Doris实战——结合Flink构建极速易用的实时数仓

目录

原文大佬的这篇Doris+Flink构建实时数仓的实战文章整体写的很深入，这里直接摘抄下来用作学习和知识沉淀。

本篇文章介绍如何基于Doris和Flink快速构建一个极速易用的实时数仓，包括数据同步、数据集成、数仓分层、数据更新、性能提升等方面的具体应用方案。

一、实时数仓的需求与挑战

** **先介绍一下传统的数据架构如何设计的、又存在哪些痛点问题。下图为传统的数据架构，如果从数据流的角度分析传统的数据处理架构，会发现从源端采集到的业务数据和日志数据，主要分为实时和离线两条链路：

• 在实时数据部分，通过Binlog方式，将业务数据库中的数据变更（CDC，Change Data Capture）采集到实时数仓。同时，通过Flume -Kafka-Sink对日志数据进行实时采集，当不同来源的数据都采集到实时存储系统后，便可以基于实时存储系统来构建实时数仓。在实时数仓的内部，仍然会遵守传统数仓分层理论，将数据分为 ODS 层、DWD 层、DWS 层、 ADS 层以实现最大程度的模型复用。

• 在离线数据部分，通过DataX定时同步的方式，批量同步业务库RDS中的数据。当不同来源的数据进入到离线数仓后，便可以在离线数仓内部，依赖Spark SQL 或Hive SQL 对数据进⾏定时处理，分离出不同层级（ODS 、DWD 、ADS 等）的数据，并将这些数据存在⼀个存储介质上，⼀般会采用如 HDFS 的分布式文件系统或者 S3 对象存储上。通过这样的⽅式，离线数仓便构建起来了。与此同时，为了保障数据的一致性，通常需要开启数据清洗任务，使用离线数据对实时数据进行清洗和定期覆盖，保障数据最终的一致性。

  从技术架构的角度对传统数据技术栈进行分析，会发现为了迎合不同场景的需求，往往会采用多种技术栈，例如对于 OLAP 场景的多维分析，一般使⽤ Doris 或 Kylin、 Druid。除此之外，为应对半结构化数据的分析需求，例如日志分析与检索场景，通常会使⽤ ES 进行分析；面对高并发点查询的 Data Serving 场景会使⽤ HBase等。其中涉及到的数据组件有数十种，高昂的使用成本和组件间兼容、维护及扩展带来的繁重压力成为企业必须要面临的问题。

从上述介绍即可知道，传统的数据架构存在几个核心的痛点问题：

• 传统数据架构组件繁多，维护复杂，运维难度非常高。
• 计算、存储和研发成本都较高，与行业降本提效的趋势背道而驰。
• 同时维护两套数据仓库（实时数仓和离线数仓）和两套计算（实时数据量和实时计算任务），数据时效性和一致性无法保证。

在此背景下，需要构建⼀个“极速、易用、统一、实时”的数据架构来解决这些痛点：

• 极速：更快的查询速度，最大化提升业务分析人员的效率；
• 易用：对于用户侧的使用和运维侧的管控，都提供了极简的使用体验；
• 统一：异构数据与分析场景的统一，半结构化和结构化数据可以统一存储，多分析场景可以统一技术栈
• 实时：端到端的高时效性保证，发挥实时数据的价值

二、****构建极速易用的实时数仓架构

采取Doris和Flink 来构建极速易用的实时数仓，具体架构如下图所示。多种数据源的数据经过flink cdc 集成或flink job加工件处理后，入库到Doris或者Hive等湖仓中，最终基于Doris提供统一的查询服务。

在数据同步上，通过Flink CDC将RDS的数据实时同步到Doris。通过Routine Load将kafka等消息系统的数据实时同步到Doris，在数仓分层上，ODS层通常选择明细模型构建，DWD层可以通过SQL调度任务，对ODS数据抽取并获取，DWS和ADS层则可以通过物化视图和Rollup进行构建。在数据湖上， Doris ⽀持为 Hive、Iceberg 、Hudi 以及Delta Lake（todo）提供联邦分析和湖仓加速的能⼒。在数据应用上，Apache Doris 既可以承载批量数据加工处理的需求，也可以承载高吞吐的 Ad-hoc(数据探索) 和高并发点查询等多种应⽤场景。

