Doris在作业帮实时数仓中的应用实践

在大数据生态中，数据分析系统在数据创造价值过程中起着非常关键的作用，直接影响业务决策效率以及决策质量。Apache Doris作为一款支持对海量大数据进行快速分析的MPP数据库，在数据分析领域有着简单易用、高性能等优点。近日，Apache Doris组织了一场线上Meetup，作业帮带来了《Doris在作业帮实时数仓中的应用实践》的主题分享。

大家下午好。很感谢大家参加全球100案例峰会预热沙龙关于Doris的线上MeetUp。

下面我来介绍下Doris在作业帮实时数仓中的应用与实践。

这次的分享主要分三个主题：

1.首先是所在团队的业务与背景介绍 2.其次会介绍下基于Doris，作业帮的查询系统是如何构建的，以及主要解决的问题 3.未来的规划

我所在团队是作业帮大数据团队，主要负责建设公司级数仓，向各个产品线提供面向业务的数据信息，如到课时长、答题情况等业务数据以及如pv、uv、活跃等流量类数据，服务于拉新、教学、BI等多个重要业务线。

在数仓体系中，大数据团队主要负责到ODS-DWS的建设，从DWS到ADS一般是数仓系统和业务线系统的边界。

在过去，由于缺失有效、统一的查询系统，我们探索了很多模式来支持各个业务线发展。

• 有些业务线对大数据相关技术比较了解，熟悉spark等计算系统，可以自己处理计算。因此会选用kafka 接收数据后使用spark计算的模式来对接大数据团队；但是其他业务线不一定熟悉这套技术栈，因此这种方案的主要问题无法复制到其他业务线。且Spark集群跨越多个业务线使用，本身就给业务线带来了额外的维护成本。
• 既然Kafka+Spark的模式无法大范围推广，我们又探索了基于ES的方案，即大数据将数据写入ES中，然后业务先直接访问ES来获取数据，但是发现一方面高性能的使用ES，本身就具有很高的成本，对ES得非常熟悉，这对于业务线来说很难有精力去做，其次，由于使用ES的系统质量参差不齐，偶会还发生将ES集群打垮的问题，稳定性也不可控，最后ES-Sql语法完备性不足，如不支持join、多列group by（6.3版本）等。
• 因此我们又探索开发API接口，希望在稳定性上可以有更好的解决方案。虽然API可以可控，但是由于API不提供Sql功能，基于需求场景不断case by case的API开发反而成了影响交付效率的主要瓶颈点。
• 上述多是支持查询明细数据，一旦涉及到大规模的流量类查询，如pv、uv，只好引入druid类系统，但是duird的接口和其他系统的接口不一致，用户往往又得学习，且Druid不支持明细，一旦需要明细，就需要到ES去查询，由于涉及两套系统，有时候还得处理明细数据和聚合数据不一致的问题。

随着需求越来越多，系统也越来越难以维护，交付效率也特别低，需求排队非常严重。因此，提供有效而统一的查询系统，对于实时数仓建设在提高业务支持效率、降低维护成本上都具有非常重大的意义。

经过过去数月的探索与实践，我们确立了以Doris为基础的实时查询系统。同时也对整个实时数仓的数据计算系统做了一次大的重构，最终整体的架构图如下：

如图所示（从下到上），原始业务层日志经数据摄入系统进入数仓，在数据清洗计算层，我们将原来基Spark系统升级到了Flink，并且基于Flink-Sql提供了统一的数据开发框架，从原有的代码开发升级到Sql开发来提升数据的研发效率。

其后查询系统将Kafka的数据实时同步到查询引擎内，并通过OpenAPI的统一接口对外提供查询服务。

基于Doris的查询系统上线后，我们面对一个需求，不用像过去一样做方案调研、开发接口、联调测试，现在只要把数据写入，业务层就可以基于sql自己完成数据查询、业务开发，交付效率（数据计算好到提供可读服务）从过去的数人周加快到小时级。

