【Doris】数据表设计 —— 在分区与分桶的设计上提高 [ 查询效率 ]

原创已于 2023-05-12 17:31:20 修改 · 3.2k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#java #数据库 #开发语言

于 2023-05-12 17:28:44 首次发布

文章介绍了Doris数据库中数据分区的概念，包括RANGE和LIST两种分区方式，以及根据哈希值进行的分桶策略。RANGE分区常用于时间数据，便于区分冷热数据；LIST分区适合按枚举值如城市进行分区。建议选择区分度大的列做分桶以避免数据倾斜，同时注意控制单个bucket大小。合理的分区和分桶设计能提高查询效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Doris镇楼图

文章目录

分区(partition)说明

分区是指将数据按照某个规则划分到不同的物理存储节点上，以实现数据的分布式存储和查询。在 Doris 中，可以通过指定分区键来进行数据的分区。分区键是指在表中用于划分数据的列或列组合。Doris 支持RANGE 分区和 LIST 分区两种方式。

逻辑上可以理解为将原始表划分成了多个子表。可以方便的按分区对数据进行管理，例如，删除数据时，更加迅速。

分区列支持 BOOLEAN, TINYINT, SMALLINT, INT, BIGINT, LARGEINT, DATE, DATETIME, CHAR, VARCHAR 数据类型，分区值为枚举值。只有当数据为目标分区枚举值其中之一时，才可以命中分区。

Doris在建立分区时，可以不等分，比如：历史数据可以用年来分区，近年的数据可以用月来分区

RANGE分区

业务上，多数用户会选择采用按时间进行partition, 让时间进行partition有以下好处：

可区分冷热数据
可用上Doris分级存储(SSD + SATA)的功能

LIST分区

业务上，用户可以选择城市或者其他枚举值进行partition。

HASH分桶(bucket)说明

根据hash值将数据划分成不同的 bucket。

建议采用区分度大的列做分桶, 避免出现数据倾斜
为方便数据恢复, 建议单个 bucket 的 size 不要太大, 保持在 10GB 以内, 所以建表或增加 partition 时请合理考虑 bucket 数目, 其中不同 partition 可指定不同的 buckets 数。

示例

一、RANGE分区

哈希分区10个（其中两个分区时间范围是1年，剩余分区时间范围是1个月），哈希分桶5个

CREATE TABLE `table05` (
  `order_id` varchar(64) NOT NULL COMMENT "",
  `pay_date` date COMMENT "",
  `trade_no` varchar(64) REPLACE_IF_NOT_NULL COMMENT "",
  `ref_num` varchar(18) REPLACE_IF_NOT_NULL NULL COMMENT ""
) ENGINE=OLAP
AGGREGATE KEY(`order_id`,`pay_date`)
COMMENT "OLAP"
PARTITION BY RANGE(`pay_date`)
(PARTITION p2019 VALUES [('0000-01-01'), ('2020-01-01')),
PARTITION p2020 VALUES [('2020-01-01'), ('2021-01-01')),
PARTITION p202101 VALUES [('2021-01-01'), ('2022-01-01')),
PARTITION p202201 VALUES [('2022-01-01'), ('2023-01-01')),
PARTITION p202301 VALUES [('2023-01-01'), ('2023-02-01')),
PARTITION p202302 VALUES [('2023-02-01'), ('2023-03-01')),
PARTITION p202303 VALUES [('2023-03-01'), ('2023-04-01')),
PARTITION p202304 VALUES [('2023-04-01'), ('2023-05-01')),
PARTITION p202305 VALUES [('2023-05-01'), ('2023-06-01')),
PARTITION p202306 VALUES [('2023-06-01'), ('2023-07-01'))
DISTRIBUTED BY HASH(`order_id`) BUCKETS 5
PROPERTIES (
"replication_allocation" = "tag.location.default: 3",
"in_memory" = "false",
"storage_format" = "V2"
);

通过show partitions from table05可以查询分区详情

请添加图片描述

二、LIST分区

范围分区3个，哈希分桶5个

CREATE TABLE IF NOT EXISTS table06
(
 `order_id` varchar(64) NOT NULL COMMENT "",
 `city` varchar(64) NOT NULL COMMENT "",
 `era` varchar(64) REPLACE_IF_NOT_NULL COMMENT ""
)ENGINE=OLAP
AGGREGATE KEY(`order_id`,`city`)
COMMENT "OLAP"
PARTITION BY List(`city`)
(
 PARTITION up VALUES IN('北京','天津','河北'),
 PARTITION centre VALUES IN('上海','湖北','湖南'),
 PARTITION down VALUES IN('广州','香港','澳门')
)
DISTRIBUTED BY HASH(`order_id`) BUCKETS 5
PROPERTIES
(
"replication_allocation" = "tag.location.default: 3",
"in_memory" = "false",
"storage_format" = "V2"
);

通过show partitions from table06可以查询分区详情
在这里插入图片描述

总结：

在 Doris 中，为了提高查询效率，可以通过合理的分区和分桶设计来实现。以下是一些建议：

选择合适的分区键：

选择查询过滤条件中经常出现的列作为分区键，这样可以在查询时减少需要扫描的分区数量，从而提高查询效率。
如果查询中经常涉及到时间范围，可以考虑使用时间列作为分区键，并使用范围分区。这样可以根据时间范围快速定位到相关分区。

选择合适的分区方式：

哈希分区：适用于分区键的值分布较为均匀的场景，可以实现数据的均匀分布，提高查询效率。
范围分区：适用于分区键的值具有明显的范围特征，例如城市列。可以根据查询条件快速定位到相关分区，提高查询效率。

选择合适的分桶键：

选择查询中经常需要聚合或者过滤的列作为分桶键，这样可以在查询时减少需要扫描的分桶数量，从而提高查询效率。

选择合适的分桶方式：

哈希分桶：适用于分桶键的值分布较为均匀的场景，可以实现数据的均匀分布，提高查询效率。
随机分桶：适用于分桶键的值分布不均匀的场景，可以通过随机分桶来实现数据的均匀分布，提高查询效率。

如果分区和分桶还不能满足查询要求，那么还可以在基础表上建立物理视图，这个在另一篇详细介绍！
谢谢观看，欢迎补充和指正！