【高手问答汇总】——聊聊 Apache Doris 的性能优化实战技巧

​随着 Apache Doris 在越来越多的企业中得到落地和应用，越来越多用户开始关注如何在海量数据下对Doris的查询性能进行优化。有哪些性能优化的小技巧？如何降低查询耗时？数据模型和分区分桶策略该如何设计？针对慢查询该如何进行分析及优化？

OSCHINA 本期高手问答 1月18日-1月24日，来自百度的资深研发工程师、Apache Doris PPMC 缪翎，与大家一起探讨 Apache Doris 性能优化实战技巧，包括但不限于：

• 慢查询定位、Profile 解读及SQL优化；
• 数据模型、索引及分区分桶策略设计；
• 物化视图及Rollup使用技巧；
• Doris查询优化器解读；

嘉宾介绍

缪翎，百度资深研发工程师、Apache Doris PPMC，专注于 Apache Doris 查询引擎的设计和研发，在数据库查询引擎、查询优化器方向有丰富的研究和实践经验。

 

---

问答汇总

问：请教一个具体场景的问题，在 Apache Doris 中，如果表按天分区，每天大约 2000 至 3000 万数据量，通常按照业务字段查询最近 30 天的明细信息。如何设计能支持更多的并发查询呢？

答：如果是明细查询，建议利用前缀索引、分桶分区裁剪以及 Bitmap 索引这类的优化策略。

 

问：进一步了解下，如果是 Uniq 数据模型，在查询的过程中存在对数据的 update 操作，那么对查询会有哪些影响呢？

答：update 操作可以，如果 update 的操作频率和导入占比很小，就不会对查询有影响。

 

问：

1. 开源 Doris 和 Clickhouse 之间的优势和劣势是什么？

2. Doris 在多线程设计上，有没有使用什么设计模式？

3. Doris 入门门槛高吗？超过多大的数据量比较合适使用 Doris ？哪些场景下特别适合doris数据库的发挥优势？哪些场景下 Doris 的性能不好？

答：Doris 是 MPP 架构的数据库，这点是和 Clickhouse 从架构上有本质的不同。Doris 在 多表 Join 和分布式管理上更有优势，Clickhouse 单机性能突出。不过我们的向量化引擎也马上就能和大家见面了，性能上可以期待一下。

Doris 入门门槛不高，G-TB的数据量都适合使用。Doris 因为没有其他依赖，所以运维会方便一些。 场景方面，当然是面向分析的 OLAP 场景。OLTP 场景，比如 qps 上万的点查这类以及频繁的 update/delete的场景并不适合 Doris。

 

问： Doris 集群 不定期的出现某个 BE 节点直接挂掉的情况，每次挂掉的 BE 节点并不一样。查看监控看机器 Load 比较高（主要是磁盘IO write高）怎么排查这个问题，怎么知道这台机器上在做什么，有什么命令可以知道。

答：BE 挂掉最常见的两种情况：

1. oom 被系统 Kill，通过 dmesg 方式排查，并且结合使用方式确定 导入还是查询导致的内存使用量过大，需要优化使用方式。

2. be core 了，通过 core dump 方式找到 core 栈，core 栈就可以看到是哪部分行为导致的 BE 挂掉。并且在 Issue 里面搜索，看是否是 Doris 旧版本已知问题。每次不一样节点，那就要逐个分析，可能虽然节点不一样但原因都一样。

 

问：core dump 这个文件存放在哪里的？

答：core dump文件存放地址可以参考链接 https://www.jianshu.com/p/60a5df15093c

 

问：

1：在做 100-200 个相同 sql 并发测试时，总是越往后面的查询，尤其是做group by的时候，看 profile越慢，好像哪里卡住了似的，这个应该怎么定位是哪里的问题？

2: 通过 Broker Load 导入数据时，总偶然碰到查询超时，而且这个问题是必现，我怎么定位问题，还请给点指点。

答：

1. 这种 qps 性能分析问题，主要工具是 pprof ，看看 CPU 集中耗时在哪里。

2. 导入过程中的查询超时，建议先看监控，grafana 上的数据。比如是否导入占用了过多的 IO或者 cpu 等，导致了相互影响，再逐步根据 pprof + 代码分析。

 

问：请教下 Doris 集群规模为 6个 BE节点，在聚合模型下用天 Date做时间分区、每天数据近2亿行，发现 select max(date) 性能不佳（接近10秒），看了下执行计划发现全表扫描了，这样设计的主要考虑是什么呢？

答：确实，如果对 Range 分区字段求 Max 或者 Min 等，逻辑上可以只读最大分区数据。Doris 没对这种特殊场景做优化，所以是全表扫描。需要增加 Where 条件从而匹配到分区分桶裁剪，才能减少数据量。比如这样写 select max(date) from table where date >xxx。分区字段和索引字段需要出现在 Where 条件中效果最好。