在性能方面，过去基于ES或者mysql来做，当查询的数据量较大时，我们只能忍受数十个小时到数分钟的延迟，基于Doris的方案，加快到分钟级甚至秒级。

Doris的整体架构非常简单，不依赖任何第三方组件，社区支持度也非常好，从上线到今，我们只需做一些轻量级的运维规范，即可保证高稳定性。

所以说，通过引入Doris，解决了作业帮内实时数仓查询交付慢、查询慢的痛点问题，对于后续数仓的系统发展起到了非常关键的作用。

接下来，重点讲下查询系统的工作，分两部分：查询系统的架构选型以及原理，以及应用&实践.

在讲查询引擎之前，先讲下业务场景。

作业帮内，业务场景主要分两种：一种是传统的流量类，比如算pv、uv、活跃……，作业帮内很多时候还需要看进一步的明细，比如作业帮主App 在每天各个小时的活跃用户数，还要看 作业帮主App每个小时内各个版本的活跃用户数。

第二种是面向我们业务线的工作台，比如教学的老师。比如我们的老师上完课后，会看下自己班内的同学们的出勤数据、课堂测验数据等。

这两种场景下，考虑到调研成本、团队技术生态、维护成本等多种因素，我们最后选择了Doris 作为我们的查询引擎。主要是Doris可在上述两种场景下都可以统一的满足业务的需求。

首先介绍下Doris。

Doris是 mpp架构的查询引擎。

整体架构非常简单，只有FE、BE两个服务，FE负责Sql解析、规划以及元数据存储，BE负责Sql-Plan的执行以及数据的存储，整体运行不依赖任何第三方系统，功能也非常丰富如支持丰富的数据更新模型、Mysql协议、智能路由等。对于业务线部署运维到使用都非常友好。

接下来讲下用Doris如何解决我们前面提到的业务场景下的问题。

Doris有多种数据模型，流量类场景常用的是聚合模型。比如对于前面提到的场景，我们会吧作业帮主App各个版本的明细数据存到base表中，如果直接从base表中读取跨天级的聚合数据，由于数据行比较多，可能会出现查询延迟的问题，因此我们会对常用的天级数据做一次rollup，这样通过预聚合，来减少查询的数据量，可以加快查询的延迟。

要高效的使用Doris的聚合模型，前提都是基于key列做数据行筛选，如果使用value列，Doris需要把相关的行全部聚合计算后方可决策是否属于结果集，因此效率比较低。

而对于教研工作台，前面提到的都是基于value的筛选，因此使用了Doris on ES的模型。主要是考虑到 可以发挥ES的任意列检索的能力，来加快查询速度。

在我们的实践中，发现Doris on ES相比直接裸用ES或社区的其他方案如Presto on ES在性能上有很大的提升，接下来介绍下Doris on ES高性能的设计原理。

Doris on ES整体的架构如图，FE负责查询ES的元数据信息如location、shard等，BE负责从ES数据节点扫描数据。

Doris on ES高性能，相比裸用ES，有几个优化点： 裸用ES时，ES采用的是Query then Fetch的模式，比如请求1000条文档，ES有10个分片，这时候每个分片都会给协调返回1000个doc id，然后 协调节点其实拿到了10 * 1000个doc id，然后选择1000个。这样其实每个分片多返回了900个.

