Apache Doris——数据分布

在 Doris 中，数据都以表（Table）的形式进行逻辑上的描述。
名词解释

• 数据分布：数据分布是将数据划分为子集, 按一定规则, 均衡地分布在不同节点上，以期最大限度地利用集群的并发性能
  
• 短查询：short-scan query，指扫描数据量不大，单机就能完成扫描的查询
  
• 长查询：long-scan query，指扫描数据量大，多机并行扫描能显著提升性能的查询
  

数据分布概览

常见的四种数据分布方式有：(a) Round-Robin、(b) Range、(c) List和(d) Hash (DeWitt and Gray, 1992)。如下图所示:

其中：

• Round-Robin：以轮转的方式把数据逐个放置在相邻节点上。
  
• Range：按区间进行数据分布，图中区间[1-3]，[4-6]分别对应不同Range。
  
• List：直接基于离散的各个取值做数据分布，性别、省份等数据就满足这种离散的特性。每个离散值会映射到一个节点上，不同的多个取值可能也会映射到相同节点上。
  
• Hash：按哈希函数把数据映射到不同节点上。
  

为了更灵活地划分数据，现代分布式数据库除了单独采用上述四种数据分布方式之外，也会视情况采用组合数据分布。常见的组合方式有Hash-Hash、Range-Hash、Hash-List。
分区（Partition）与分桶(Bucket)

在 Doris 的存储引擎规则:

• 用户数据首先被划分成若干个分区（Partition），划分的规则通常是按照用户指定的分区列进行范围划分，比如按时间划分。
  
• 而在每个分区内，数据被进一步的按照Hash的方式分桶，分桶的规则是要找用户指定的分桶列的值进行Hash后分桶。每个分桶就是一个数据分片（Tablet），也是数据划分的最小逻辑单元。
  
• Partition 可以视为是逻辑上最小的管理单元。数据的导入与删除，都可以或仅能针对一个 Partition 进行。
  
• Tablet直接的数据是没有交集的，独立存储的。Tablet也是数据移动、复制等操作的最小物理存储单元。
  

DorisDB数据分布

DorisDB使用先分区后分桶的方式，可灵活地支持支持二种分布方式：

• Hash分布：不采用分区方式，整个table作为一个分区，指定分桶的数量。
  
• Range-Hash的组合数据分布：即指定分区数量，指定每个分区的分桶数量。
  
• 采用Hash分布的建表语句：
  
  
  
• 采用Range-Hash组合分布的建表语句
  
  
  

DorisDB中Range分布，被称之为分区，用于分布的列也被称之为分区列，上图中的event_day就是分区列。Hash分布，则被称之为分桶，用于分布的列也被称之为分桶列，如上图中分桶列都是site_id。
Range分区可动态添加和删减，上图中如果新来了隶属于新月份的数据，就可以添加新分区。Hash分桶一旦确定，分桶数也就随之固定，不能再进行调整。
分区列如何选择

分区的主要作用是将整个分区作为管理单位, 选择存储策略, 比如副本数, 冷热策略和存储介质等等。

• 大多数情况下，近期的数据被查询的可能性更大。将最近的数据放在一个分区之内，这样可以通过DorisDB的分区裁剪功能，最大限度地减少扫描数据量，从而提高查询性能。
  
• 同时，DorisDB支持在一个集群内使用多种存储介质(SATA/SSD)。用户可以将最新数据所在的分区放在SSD上，利用SSD的随机读写性能来提高查询性能。而老的数据可以放在SATA盘上，以节省数据存储的成本。
  
• 在实际应用中，用户一般选取时间列作为分区键，具体划分的粒度视数据量而定，单个分区原始数据量建议维持在100G以内。
  

分桶列如何选择

DorisDB采用Hash算法作为分桶算法：

• 同一分区内, 分桶键的哈希值相同的数据形成(Tablet)子表, 子表多副本冗余存储。
  
• 子表副本在物理上由一个单独的本地存储引擎管理, 数据导入和查询最终都下沉到所涉及的子表副本上, 同时子表也是数据均衡和恢复的基本单位。
  

上图中，site_access采用site_id作为分桶键, 这里选用site_id字段作为分桶键的原因在于，针对site_access表的查询请求，基本上都以站点作为查询过滤条件。采用site_id作为分桶键，可以在查询时裁剪掉大量无关分桶。
如下图中的查询，可以裁剪掉10个bucket中的9个，只需要扫描site_access表的1/10的数据。

但是存在这样一种情况，假设site_id分布十分不均匀，大量的访问数据是关于少数网站的（幂律分布, 二八规则）。如果用户依然采用上述分桶方式，数据分布会出现严重的数据倾斜, 导致系统局部的性能瓶颈。这个时候，用户需要适当调整分桶的字段，以将数据打散，避免性能问题。如下图5中，可以采用site_id、city_code组合作为分桶键，将数据划分得更加均匀。

上面两种模式的选取是建表过程中经常需要面对的问题，采用site_id的分桶方式对于短查询十分有利，能够减少节点之间的数据交换，提供集群整体性能；采用site_id、city_code组合做分桶键的模式对于长查询有利，能够利用分布式集群的整体并发性能，提高吞吐。用户在实际使用中，可以依据自身的业务特点进行相应模式的选择。
分桶数如何确定

在DorisDB系统中，分桶是实际物理文件组织的单元。数据在写入磁盘后，就会涉及磁盘文件的管理。一般而言，我们不建议分桶数据过大或过小，尽量适中会比较妥当。

• 根据经验而言，一般每个分桶的数据不建议超过10G，此处的10G指代的是原始数据。考虑到压缩比，压缩后磁盘上每个分桶数据文件大小在4~5G左右。这种模式在多数情况下足以满足业务需求。
  