三、解决方案

3.1 如何实现数据的增量与全量同步

3.1.1 增量及全量数据同步

在全量数据和增量的同步上，采取了Flink CDC来实现。其原理非常简答，Flink CDC实现了基于Snapshot的全量数据同步，基于 BinLog的实时增量数据同步。全量数据同步和增量数据同步可以自动切换，因此在数据迁移过程中，只需要配置好同步的表即可。当Flink任务启动时，优先进行历史表的数据同步，同步完成后自动切换成实时同步。

3.1.2 数据一致性保证

如何保证数据一致性是大家重点关注的问题之一，那么在新架构是如何实现的呢？

数据⼀致性⼀般分为“最多⼀次” 、“⾄少⼀次”和“精确⼀次”三种模型。

• 最多⼀次（At-Most-Once）：发送⽅仅发送消息，不期待任何回复。在这种模型中，数据的⽣产和消费过程中可能出现数据丢失的问题。
• ⾄少⼀次（At-Least-Once）：发送⽅不断重试，直到对⽅收到为⽌。在这个模型中，⽣产和消费过程都可能出现数据重复。
• 精确⼀次（Exactly-Once）：能够保证消息只被严格发送⼀次，并且只被严格处理⼀次。这种数据模型能够严格保证数据⽣产和消费过程中的准确⼀致性。

Flink CDC通过Flink Checkpoint 机制结合Doris两阶段提交可以实现端到端的Exactly Once语义，具体过程分为四步：

• 事务开启（Flink Job启动及Doris事务开启）：当Flink任务启动后，Doris Sink 会发起 Precommit 请求，随后开启写⼊事务。
• 数据传输（Flink Job的运行和数据传输）：在Flink Job运行过程中，Doris Sink不断从上游算子获取数据，并通过 HTTP Chunked 的⽅式持续将数据传输到 Doris。
• 事务预提交：当Flink开始进行Checkpoint时，Flink会发起Checkpoint请求，此时Flink各个算子会进行Barrier对齐和快照保存，Doris Sink发出停止 Stream Load 写⼊的请求，并发起一个事务提交请求到Doris。这步完成后，这批数据已经完全写入Doris BE中，但是BE没有进行数据发布前对用户是不可见的。
• 事务提交：当Flink的Checkpoint完成之后，将通知各个算子，Doris发起一次事务提交到Doris BE，BE对此次写入的数据进行发布，最终完成数据流的写入。

 综上可知，利用 **Flink CDC结合Doris 两阶段事务提交保证了数据写入一致性**。需要注意的是，在该过程中可能遇到一个问题：如果事务预提交成功、但 Flink Checkpoint 失败了该怎么办？针对该问题，**Doris 内部支持对写⼊数据进⾏回滚(Rollback)，从⽽保证数据最终的⼀致性**。

3.1.3 DDL 和 DML 同步

随着业务的发展，部分用户可能存在RDS Schema的变更需求。当RDS表结构发生变更时，用户期望Flink CDC不但能够将数据变化同步到Doris，也希望将 RDS 表结构的变更同步到 Doris，⽤户则无需担⼼ RDS 表结构和 Doris 表结构不⼀致的问题。

• Light Schema Change

  Apache Doris 1.2.0 已经实现了  Light Schema Change 功能，可满⾜ DDL 同步需求，快速⽀持** Schema 的变更**。
  

Light Schema Change的实现原理相对简单，对数据表的加减列操作，不再需要同步更改数据文件，仅需要再FE中更新元数据即可，从而实现毫秒级的Schema Change 操作。由于 Light Schema Change 只修改了 FE的元数据，并没有同步给 BE。因此会产⽣ BE 和 FE Schema 不⼀致的问题。为了解决这种问题，我们对 BE 的写出流程进⾏了修改，具体包含三个⽅⾯。

（1）数据写入：FE会将 Schema 持久化到元数据中，当 FE 发起导⼊任务时，会把最新的 Schema 一起发给 Doris BE，BE 根据最新的Schema对数据进⾏写⼊，并与 RowSet 进⾏绑定。将该 Schema 持久化到 RowSet 的元数据中，实现了数据的各⾃解析，解决了写⼊过程中 Schema 不⼀致的问题。