Doris on ES则绕过了协调节点直接去操作datanode。它会在每个datanode上查询符合预期的docid，这样不会有过多的docid返回。

其次，Doris从ES扫描数据时，也做了很多优化。比如在扫描速度上，采用了顺序扫描、列存优化、谓词下推等，在数据从ES传输到Doris时，采用就近原则如BE会优先访问本机的datanode、source filter来过滤不用的字段等来加速传输速度。

在我们的调研中，Doris on ES的性能，比Presto on ES快了有数十倍。

在作业帮内，除了上面介绍的基于Doris的数据模型做的基础应用，要完整的支持业务、保证稳定性、提高效率，还需要其他周边的系统建设。

接下来介绍下基于Doris，作业帮查询系统架构的整体设计以及工作模式。

这是作业帮查询系统的总体架构。

从上往下，首先是我们平台，包括各个报表平台、元数据管理平台等，主要来提高各个场景的人效。

其下红色部分为我们统一的api接口层，这里我们主要是制定了api的规范比如请求响应方式、返回码等，来减少系统之间对接的成本。

基于api除了提供了主要的读写接口外，也包含了周边的服务建设，比如元数据管理、调度系统等。

接下来就基于一个完整的流程来介绍下各部分系统。

首先是元数据。Doris基于mysql语法建表，已经有元数据，我们这里做元数据，有几个额外的考虑：

• 首先是保障查询性能方面：如果一个表在建表时配置写错，那么查询性能会非常差，比如ES的index mapping中关闭了docvalue，或者Doris表未启动列存模式，那么查询就会退化成行存模式，性能会比较低，因此为了最大化性能，就需要将建表的过程全部自动化且规范化。这是其一。
• Doris自身存储是有强Schema约束的，比如一个字符串的长度。但是ES并没有明确的长度约束，对于一个keyword类型的字段，写入128B或者256B都可以成功，但这会导致一个问题，当把一张es表同步到Doris表时，同步的成功率无法保障。另外，一旦Doris表声明的类型（如bigint）和ES index的类型不一致（如keyword）时，也会导致Sql运行失败。因此需要构建统一的数据模型来避免这类问题。
• 第三：使用效率。我们在使用过程中，建表、删除表、修改表是一个常见的操作，为了让各个业务线的同学（不管是否了解Doris）都可以快速的建表，这也是要做统一元数据、统一模型的基础。
• 最后，前面也提到了我们整个计算系统也在重构为flink-sql。flink-sql则会强依赖元数据，比如table on kafka、table on redis……

要统一元数据，统一数据模型，就得抽象整个数据表的结构，来管理好不同存储上的表，我们基于env、db、table为基本单位来管理表，database、table大家相对熟悉，env是我们引入的新namespace，主要用于提供不同集群/业务线的定义，如百度云的数仓集群、腾讯云的数仓集群，表单元下主要包含field（列类型、值域）、index（如rollup、bitmap索引等）、storage（存储属性）。

关于列属性，主要是规范化类型系统，考虑到json-schema由于其校验规则丰富、描述能力强，因此对于列值的约束统一使用json-schema来做。

对于数据类型，我们设计了公共数据类型以及私有数据类型。公共类如varchar、int等，这些在不同的存储系统都有对应的实现，也支持私有类型如Doris::bitmap，方便私有系统的兼容和扩展。通过这个模式可以将基于各个存储系统的表做了统一的管理。

这是我们线上的真实的一张表。里面包含了列信息以及对应的存储配置。

左图中的纵向红框是json-schema的描述，来规范化值域。横向红框为ES表的一些meta字段，比如docid、数据更新时间。这些字段可以方便追查数据问题、以及用作数据筛选。

因为我们统一了数据模型，因此可以很方便的对所有表统一设置要增加这些meta字段。

通过元数据的统一管理，构建的表质量都非常高。所有的表都在最大化性能的提供查询服务，且由于数据导致的查询不可用case为0。且对于任何业务线的同学，不管是否了解Doris，都可以分钟级构建出这样一张高质量的表。