• 建议用户根据集群规模的变化，建表时调整分桶的数量。集群规模变化，主要指节点数目的变化。假设现有100G原始数据，依照上述标准，可以建10个分桶。但是如果用户有20台机器，那么可以缩小每个分桶的数据量，加大分桶数。
  

最佳实践

对于DorisDB而言，分区和分桶的选择是非常关键的。在建表时选择好的分区分桶列，可以有效提高集群整体性能。当然，在使用过程中，也需考虑业务情况，根据业务情况进行调整。以下是针对特殊应用场景下，对分区和分桶选择的一些建议：

• 数据倾斜：业务方如果确定数据有很大程度的倾斜，那么建议采用多列组合的方式进行数据分桶，而不是只单独采用倾斜度大的列做分桶。
  
• 高并发：分区和分桶应该尽量覆盖查询语句所带的条件，这样可以有效减少扫描数据，提高并发。
  
• 高吞吐：尽量把数据打散，让集群以更高的并发扫描数据，完成相应计算。
  

动态分区管理

在很多实际应用场景中，数据的时效性很重要，需要为新达到数据创建新分区, 删除过期. DorisDB的动态分区机制可以实现分区rollover:  对分区实现进行生命周期管理(TTL)，自动增删分区，减少用户的使用心智负担。
创建支持动态分区的表

图中建表语句中通过指定PEROPERTIES来完成动态分区策略的配置。配置项可以描述如下：

• dynamic_partition.enable：是否开启动态分区特性，可指定为 TRUE 或 FALSE。如果不填写，默认为 TRUE。
  
• dynamic_partition.time_unit：动态分区调度的粒度，可指定为 DAY/WEEK/MONTH。
  
• dynamic_partition.start：动态分区的开始时间。以当天为基准，超过该时间范围的分区将会被删除。如果不填写，则默认为Integer.MIN_VALUE 即 -2147483648
  
  
  
  • 指定为 DAY 时，分区名后缀需为yyyyMMdd，例如20200325。上图 就是一个按天分区的例子，分区名的后缀满足yyyyMMdd
    
  • 指定为 WEEK 时，分区名后缀需为yyyy_ww，例如2020_13代表2020年第13周
    
  • 指定为 MONTH 时，动态创建的分区名后缀格式为 yyyyMM，例如 202003
    
  
  
• **dynamic_partition.end: 动态分区的结束时间。 以当天为基准，会提前创建N个单位的分区范围
  
• **dynamic_partition.prefix: 动态创建的分区名前缀
  
• **dynamic_partition.buckets: 动态创建的分区所对应的分桶数量
  

上图中创建了一张表，并同步开启动态分区特性。图中分区的区间为当前时间的前后3天，总共6天。假设当前时间为2020-03-25为例，在每次调度时，会删除分区上界小于 2020-03-22 的分区，同时在调度时会创建今后3天的分区。调度完成之后，新的分区会是下列列表

调度的时机依赖于FE的配置，FE的常驻线程会根据 dynamic_partition_enable 和 dynamic_partition_check_interval_seconds 两个参数来控制。每次调度时，读取动态分区表的属性，以此判断是否增加/删除分区。
语法：

• 1、查看表当前的分区：动态分区表运行过程中，会不断地自动增减分区，可以通过下列命令查看当前的分区情况
  

SHOW PARTITIONS FROM site_access;

• 2、修改表的分区属性：态分区的属性可以修改，例如需要起/停动态分区的功能，可以通过ALTER TABLE来完成。
  

ALTER TABLE site_access SET("dynamic_partition.enable"="false");注意：依照相同语句，也可以相应的修改其他属性。
批量创建和修改分区

该功能在1.16版本中添加

• 1、建表时批量创建日期分区：用户可以通过给出一个START值、一个END值以及一个定义分区增量值的EVERY子句批量产生分区。其中START值将被包括在内而END值将排除在外。
  
  
  
• 这样DorisDB便会自动创建如下等价的分区
  
  
  
• 当前分区键仅支持日期类型和整数类型，分区类型需要与EVERY里的表达式匹配。
  
• 当分区键为日期类型的时候需要指定INTERVAL关键字来表示日期间隔，目前日期仅支持day、week、month、year，分区的命名规则同动态分区一样。
  
• 2、建表时批量创建数字分区
  

当分区键为整数类型时直接使用数字进行分区，注意分区值需要使用引号引用，而EVERY则不用引号，如下

• 上面的语句将产生如下分区：
  
  
  
• 3、建表后批量创建分区
  与建表时批量创建分区类似，DorisDB也支持通过ALTER语句批量创建分区。通过指定ADD PARITIONS关键字，配合START和END以及EVERY的值来创建分区。
  
  
  

小结：

• 1、Table: 在 Doris 中，数据都以表（Table）的形式进行逻辑上的描述
  
• 2、DorisDB的数据分布：使用先分区后分桶
  
  
  
  • 分区：主要作用是将整个分区作为管理单位, 选择存储策略, 比如副本数, 冷热策略和存储介质。仅支持日期类型和整数类型。可动态调整
    
  • 分桶：分桶是实际物理文件组织的单元。主要作用让数据均匀分布，防止出现数据热点。 不可动态调整。同一分区内, 分桶键的哈希值相同的数据形成(Tablet)子表。
    
  
  
• 3、Table (逻辑描述) -- > Partition（分区：管理单元） -->  Bucket(分桶：存储，每个分桶就是一个数据分片：Tablet，数据划分的最小逻辑单元。岂称为子表) ，如下图：
  

• 4、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
    
  
  
• 5、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，建表时请指定明确的hash分桶列。
    
  
  

参考：
https://www.cnblogs.com/tgzhu/p/14751013.html
http://t.zoukankan.com/tgzhu-p-14751013.html