较 Trino 省 67% 成本，速度快 10 倍，中通快递基于 SelectDB 的湖仓分析架构-低调大师

较 Trino 省 67% 成本，速度快 10 倍，中通快递基于 SelectDB 的湖仓分析架构

2025-12-16 44

导读：中通快递基于 SelectDB 构建了湖仓分析架构，补齐 OLAP 分析能力。在离线场景中，实现 2000+ QPS 并发点查；在实时场景中，仅以 1/3 原集群机器数量覆盖所有业务，90% 分析任务从 10 分钟缩短至 1 分钟内，投入产出比大幅提升。

作者：童孝天，中通快递高级数据工程师

中通快递作为快递行业领军企业之一，年包裹数达数百亿件，市场份额稳定在 20% 左右，展现出强劲的市场竞争力和持续发展态势。在业务规模持续扩张下，其对大数据基础设施建设要求日益提高，对数据处理及分析的需求也持续增加。

中通快递原先使用以 Hadoop 为核心的离线数仓，但随着数据的不断增长、数据处理需求不断变化， Hadoop 这一多套异构的复杂架构逐步暴露瓶颈，面临数据时效性、查询性能、并发能力、维护成本等多种挑战。

在此背景下，引入基于 Apache Doris 内核的 SelectDB 构建了湖仓分析架构，补齐 OLAP 分析能力，为离线、实时分析提供了高效的查询能力。在离线场景中，实现 2000+ QPS 并发点查；在实时场景中，仅以 1/3 原集群机器数量覆盖所有业务，90% 分析任务从 10 分钟缩短至 1 分钟内，投入产出比大幅提升。

一、早期架构及挑战

在引入 SelectDB 之前，中通基于 Hadoop 构建离线数仓应对数据分析需求。在业务量高速增长的背景下，该架构面临严峻挑战：

数据时效性不足：离线数仓 T+1 数据抽取产出模式无法满足报表和数据大盘实时更新的需求；
查询性能较差：离线数仓读取、写入等操作均基于 HDFS 进行，耗时普遍为分钟级别，以及 Spark SQL 的处理时间亦为分钟级，严重影响查询效率，无法支持需要秒级响应的交互式分析场景。
查询稳定性与高并发支持能力弱：在超大的 Hadoop 集群规模下，NameNode 的轻微抖动就会严重影响短平快的即席查询和报表分析的稳定性，Trino 在处理高并发查询时效率也远低于预期，难以支撑日益增长的高并发需求。

二、基于 SelectDB 的湖仓分析架构

随着业务的不断发展，昔日双 11 的业务高峰现已成为每日常态。为了满足各大场景对实时分析时效的要求，并确保数据的快速写入和高效查询，亟需合适的 OLAP 引擎来补充现有架构。

1. 技术选型

中通技术团队通过深入的技术调研和测试验证，了解到基于 Apache Doris 内核构建的 SelectDB。SelectDB 以高效的向量化引擎、Pipeline 执行模式、完善的缓存机制支持、高度兼容的 SQL 语法以及灵活的湖仓分析能力吸引了他们

为了验证 SelectDB 向量化引擎和 Pipeline 执行模式的高性能查询能力，团队进行了多轮对比测试，以评估二者之间的性能差异：

在生产环境 SQL 测试中，单表 100GB 数据量的查询场景下，SelectDB 相比 Trino 有 1-2 倍的性能提升；
在 1TB TPC-DS 标准测试中，SelectDB 完成 99 个查询的总耗时仅为 Trino 的 1/5。

2. 湖仓分析实时架构

中通基于 SelectDB 构建了新一代的湖仓分析架构，其核心是将 SelectDB 作为统一、高性能的查询加速引擎覆盖在数据湖之上。数据依然存储在 Hive 数据湖中，保持其经济性和容纳海量原始数据的能力。

具体而言，SelectDB 通过 Multi-Catalog 直接对接 Hive Metastore，无需数据迁移即可创建外部表，实现对 Hive 湖中数据的直接、高速查询。为了进一步提升查询体验，中通广泛采用了 SelectDB 的缓存加速、数据预热、索引体系、分区分桶等能力，有效保障了系统的稳定性及查询的高效性。

截止当前，在 OLAP 分析层面， Trino 集群规模已超过 130 台，日峰值响应接近 56 万个查询。相比之下，SelectDB 虽仅拥有三套集群规模，总数为 60 台，但日峰值响应量接近 90 万个查询。这一数据表明，SelectDB 在实时计算的响应能力方面具有显著优势，能够更加高效地满足大量查询需求。

三、场景实践

1. BI 报表与离线分析

在 BI 报表和离线分析场景中，原有 Trino 架构面临查询稳定性差和并发能力不足的双重挑战。特别是在早高峰时段，业务人员集中访问报表系统，频繁出现查询超时和系统卡顿。同时，Trino 和 SparkSQL 在在面对高并发查询时，处理效率与预期存在较大差距。

在查询超时问题上，我们开启了数据缓存（Data Cache）功能，并配置大容量本地磁盘，将热数据持久化缓存。在每日数据就绪后，通过定时任务触发对关键报表数据的预加载，使其在业务高峰前已缓存至本地。避免了查询延迟高的问题，同时降低早高峰期间集中访问导致带宽拉满的问题。在同等查询量下，SelectDB 的慢 SQL（>10s）仅为 Trino 的百分之一。

在高并发查询挑战的应对上，中通快递在实时数仓建设阶段，将离线数据 DIM 维度层、应用层的数据通过 SeaTunnel 写入了 SelectDB 中，实现了结果表的查询加速。从而实现 2000+ QPS 并发点查，数据报表更新及时度大大提高。