建好表后，就是数据的写以及读。统一基于openapi来做。

做api接口其实本质上也是为了在提供系统能力的前提下，进一步保障系统的稳定性和易用性。

比如要控制业务线的误用（如连接数打满），提供统一的入口方便写es、Doris，且控制数据质量……

首先介绍下数据写接口。

由于统一了表模型，因此可以很方便的提供统一的写入接口协议。用户也无须关注实际表的存储是es还是Doris以及处理异构系统的系统。

第二，统一了写接口，就可以统一的对写入的数据会做校验检查，如数据的大小、类型等，这样可以保证数据写入的质量与准确性。这样对于数据的二次加工非常重要。

第三，接入协议中还增加了关键词，如数据的版本。可以解决数据的乱序问题，以及建立统一的写入监控。如下图是我们整个写入数据流的qps以及端到端（数据写入存储时间以及数据生产时间）的延迟分位值，这样可以让系统提高可观测性、白盒化。

接下来讲一个具体的场景，写入端是如何解决乱序问题的。

常态下我们的实时数据流是经过flink或spark计算后写入kafka，然后由查询系统同步到Doris/es中。

当需要修数时，如果直接写入，会导致同一个key的数据被互相覆盖，因此为了避免数据被乱序覆盖，就得必须停掉实时流，这个会导致数据时效性式受损。

因此我们基于写入端做了改进，实时数据流、离线修复数据流各自写入不同的topic，同步服务对每个topic做限速消费，如实时流时效性要求高，可以配额调的大些，保证配额，离线时效性则允许配额小点，或者在业务低峰期将配额调大，并基于数据key&列版本存储做了过滤。这样可以保证时效性的前提下，修数也可以按照预期进行。

最后是读的部分。

在提供sql能力的前提下，我们也做了一些额外的方案，比如缓存、统一的系统配置。对于系统延迟、稳定性提升都有很大的改进。并且由于统一了读接口，上述的这些改造，对于业务线来说都是透明的。

除了常规下面向低延迟的读，还有一类场景面向吞吐的读。 介绍下场景，比如 要统计统计某个学部下（各个老师）的学生上课情况：上课人数、上课时长等。

在过去，我们是基于spark/flink来处理这类问题，如spark消费kafka中的课中数据，对于每一条数据，会去redis中查询教师信息来补全维度。

常态下，当课中数据到达的时候，教师信息是就绪的，因此没有什么问题。可是在异常下，如维度流迟到、存储查询失败等，会导致课中流到达时，无法获取对应的教师信息，也就无法计算相关维度如学部的统计。

过去面临这种情况时，只能遇到这种异常，如重试如果无法解决，只能丢弃或者紧急人工干预，比如在尾标就绪后再重新回刷课中表，一旦遇到上游kafka数据过期就只能从ods层或者离线修复，效率特别低，用户体验也非常差。

基于Doris模式下，我们使用微批调度的模式。

调度系统会定期（分钟级）执行一个调度任务，基于sql join完成数据的选取。这样哪怕在异常下，课中流查不到教师数据，这样join的结果只是包含了可以查到教师数据的信息， 待教师数据就绪后，即可自动补全这部分课中数据的维度。整个过程全部自动化来容错。效率非常高。

因此这个模式的主要好处：

• 业务端延迟可控、稳定性好。整个过程主要取决于调度的周期和Sql执行时长。调度周期可控，且由于Doris on ES的高性能，Sql执行时长几乎都可以在分钟内完成。
• 数据修复成本低、维护方便。一旦数据有异常，可以自动触发对应的数据窗口进行重新计算。

最后，讲下其他方面的建议实践，这些相对简单，但是在实际的应用中非常容易忽视。

• ADS层表，尤其是面向平台侧的应用，慎用join。Doris的join策略比较多，如broadcast、shuffer等，如果使用需要了解原理，属于高级用户的使用范畴。对于强调快速迭代的场景下，可以使用微批模式来略降低数据更新的延迟，提高数据查询的效率。
• 使用Doris on ES时，尤其是在ES集群负载很高的情况下，在延迟允许的情况下建议将es的扫描超时时间设置大一点，如30s甚至更久。
• Batch size，不是越大越好。我们实践中发现4096下最好，可以最高达到每秒30w的扫描速度。
• Doris使用bitmap做精确去重时，有时候会发现Sql延迟比较高，但是系统cpu利用率低，可以通过调大fragment_instance_num的值。
• 运维Doris时，建议使用supervisor，可以帮助避免很多服务异常挂掉的问题；机器全部开启ulimit –c，避免出core时无法高效定位
• 当前我们在使用master版本，主要是考虑到bugfix很及时，但是也要避免新代码、feature的bug引入，因此我们会关注社区的issue、并做好case回归、固化使用模式等一系列手段来保障master在实际生产中的稳定性。