（2）数据读取：FE ⽣成查询计划时，会把最新的 Schema 附在其中⼀起发送给 BE，BE 拿到最新的 Schema 后对数据进⾏读取，解决读取过程中 Schema 发⽣不⼀致的问题。

（3）数据 Compaction：当数据进⾏ Compaction 时，我们选取需要进⾏ Compaction 的 RowSet中最新的Schema作为之后RowSet 对应的 Schema，以此解决不同 Schema 上 RowSet 的合并问题

经过对 Light Schema Change 写出流程的优化后， 单个 Schema Chang 从 310 毫秒降低到了 7 毫秒，整体性能有近百倍的提升，彻底的解决了海量数据的 Schema Change 变化难的问题。

• Flink CDC DML 和DDL同步

  有了 上述Light Schema Change 的保证，Flink CDC 能够同时⽀持DML 和DDL 的数据同步。那么是如何实现的呢？

（1）开启 DDL 变更配置：在 Flink CDC 的 MySQL Source 侧开启同步 MySQL DDL 的变更配置，在 Doris 侧识别 DDL 的数据变更，并对其进⾏解析。

（2）识别及校验：当 Doris Sink 发现 DDL 语句后，Doris Sink 会对表结构进⾏验证，验证其是否⽀持 Light Schema Change。

（3）发起 Schema Change ：当表结构验证通过后，Doris Sink 发起 Schema Change 请求到 Doris，从⽽完成此次 Schema Change 的变化。

 解决了数据同步过程中**源数据⼀致性的保证、全量数据和增量数据的同步以及 DDL 数据的变更**后，一个完整的数据同步⽅案就基本形成了。 

3.2 如何基于Flink实现多种数据集成

除了上文中所提及的基于 Flink CDC 进行数据增量/全量同步外，我们还可以基于 Flink Job 和 Doris 来构建多种不同的数据集成方式：

• 将Mysql中两个表的数据同步到Flink后，在Flink内部进行多流Join完成数据打宽，后将大宽表同步到Doris中。
• 对上游的Kafka数据进行清洗，在Flinkjob完成清洗后，通过Doris-Sink写入到Doris中。
• 对Mysql数据和Kafka数据在Flink内部进行多流Join，将Join后的宽表结果写入Doris中。
• 在Doris侧预先创建宽表，将上游RDS中的数据根据Key写入，使用Doris的部分列更新将多列数据写入到Doris的大宽表中。

3.3 如何选择数据模型

Doris针对不同场景，提供了不同的数据模型，分别为明细模型、聚合模型、主键模型。

3.3.1 DUPLICATE 明细模型

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。明细模型主要用于需要保留原始数据的场景，如日志分析，用户行为分析等场景。**明细模型适合任意维度的 Ad-hoc 查询（即席查询）**。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）。

3.3.2 AGGREGATE 聚合模型

在企业实际业务中有很多需要对数据进行**统计和汇总**操作的场景，如需要分析网站和 APP 访问流量、统计用户的访问总时长、访问总次数，或者像厂商需要为广告主提供广告点击的总流量、展示总量、消费统计等指标。在这些不需要召回明细数据的场景，通常可以使用聚合模型，比如上图中需要根据门店 ID 和时间对每个门店的销售额实时进行统计。

3.3.3 UNIQUE KEY 主键模型

在某些场景下用户**对数据更新和数据全局唯一性有去重**的需求，通常使用UNIQUE KEY 模型。在 UNIQUE 模型中，会根据表中的主键进⾏Upsert 操作：对于已有的主键做 Update 操作，更新 value 列，没有的主键做 Insert 操作，比如图中我们以订单id为唯一主键，对订单上的其他数据（时间和状态）进行更新。

3.4 如何构建数仓分层

由于数据量级普遍较大，如果直接查询数仓中的原始数据，需要访问的表数量和底层文件的数量都较多，不同层级对数据或指标做不同粒度的抽象，通过复用数据模型来简化数据管理压力，利用血缘关系来定位数据链路的异常，同时进一步提升数据分析的效率，在Doris 中可以通过以下多种思路来构建数据仓库分层：

