因此varchar如果出现在前面,可能索引的长度不足36个字节。 * 对于上述site\_visit表 `site_visit(siteid, city, username, pv)` * 排序列有siteid, city, username三列, siteid所占字节数为4, city所占字节数为2,username占据32个字节, 所以前缀索引的内容为siteid + city + username的前30个字节 * 除稀疏索引之外, DorisDB还提供bloomfilter索引, bloomfilter索引对区分度比较大的列过滤效果明显。 如果考虑到varchar不能放在稀疏索引中, 可以建立bloomfilter索引。 #### 8.9.1.7 倒排索引 DorisDB支持倒排索引,采用位图技术构建索引(Bitmap Index)。索引能够应用在 Duplicate 数据模型的所有列和 Aggregate, Uniqkey 模型的Key列上,位图索引适合取值空间不大的列,例如性别、城市、省份等信息列上。随着取值空间的增加,位图索引会同步膨胀。 #### 8.9.1.8 物化视图(rollup) Rollup本质上可以理解为原始表(base table)的一个物化索引。建立rollup时可只选取base table中的部分列作为schema,schema中的字段顺序也可与base table不同。 下列情形可以考虑建立rollup: * base table中数据聚合度不高,这一般是因base table有区分度比较大的字段而导致。此时可以考虑选取部分列,建立rollup。 对于上述site\_visit表 `site_visit(siteid, city, username, pv)` * siteid可能导致数据聚合度不高,如果业务方经常根据城市统计pv需求,可以建立一个只有city, pv的rollup。 `ALTER TABLE site_visit ADD ROLLUP rollup_city(city, pv);` * base table中的前缀索引无法命中,这一般是base table的建表方式无法覆盖所有的查询模式。此时可以考虑调整列顺序,建立rollup。对于上述session\_data表 `session_data(visitorid, sessionid, visittime, city, province, ip, brower, url)` * 如果除了通过 visitorid 分析访问情况外,还有通过brower, province分析的情形,可以单独建立rollup。 `ALTER TABLE session_data ADD ROLLUP rollup_brower(brower,province,ip,url) DUPLICATE KEY(brower,province);` ### 8.9.2 导入 DorisDB目前提供broker loads和stream load两种导入方式, 通过指定导入label标识一批次的导入。DorisDB对单批次的导入会保证原子生效, 即使单次导入多张表也同样保证其原子性。 * stream load : 通过http推的方式进行导入,微批导入。1MB数据导入延迟维持在秒级别,适合高频导入。 * broker load : 通过拉的方式导入, 适合天级别的批量数据的导入。 ### 8.9.3 schema change DorisDB中目前进行schema change的方式有三种,sorted schema change,direct schema change, linked schema change。 * sorted schema change: 改变了列的排序方式,需对数据进行重新排序。例如删除排序列中的一列, 字段重排序。 `ALTER TABLE site_visit DROP COLUMN city;` * direct schema change: 无需重新排序,但是需要对数据做一次转换。例如修改列的类型,在稀疏索引中加一列等。 `ALTER TABLE site_visit MODIFY COLUMN username varchar(64);` * linked schema change: 无需转换数据,直接完成。例如加列操作。 `ALTER TABLE site_visit ADD COLUMN click bigint SUM default '0';` 建表时建议考虑好schema,这样在进行schema change时可以加快速度。