 

问：想问一下，关于性能优化这方面，与数据类型是否有什么关联，各种数据源中的表联合查询的时候，对于复杂类型的性能优化是从哪方面着手的？

答：和数据类型关系还是很大的。比如 Int 类型的性能就会比 String 要好。复杂类型的性能优化我举个 Bitmap 的例子。Bitmap 的聚合函数在 Bitmap 分布相对稠密情况下，会比稀疏的要性能高不少。

 

问：对于聚合模型， MODIFY COLUMN 某一个已经存在的列, 从类型 BIGINT 变更为 VARCHAR , 该表按每天分区,每天数据量 1亿+，发现该表这一列历史数据过多，一直处于 SCHEMA_CHANGE【 state is not NORMAL】 状态 （大概5小时），导致后续其他的增加列，增加动态分区都不断失败重试,直到表恢复 NORMAL 状态才成功。这种情况有什么建议吗

答：同一时间单个表只能做一个 schema change 操作。所以做第一个 schema change 的时候后面增加列和增加分区的操作都被禁止了。schema change 的时间过长主要原因是表数据量大导致的。对于这种大表的表结构变更最好是等到业务不太忙的时候，比如半夜。再者，如果需要多次 schema change 建议合并为一次。

 

问：doris 后续会添加对复杂类型 Array、Map、Struct 的支持吗？Doris On ES 这个拓展功能后期会进一步优化吗？

答：会支持，目前正在开发 Array 、后面还会增加对 List / Map 等复杂类型的支持。Doris On ES 后续也会有优化，例如聚合下推、读写统一、分区裁剪等。

 

问：2021 的 Roadmap 提到会落地向量化引擎，具体什么时间能发行呢，向量化引擎和目前查询相比，查询效率大概能提升多少倍呢？

答：可以看下之前发布文章 https://my.oschina.net/u/4021972/blog/5393281

这个月底或下月初就会发布新版向量化执行引擎

 

问：多表关联的物化视图有计划吗？

答：有计划，可以关注下我们在 GitHub 上发布的 2022 年 RoadMap https://github.com/apache/incubator-doris/issues/7502

 

问：请问高吞吐量的即席查询实时性如何，比如1张1亿条数据的表，查出200万条数据，大约需要多少毫秒?

答：这个差异可能会非常大，需要结合建表语句、查询 SQL 、机器配置、集群规模等多方面因素综合来看。在 Doris 官网上基于 Star-Schema-Benchmark 标准测试数据集做过性能测试，可以参考一下 https://doris.apache.org/zh-CN/benchmark/star-schema-benchmark.html#

 

问：后续会有 GO 语言版吗？

答：目前 Doris 还只支持 Java（FE）和 C++（BE）开发，暂时没有GO语言版的计划。

 

问：Doris 现在是否支持修改列的名称？

答：目前不支持修改列名，可以看下官网上的 FAQ-11  https://doris.apache.org/zh-CN/faq/faq.html

因为一些历史原因，目前列名称是直接写入到数据文件中的。Doris 在查询时，也是通过类名查找到对应的列的。所以修改列名不仅是简单的元数据修改，还会涉及到数据的重写，是一个非常重的操作。后续可能通过一些兼容手段来支持轻量化的列名修改操作。

 

问：您好，想要咨询一下关于物联网时序数据这种场景下是否适合？

答：之前也有社区用户使用 Doris 应用在时序场景的，主要瓶颈在写入频率，不建议特别高频的写入。

 

问：接口性能优化都有哪些好的方案

答：首先要看你的情况是提升 QPS 还是提升单个慢查询。

先说慢查询：

1. 打开 Profile 观察慢查询主要的性能瓶

2. 梳理 Doris 的常见优化，比如 Join Reorder 、Runtime Filter、谓词下推等等需要手动开启的优化策略，并观察作用。

3. 从数据模型入手，比如是否存在数据版本过多、数据模型和列类型设计不合理等等问题。

 

问：Doris 有没有配置参数说明文档以及一些性能优化方面的调参建议。譬如影响数据导入，查询，合并参数指导，方便小白入门

答：最直观的就是官方文档，详细的话可以期待一下即将出版的书 ~

 

问：请问 String 类型在使用上存在 Bug ，后续有在完善吗，预计哪个版本会比较稳定呢?

答：String 是今年新加入的功能，在功能和性能方面还在改善中。今年上半年会持续对 String 进行优化，如果有 String 方面的使用问题，欢迎给 Apache Doris 开发者邮件组发邮件：dev@doris.apache.org

 

问：对于 Doris 的编码质量，后续有没有策略或者计划，提升产品质量?