3.4.1 微批调度

通过INSERT INTO SELECT 可以将原始表的数据进行处理和过滤并写入到目标表中，这种SQL抽取数据的行为 一把是以微批形式进行（例如15分钟一次的ETL计算任务），通常发生在从ODS到dwd层数据的抽取过程中，因此需要借助外部的调度工具例如Dolphinscheduler等来对ETL SQL进行调度。

3.4.2 物化视图与Rollup

物化视图本质是一个预先计算的过程，可以在Base表上，创建不同的物化视图或Rollup来对Base表进行聚合计算。通常在明细层到汇总层（例如dwd层到dws层或 dws层到ads层）的汇聚过程中，可以使用物化视图，以此实现指标的高度聚合。同时物化视图的计算是实时进行的，因此站在计算的角度，也可以将物化视图理解为一个单表上的实时计算过程。

3.4.3 多表物化视图

Doris 2.0将实现多表物化视图这一功能，可以将带有 Join 的查询结果固化以供用户直接查询，支持定时自动或手动触发的方式进行全量更新查询结果。基于多表物化视图这一功能的实现，可以做更复杂的数据流处理，比如数据源侧有 TableA、TableB、TableC，在多表物化视图的情况下，用户就可以将 TableA 和 TableB 的数据进行实时Join 计算后物化到 MV1 中。在这个角度上来看，多表物化视图更像一个多流数据实时 Join 的过程。

3.5 如何应对数据更新

在实时数仓构建的过程中，还需面临**高并发写入和实时更新**的挑战，如何在亿级数据中快速找到需要更新的数据，并对其进行更新，⼀直都是大数据领域不断追寻的答案。

3.5.1 高并发数据更新

在Doris中通过Unique Key 模型来满足数据更新的需求，同时通过MVCC多版本并发机制来实现数据的读写隔离。当新数据写入时，如果不存在相同key的数据则会直接写入，如果有相同key的数据则增加版本，此时数据将多个版本的形式存在。后台会启动异步的Compaction进程对历史版本的数据进行清理，当用户在查询时，Doris会将最新版本对应的数据返回给用户，这种设计解决了海量数据的更新问题。

** 在Doris中提供了Merge-on-Read和Merge-on-Write两种数据更新模式。**

在此我们以订单数据的写入为例介绍 Merge-on-Read 的数据写入与查询流程，三条订单数据均以 Append 的形式写⼊ Doris 表中：

• 数据 Insert：首先写入 ID 为 1,2,3 的三条数据；

• 数据 Update：当我们将订单 1 的 Cost 更新为 30 时，其实是写⼊⼀条 ID 为 1，Cost 为 30 的新版本数据，数据通过 Append的形式写⼊ Doris；

• 数据 Delete：当我们对订单 2 的数据进行删除时，仍然通过 Append ⽅式，将数据多版本写⼊ Doris ，并将 _DORIS_DELETE_SIGN 字段变为 1 ，则表示这条数据被删除了。当 Doris 读取数据时，发现最新版本的数据被标记删除，就会将该数据从查询结果中进⾏过滤。

  Merge-on-Read的特点是写入速度比较快，但是在数据读取过程中由于需要进行多路归并排序，存在着大量非必要的CPU计算资源消耗和IO开销。

  在1.2.0 版本中，Doris在原有的Unique Key数据模型上增加了 Merge-on-Write的数据更新模式。Merge-on-Write兼顾了写入和查询性能，在写入过程中引入了Delete Bitmap数据结构，使用Delete Bitmap标记Rowset中某一行是否被删除，为了保持Unique Key原有的语义，Delete Bitmap也支持多版本。另外使用了兼顾性能和存储空间的 Row Bitmap，将Bitmap中的MemTable一起存储在BE中，每个Segment会对应⼀个 Bitmap。