其次，SelectDB 提供了灵活丰富的 SQL 函数公式，并拥有高吞吐量的计算能力，数据分析师、产品经理等业务人员通过可视化报表工具 + SelectDB 即可基本满足 BI 的数据探索需求，大部分查询响应速度都在秒级完成。

该场景下，在保持高性能、高并发的同时，显著节约了计算资源，SelectDB 集群规模约为 Trino 的 1/4。

2. 实时数据分析

面向决策层和运营监控的实时数据大屏，对查询时效性要求极高，需要支持灵活的多维筛选和聚合分析。该场景涉及一张日增量超 6 亿、总量超 45 亿、字段超 200 列的超级宽表，并需基于该宽表进行分钟级准实时分析。

原有 OLAP 引擎在任务增多时，负载过高时，任务执行时效难以保证。比如，当总任务数超 50 时，执行时间达 5-10 分钟，效率极为低下。

因此，基于 SelectDB 以下特性成功解决上述问题：

查询加速：借助倒排、BloomFilter 来支持多维分析，通过合理的分区分桶，在查询时过滤非必要的数据，使数据扫描快速定位，加速查询响应时间。使 90% 以上的查询从 10 分钟左右缩短到 1 分钟内，部分达到秒级，性能提升 10 倍。
数据写入秒级可见：SelectDB 支持主键表（Unique Key），并对 Upsert、条件更新/条件删除、部分列更新、分区覆盖等各类更新提供了完备的支持，借助 Flink，可完成对数据的秒级可见，满足高效灵活的数据更新需求

注意：对表结构的设计需要结合业务、因地制宜，合理规划 Key 和分区分桶列，一般将 where 条件或者 join 的字段定义成分桶较为合适

在该场景下，SelectDB 仅使用原集群 1/3 的资源就覆盖了所有业务，实现了高效且经济的运行。满足了业务方对数据“既快又准”的严格要求，提升了监控和决策的效率。

四、成果及价值

中通引入 SelectDB 后，查询性能实现巨大飞跃，延迟大幅下降，并发能力显著提升，同时成本大幅降低，系统稳定性与易维护性也得到增强。

未来，中通将会深化与 SelectDB 的合作：

提升易用性：利用 SelectDB 提供的更精炼、直观的 Profile 信息，降低 SQL 调优的难度和复杂度，提升开发运维效率；
增强系统可观测性：强化文件缓存等功能的可观测性，加强数据倾斜处理能力，以提升整个系统的可靠性与可维护性；
深化湖仓一体：加强 Multi Catalog 功能的应用，提升湖仓分析能力，并测试 SelectDB 读写 Hive 外表的能力，实现更灵活的数据流转；
打通权限与集成：推动实现 Hive Catalog 权限通过 JDBC 账号的透传，与公司现有大数据权限体系无缝融合，确保数据安全。

加入交流群

聚集众多 SelectDB 与 Apache Doris 开发者、用户以及合作伙伴，欢迎随时提出和讨论技术问题、分享和收获技术经验，与社区互动交流。

https://www.selectdb.com/join-community#join-group

微信关注我们

原文链接：https://my.oschina.net/selectdb/blog/18974835

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

LazyLLM教程 | 第19讲：高阶RAG：基于知识图谱的RAG

一、前言 "知识图谱作为结构化知识的代表，正在深刻改变我们获取和利用信息的方式。” 在本文中，我们将从基础概念出发，首先解析知识图谱的本质——它如何以『实体-关系-属性』的形式组织海量信息，使机器能够像人类一样理解世界的关联性。接着，我们将探讨知识图谱在搜索引擎中的应用，看看它如何帮助Google实现从『关键词匹配』到『语义理解』让搜索更智能、更精准。而在当今大模型时代，知识图谱与RAG（检索增强生成）系统的结合，进一步释放了结构化知识的潜力。我们将深入分析知识图谱如何优化RAG的检索过程——它不仅能够提供更精确的上下文片段，还能通过实体关系增强语义连贯性。为了更直观地理解这一技术融合，之后我们将介绍两个基于知识图谱的RAG开源实现方案GraphRAG和LightRAG，剖析它们的设计思路和关键技术。最后，我们将通过实战和两个案例分析说明知识图谱如何显著提升RAG系统的准确性。二、背景介绍 RAG(Retrieval Augmented Generation) 是 LLM 问世以来生成式 AI 领域最热门话题之一，它是结合了检索（Retrieval）和生成（Genera...

2025-12-15

40

编者按：当一项技术的参数指标成为行业焦点，我们是否容易落入"数字迷信"的陷阱？在大语言模型竞相宣传"百万级上下文窗口"的今天，更长是否真的意味着更强？我们今天为大家带来的这篇文章，作者的核心观点是：上下文窗口的长度并不能完全代表模型的实际能力，真正决定模型在长文本场景下表现的是其背后的架构设计与技术权衡。文章系统梳理了当前主流大模型在处理长上下文时所采用的不同技术路径 ------ 从优化后的精确注意力机制（如 GPT-5、Mistral）、稀疏或混合注意力机制（如 Claude、Gemini），到彻底脱离注意力范式的状态空间模型（如 Mamba），并深入剖析了每种架构在记忆持久性、推理深度与计算效率之间的权衡。作者 | Phuoc Nguyen 编译 | 岳扬在过去三年中，大语言模型（LLMs）的上下文窗口已从几千个 token 扩展至数十万量级 ------ 在某些系统中甚至达到数百万。Gemini 2.5、Claude 4.5 Sonnet、GPT-5 Pro 和 Llama 4 Scout 均宣称具备百万 token 级别的处理能力。乍看之下，这似乎意味着模型能够"记住...

2025-12-17

40

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。