更多技术交换、求职机会，欢送关注字节跳动数据平台微信公众号，回复【1】进入官网交换群

Doris简介

Doris是一种MPP架构的剖析型数据库，次要面向多维分析，数据报表，用户画像剖析等场景。自带剖析引擎和存储引擎，反对向量化执行引擎，不依赖其余组件，兼容MySQL协定。
Apache Doris具备以下几个特点：

  • 良好的架构设计，反对高并发低延时的查问服务，反对高吞吐量的交互式剖析。多FE均可对外提供服务，并发减少时，线性裁减FE和BE即可反对高并发的查问申请。
  • 反对批量数据load和流式数据load，反对数据更新。反对Update/Delete语法，unique/aggregate数据模型，反对动静更新数据，实时更新聚合指标。
  • 提供了高可用，容错解决，高扩大的企业级个性。FE Leader谬误异样，FE Follower秒级切换为新Leader持续对外提供服务。
  • 反对聚合表和物化视图。多种数据模型，反对aggregate，replace等多种数据模型，反对创立rollup表，反对创立物化视图。rollup表和物化视图反对动静更新，无需用户手动解决。
  • MySQL协定兼容，反对间接应用MySQL客户端连贯，十分易用的数据利用对接。
    Doris由Frontend（以下简称FE）和Backend（以下简称BE）组成，其中FE负责承受用户申请，编译，优化，散发执行打算，元数据管理，BE节点的治理等性能，BE负责执行由FE下发的执行打算，存储和治理用户数据。

数据湖格局Hudi简介

Hudi是下一代流式数据湖平台，为数据湖提供了表格局治理的能力，提供事务，ACID，MVCC，数据更新删除，增量数据读取等性能。反对Spark，Flink，Presto，Trino等多种计算引擎。

Hudi依据数据更新时行为不同分为两种表类型：

针对Hudi的两种表格局，存在3种不同的查问类型：

Doris剖析Hudi数据的技术背景
在数仓业务中，随着业务对数据实时性的要求越来越高，T+1数仓业务逐步往小时级，分钟级，甚至秒级演进。实时数仓的利用也越来越广，也经验了多个倒退阶段。目前存在着多种解决方案。

Lambda架构

Lambda将数据处理流分为在线剖析和离线剖析分为两条不同的解决门路，两条门路相互独立，互不影响。
离线剖析解决T+1数据，应用Hive/Spark解决大数据量，不可变数据，数据个别存储在HDFS等零碎上。如果遇到数据更新，须要overwrite整张表或整个分区，老本比拟高。
在线剖析解决实时数据，应用Flink/Spark Streaming解决流式数据，剖析解决秒级或分钟级流式数据，数据保留在Kafka或定期（分钟级）保留到HDFS中。
该套计划存在以下毛病：

  • 同一套指标可能须要开发两份代码来进行在线剖析和离线剖析，保护简单
  • 数据利用查问指标时可能须要同时查问离线数据和在线数据，开发简单
  • 同时部署批处理和流式计算两套引擎，运维简单
  • 数据更新须要overwrite整张表或分区，老本高

Kappa架构

随着在线剖析业务越来越多，Lambda架构的弊病就越来越显著，减少一个指标须要在线离线别离开发，保护艰难，离线指标可能和在线指标对不齐，部署简单，组件繁多。于是Kappa架构应运而生。
Kappa架构应用一套架构解决在线数据和离线数据，应用同一套引擎同时解决在线和离线数据，数据存储在音讯队列上。
Kappa架构也有肯定的局限：

  • 流式计算引擎批处理能力较弱，解决大数据量性能较弱
  • 数据存储应用音讯队列，音讯队列对数据存储有有效性限度，历史数据无奈回溯
  • 数据时序可能乱序，可能对局部对时序要求比拟严格的利用造成数据谬误
  • 数据利用须要从音讯队列中取数，须要开发适配接口，开发简单

基于数据湖的实时数仓

针对Lambda架构和Kappa架构的缺点，业界基于数据湖开发了Iceberg, Hudi, DeltaLake这些数据湖技术，使得数仓反对ACID, Update/Delete, 数据Time Travel, Schema Evolution等个性，使得数仓的时效性从小时级晋升到分钟级，数据更新也反对局部更新，大大提高了数据更新的性能。兼具流式计算的实时性和批计算的吞吐量，反对的是近实时的场景。

以上计划中其中基于数据湖的利用最广，但数据湖模式无奈撑持更高的秒级实时性，也无奈间接对外提供数据服务，须要搭建其余的数据服务组件，零碎较为简单。基于此背景下，局部业务开始应用Doris来承接，业务数据分析师须要对Doris与Hudi中的数据进行联邦剖析，此外在Doris对外提供数据服务时既要能查问Doris中数据，也要能减速查问离线业务中的数据湖数据，因而咱们开发了Doris拜访数据湖Hudi中数据的个性。