写入流程：

• DeltaWriter先将数据Flush到磁盘

• 批量检查所有 Key，在点查过程中经过区间树，查找到对应的 RowSet。

• 在 RowSet 内部通过 BloomFilter 和 index进行高效查询。

  当查询到 Key 对应的 RowSet 后，便会覆盖 RowSet Key 对应的 Bitmap，接着在 Publish 阶段更新 Bitmap，从而保证批量点查 Key 和更新 Bitmap 期间不会有新的可见 RowSet，以保证 Bitmap 在更新过程中数据的正确性。除此之外，如果某个 Segment 没有被修改，则不会有对应版本的 Bitmap 记录。

** 查询流程：**

• 当查询某⼀版本数据时， Doris 会从 LRU Cache Delete Bitmap 中查找该版本对应的缓存。

• 如果缓存不存在，再去 RowSet 中读取对应的 Bitmap。

• 使⽤ Delete Bitmap 对 RowSet 中的数据进行过滤，将结果返回。

  Merge-on-Write该模式不需要在读取的时候通过归并排序来对主键进行去重，这对于高频写入的场景而言，大大减少了查询执行时的额外消耗。此外还能够支持谓词下推，并能够很好利用Doris丰富的索引，在数据IO层面就能够进行充分的数据裁剪，大大减少数据的读取量和计算量，因此在很多场景的查询中都有非常明显的性能提升。在真实场景的测试中，通过 Merge-on-Write可以在保证数万QPS的高频Upsert 操作的同时，可以实现性能 3-10 倍的提升。

3.5.2 部分列更新

部分列更新是一个比较普遍的需求，例如广告业务中需要在不同的时间点对同一个广告行为（展示、点击、转换等）数据的更新。可以通过 Aggregate Key模型的

replace_if_not_null

实现。

3.6 如何进一步提升查询性能

**3.6.1 **智能物化视图

物化视图除了可以作为高度聚合的汇总层外，更广泛的定位是加速相对固定的聚合分析场景。物化视图是指根据预定义的SQL分析语句执行预计算，并将结算结果持久化到另一张对用户透明（用户无感知）但有实际存储的表中，在需要同时查询聚合数据和明细数据以及匹配不同前缀索引的场景，命中物化视图时可以获得更快的查询性能。

在使用物化视图时需要建立Base表并基于此建⽴物化视图，同⼀张 Base表可以构建多个不同的物化视图，从不同的维度进⾏统计。如果数据再物化视图中存在会直接查询物化视图，如果在物化视图中不存在才会查询Base表。

在数据写入或更新时，数据会在写入Base表的同时会写入物化视图，从而保证物化视图和Base 表数据的完全⼀致性。

智能路由选择遵循最小匹配原则，只有查询的数据集⽐物化视图集合⼩时，才可能⾛物化视图。如上图所示智能选择过程包括选择最优和查询改写两个部分：

选择最优：

• 在过滤候选集过程中，被执行的 SQL 语句通过 Where 条件进⾏判断，Where 条件为advertiser=1。由此可⻅物化视图和 Base 表都有该字段，这时的选集是物化视图和 Base 表。

• Group By 计算，Group By 字段是 advertiser 和 channel，这两个字段同时在物化视图和 Base 表中，这时过滤的候选集仍然是物化视图和 Base表。

• 过滤计算函数，比如执⾏ count(distinctuser_id)，然后对数据进⾏计算，由于 Count Distinct 的字段 user_id 在物化视图和 Base 表中都存在，因此过滤结果仍是物化视图和 Base 表。

• 选择最优，通过⼀系列计算，发现查询条件⽆论是 Where 、Group By 还是 Agg Function 关联的字段，结果都有 Base 表和物化视图，因此需要进⾏最优选择。Doris 经过计算发现 Base 表的数据远⼤于物化视图，即物化视图的数据更⼩。

  由此过程可⻅，如果通过物化视图进行查询，查询效率更⾼。当我们找到最优查询计划，就可以进⾏⼦查询改写，将 Count Distinct 改写成 Bitmap ，从⽽完成物化视图的智能路由。完成智能路由之后，我们会将 Doris ⽣成的查询 SQL 发送到 BE 进⾏分布式查询计算。

3.6.2 分区分桶裁剪

Doris 数据分为两级分区存储， 第一层为分区(Partition)，目前支持 RANGE 分区和 LIST 分区两种类型, 第二层为 HASH 分桶(Bucket)，可以按照时间对数据进⾏分区，再按照分桶列将⼀个分区的数据进行 Hash 分到不同的桶⾥。在查询时则可以通过分区分桶裁剪来快速定位数据，加速查询性能的同时实现高并发。