最后，讲下规划。

Doris 在作业帮实时数仓的建设中发挥了很关键的作用。

在实际的应用中，我们也发现了一些当前的一些不足。

如Doris on ES在面对大表的join查询时，目前延迟还比较大，因此需要进一步的优化解决； Doris自身的olap表可以做动态分区，对于ES表目前可控性还不足； 其次，当ES修改表后，如增加字段，只能删除Doris表重建，可能会有短暂的表不可用，需要自动化同步或者支持在线热修改； 最后Doris on ES可以支持更多的谓词下推，如count等。

我们也希望可以和社区一起，把Doris建设的越来越好。

好的。我的分享到此结束。谢谢大家。

问题1：Doris on ES V.S. sparksql on ES，在功能上和性能上咱们调研过吗？对于使用那个您这边有什么建议吗？

• SparkSql on ES和Doris on ES 虽然都是Sql，但是在实际的生产环境中使用差异还是比较大的。
• 功能上来说，SparkSql和Doris-Sql需要考虑语法的兼容性问题，毕竟是两个系统，语法兼容其实很难。一旦不一致就需要用户端面向不同的系统做适配。
• 性能上，SparkSql或者Doris on ES，虽然访问ES的原理都差不多，但是实现上可能会有diff，这些diff会导致性能上差异比较大，如SparkSql的connector是不支持列存模式的。
• 场景上，如果使用SparkSql建议可以使用在流计算场景，更多的是解决吞吐的问题，类似的系统应该是Flink-Sql。可以吧数据按照行扫出来后，基于Spark的分布式计算能力、yarn的资源管理走流计算的模式。Doris on ES更适合走低延迟的场景。

问题2：Doris 支持Hive Metastore，和Flink SQL是什么关系？刚才讲的太快，有点没听懂

• Doris其实是不支持Hive MetaStore的。只是可以从HDFS上load文件，然后在Doris的load语法中指定对应的列。
• FlinkSql和这块关系不大。不过我理解你说的应该是我们的元数据，这部分背景是因为Flink-Sql运行时需要设置ddl语句，比如一张基于redis的表都有哪些列，类型是什么，这些需要统一的管理起来，目前是存储到了我们的元数据系统中。通过接口和Flink系统完成对接。

问题3：_version字段是一个内部字段？需要用户端写入的时候指定，还是系统自动创建？和HBase的version的应用场景有区别吗？

• _version是我们数据流的一个内置协议字段。在数流转过程中，用户只要设置值即可，不需要显示创建。具体的值可以根据数据字段的写入服务来设置，比如在ods层，应该是采集侧服务来写入，如果在中间的flink清洗环节，应该是flink系统来设置，尽量让架构服务统一设置，保证稳定性。
• _version字段最终会映射到存储系统中的UpdateTime字段，这个也是架构负责写入的。不需要业务侧关注。
• HBase的version更多是用于多版本的管理，比如数据的回滚等。这里查询系统的_version更多是为了保证数据的时鲜性，即用户从查询系统读到的数据始终是最新的。这么做的前提主要是因为查询系统比如ES对于数据列多版本支持不太好，对于数据流更新时如果没有版本管理，容易导致乱序覆盖。和HBase的version场景还不同。
• ES内部也有一个_version，但是这个_version一般是ES内部使用，用于高并发下乐观锁的实现。和当前的场景都不一样。