答：开源 Doris 目前在快速迭代中，为了保证稳定性，我们正在准备将测试框架开源给社区。

 

问：如果需要把 MySQL、Elastic Search 这种数据批量导入到 Doris ，有没有推荐的工具使用？用什么方式比较好迁移数据到 Doirs 使用？

答：MySQL 可以存量用csv + stream load，增量用 Binlog Load 功能，可参考文档：

https://doris.apache.org/zh-CN/administrator-guide/load-data/binlog-load-manual.html

ES 的话 Doris 本身就支持直接读取 ES 外表，并不一定非要导入 Doris。

 

问：关于 BE 源码调试有没有什么好的建议，如果用 Mac 或 Windows 操作系统的电脑，一般怎么进行调试？

答：如果是 Mac 或者 Windows 电脑的话，需要借用 Docker，在 Docker 里面启动 BE 并且 gdb 调试。

 

问：Doris扩容方便么？节点有无状态？

答：节点分为 FE 和 BE 两类， FE 节点是管控节点、BE 是计算和存储节点，扩容比较简单，往往只需要扩展 BE 节点即可，支持在线扩缩容，扩容期间正常查询不受影响。

 

问：Doris 和 Elastic Search 区别在哪里？还有对于企业想从 ES 切换到这个，有什么成本或者值得注意的地方，谢谢。

答：Doris 跟 ES 稍微有些差异，Doris 是 MPP 数据库，ES 是搜索引擎。Doris 的 SQL 更加友好、支持标准 SQL ，分布式比 ES 更完备。而全文检索、任意列更新、分词等 ES 特性目前 Doris 还不支持。如果同时在使用 Doris 和 ES 的话，可以考虑 Doris On ES 方案。

 

问：请问 Doris 有没有计划增加一个"自增函数"？或者是目前的 sequence 特性（

https://doris.apache.org/zh-CN/administrator-guide/load-data/sequence-column-manual.html）大体也能达到自增列的效果，但它仅限 Uniq 数据模型, 有没有计划将其推广到非聚合类型的列上去，比如 Aggregate 表的 Key 列、 Duplicate 表的任意列？

答：目前自增列仅限 Uniq 表，后续计划可以到我们的 2022 Roadmap 中提出，我们会评估可行性的。Https://github.com/apache/incubator-doris/issues/7502

 

问：我们最近在做响应治理：不同维度的查询会对性能有不同的影响，比如 1 亿数据的场景下，数据权限的条件每个人都不一样，很多数据无法提前预聚合，此时 IO 会成为高性能的最大瓶颈，请问 Doris 在这方面有什么比较好的实践？

答：建议使用明细模型 + 物化视图的方式，保留明细的同时，也能有预聚合的数据，而且目前 Doris 的物化视图是可以保证基础表与物化视图表数据的强一致性。

 

问：老师能不能出一些 Doris 数据库的源码分析文章，如果想从事数据库方面的开发，需要学习哪些内容，希望能推荐一些书籍

答：分析源码的话可以去看下我们上传在B站的视频，可以关注 ApacheDoris 官方微信公众号下载课件。

书籍的话推荐以下两本：《Designing Data-Intensive Applications》（中文版叫数据密集型应用系统设计，建议看英文版）和《Architecture of a Database System》

 

问：请教一下分桶的优化技巧

答：数据分桶主要是为了分桶裁剪，并且避免数据倾斜。所以首先，最好选用像 id，uuid 这种不容易产生数据倾斜，且分散广的列作为分桶列。同时可以选择查询的 Where 条件列作为分桶列，来更好的减少读取的数据量，提升查询性能。

 

问：MySQL 业务库是分表的,如何通过 Binlog Load 把 MySQL 多表数据实时同步到 Doris 中一张表，对于这种场景有什么建议么？

答：目前 Binlog Load 还不支持多张 MySQL 表同步到一张 Doris 表，后续这块我们会优化。

 

问：目前是否支持部分列更新的功能？

答：目前部分列更新比较局限，只支持在 Agg 模型上对 Value 列进行 replace_if_not_null 的值替换。

 

问：目前我们已经在使用doris，所以很希望知道 Doris 后续的一些计划和时间节点，我们好安排自己的计划。

总体开发计划我们发布在GitHub上了，欢迎关注。最近有两个重要的时间点：

1. 1月底或2月初，我们会发布 Apache Doris 1.0 版本的 beta 版本，主要包含完整的向量化执行引擎、Manager 可视化运维平台、Hive 外表、Lateral View、SeaTunnel Connector 等功能，正式 Release 应该在2月。
2. 3月份我们将会支持 Array 数组类型、基于对象存储的冷热数据分离、内存管理优化、Iceberg集成等功能。

---

高手问答栏目查看：主题 高手问答 - OSCHINA - 中文开源技术交流社区