Doris剖析Hudi数据的设计原理

基于以上背景，咱们设计了Apache Doris中查问数据湖格局Hudi数据，因Hudi生态为java语言，而Apache Doris的执行节点BE为C++环境，而C++ 无奈间接调用Hudi java SDK，针对这一点，咱们有四种解决方案：

  1. 实现Hudi C++ client，在BE中间接调用Hudi C++ client去读写Hudi表。
    该计划须要残缺实现一套Hudi C++ client，开发周期较长，前期Hudi行为变更须要同步批改Hudi C++ client，保护较为艰难。
  2. BE通过thrift协定发送读写申请至Broker，由Broker调用Hudi java client读取Hudi表。
    该计划须要在Broker中减少读写Hudi数据的性能，目前Broker定位仅为fs的操作接口，引入Hudi突破了Broker的定位。第二，数据须要在BE和Broker之间传输，性能较低。
  3. 在BE中应用JNI创立JVM，加载Hudi java client去读写Hudi表。
    该计划须要在BE过程中保护JVM，有JVM调用Hudi java client对Hudi进行读写。读写逻辑应用Hudi社区java实现，能够保护与社区同步；同时数据在同一个过程中进行解决，性能较高。但须要在BE保护一个JVM，治理较为简单。
  4. 应用BE arrow parquet c++ api读取hudi parquet base file，hudi表中的delta file暂不解决。
    该计划能够由BE间接读取hudi表的parquet文件，性能最高。但以后不反对base file和delta file的合并读取，因而仅反对COW表Snapshot Queries和MOR表的Read Optimized Queries，不反对Incremental Queries。

综上，咱们抉择计划四，第一期实现了COW表Snapshot Queries和MOR表的Read Optimized Queries，前面联结Hudi社区开发base file和delta file合并读取的C++接口。

Doris剖析Hudi数据的技术实现

Doris中查问剖析Hudi表面应用步骤非常简单。

1. 创立Hudi表面

建表时指定engine为Hudi，同时指定Hudi表面的相干信息，如hive metastore uri，在hive metastore中的database和table名字等。
建表仅仅在Doris的元数据中减少一张表，无任何数据挪动。
建表时反对指定全副或局部hudi schema，也反对不指定schema创立hudi表面。指定schema时必须与hiveMetaStore中hudi表的列名，类型统一。
Example：

   CREATE TABLE example_db.t_hudi     ENGINE=HUDI    PROPERTIES (    "hudi.database" = "hudi_db",    "hudi.table" = "hudi_table",    "hudi.hive.metastore.uris"  =  "thrift://127.0.0.1:9083"    );            CREATE TABLE example_db.t_hudi (    column1 int,    column2 string)    ENGINE=HUDI    PROPERTIES (    "hudi.database" = "hudi_db",    "hudi.table" = "hudi_table",    "hudi.hive.metastore.uris"  =  "thrift://127.0.0.1:9083"    );

2. 查问Hudi表面

查问Hudi数据表时，FE在analazy阶段会查问元数据获取到Hudi表面的的hive metastore地址，从Hive metastore中获取hudi表的schema信息与文件门路。

  1. 获取hudi表的数据地址
  2. FE布局fragment减少HudiScanNode。HudiScanNode中获取Hudi table对应的data file文件列表。
  3. 依据Hudi table获取的data file列表生成scanRange
  4. 下发HudiScan 工作至BE节点
  5. BE节点依据HudiScanNode指定的Hudi表面文件门路调用native parquet reader进行数据读取。

前期布局

目前Apche Doris查问Hudi表已合入社区，以后已反对COW表的Snapshot Query，反对MOR表的Read Optimized Query。对MOR表的Snapshot Query临时还未反对，流式场景中的Incremental Query也没有反对。
后续还有几项工作须要解决，咱们和社区也在积极合作进行中：

  1. MOR表的Snapshot Query。MOR表实时读须要合并读取Data file与对应的Delta file，BE须要反对Delta file AVRO格局的读取，须要减少avro的native读取形式。
  2. COW/MOR表的Incremental Query。反对实时业务中的增量读取。
  3. BE读取Hudi base file和delta file的native接口。目前BE读取Hudi数据时，仅能读取data file，应用的是parquet的C++ SDK。前期咱们和联结Hudi社区提供Huid base file和delta file的C++/Rust等语言的读取接口，在Doris BE中间接应用native接口来查问Hudi数据。

本文为字节跳动数据平台研发工程师在DataFunSummit大会演讲实录，关注字节跳动数据平台微信公众号，回复【0929】，支付本次分享PPT。

立刻跳转火山引擎E-MapReduce官网理解更多信息