3.6.3 索引查询加速

除了分区分桶裁剪， 还可以通过存储层索引来裁剪需要读取的数据量，仅以加速查询：

• 前缀索引：在排序的基础上快速定位数据
• Zone Map 索引：维护列中 min/max/null 信息
• Bitmap 索引：通过 Bitmap加速去重、交并查询
• Bloom Filter 索引：快速判断元素是否属于集合；
• Invert 倒排索引：支持字符串类型的全文检索；

3.6.4 执行层查询加速

Doris 的MPP查询框架、向量化执行引擎以及查询优化器也提供了许多性能优化方式，在此仅列出部分、不做详细展开：

• 算子下推：Limit、谓词过滤等算子下推到存储层；
• 向量化引擎：基于 SIMD 指令集优化，充分释放 CPU 计算能力；
• Join 优化：Bucket Shuffle Join、Colocate Join 以及 Runtime Filter 等；

四、****行业最佳实践

4.1 跨境电商

基于 Doris 构建实时数仓，上游数据源来自 RDS 业务库、⽂件系统数据以及埋点日志数据。在数据接⼊过程中通过 DataX 进⾏离线数据同步以及通过 Flink CDC 进⾏实时数据同步，在 Doris 内部构建不同的数据分层；最后在上层构建不同的数据应⽤，比如自助报表、数据⼤屏。除此之外，它基于应用平台构建了数据开发与治理平台，完成了源数据管理、数据分析等操作。

使用收益：

• 业务计算耗时从之前的两⼩时降低到三分钟。
• 全链路的更新报表的时间从周级别更新到⼗分钟级别。
• Doris 高度兼容 MySQL，报表迁移无压力，开发周期从周级别降低至天级别。

4.2 运营服务商

数仓架构是通过 Flink CDC 将RDS的数据同步到 Doris 中，同时通过 Routine Load 直接订阅 Kafka 中接入的日志数据，然后在 Doris 内部构建实时数仓。在数据调度时， 通过开源 DolphinScheduler 完成数据调度；使⽤ Prometheus+Grafana 进⾏数据监控。

使用收益：

采⽤ Flink+Doris 架构体系后，架构简洁、组件减少，解决了多架构下的数据的冗余存储，服务器资源节省了 30%，数据存储磁盘占⽤节省了 60%，运营成本⼤幅降低。基于该数仓架构，在⽤户的业务场景上，可以支持数万次的⽤户在线查询和分析。

4.3 供应链企业

** **在过去该企业采取了 Hadoop 体系，使用组件⽐较繁多，有 RDS、HBase、Hive、HDFS、Yarn、Kafka 等多个技术栈，在该架构下，查询性能无法得到有效快速的提升，维护和开发成本一直居高不下。

使用收益：

引入 Doris 之后，将 RDS 的数据通过 Flink CDC 实时同步到 Doris ⾥，服务器资源成本得到了很⼤的降低。数据的查询时间从 Spark 的 2~5 ⼩时，缩短到⼗分钟，查询效率也⼤⼤提升。在数据的同步过程中，使⽤了 Flink CDC+MySQL 全量加增量的数据同步⽅式，同时还利⽤ Doris 的 Light Schema Change（轻量表结构变更） 特性实时同步 Binlog里的DDL表结构变更，实现数据接⼊数仓零开发成本。

轻量表结构变更Light Schema Change： 在Doris1.2版本中，对数据表的加减列操作，不需要同步更改数据文件，仅需要在FE中更新元数据即可，从而实现毫秒级的Schema Change操作。与此同时，使得Doris在面对上游数据表维度变化时，可以更加快速稳定实现表结构同步，保证系统的高效且平稳运转。通过 Flink CDC，可实现上游数据库到 Doris 的 DML 和 DDL 同步，进一步提升了实时数仓数据处理和分析链路的时效性与便捷性。

参考文章：

如何基于 Apache Doris 与 Apache Flink 快速构建极速易用的实时数仓｜解决方案