Doris（13）：数据模型

news2024/12/23 3:13:40

在 Doris 中，数据以表（Table）的形式进行逻辑上的描述。一张表包括行（Row）和列（Column）。Row即用户的一行数据。Column 用于描述一行数据中不同的字段。

Column可以分为两大类：Key（维度列）和Value（指标列）

Doris 的数据模型主要分为3类:

  • Aggregate
  • Uniq
  • Duplicate

1 Aggregate模型（聚合模型）

聚合模型的特点就是将表中的列分为了Key和Value两种。 Key 就是数据的维度列，比如时间，地区等等。 Value 则是数据的指标列，比如点击量，花费等。每个指标列还会有自己的聚合函数，包括sum、min、max和bitmap_union 等。数据会根据维度列进行分组，并对指标列进行聚合。

这是一个典型的用户信息和访问行为的事实表。 在一般星型模型中，用户信息和访问行为一般分别存放在维度表和事实表中。这里我们为了更加方便的解释 Doris 的数据模型，将两部分信息统一存放在一张表中。

表中的列按照是否设置了 AggregationType，分为 Key (维度列) 和 Value（指标列）。没有设置 AggregationType 的，如 user_id、date、age … 等称为 Key，而设置了 AggregationType 的称为 Value。

当我们导入数据时，对于 Key 列相同的行和聚合成一行，而 Value 列会按照设置的 AggregationType 进行聚合。 AggregationType 目前有以下四种聚合方式：

  • SUM：求和，多行的 Value 进行累加。
  • REPLACE：替代，下一批数据中的 Value 会替换之前导入过的行中的 Value。
  • MAX：保留最大值。
  • MIN：保留最小值。

演示一：导入数据聚合

创建doris表

CREATE TABLE IF NOT EXISTS test_db.example_site_visit
(
    `user_id` LARGEINT NOT NULL COMMENT "用户id",
    `date` DATE NOT NULL COMMENT "数据灌入日期时间",
    `city` VARCHAR(20) COMMENT "用户所在城市",
    `age` SMALLINT COMMENT "用户年龄",
    `sex` TINYINT COMMENT "用户性别",
    `last_visit_date` DATETIME REPLACE DEFAULT "1970-01-01 00:00:00" COMMENT "用户最后一次访问时间",
    `cost` BIGINT SUM DEFAULT "0" COMMENT "用户总消费",
    `max_dwell_time` INT MAX DEFAULT "0" COMMENT "用户最大停留时间",
    `min_dwell_time` INT MIN DEFAULT "99999" COMMENT "用户最小停留时间"
)
AGGREGATE KEY(`user_id`, `date`, `city`, `age`, `sex`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 10;

插入数据

insert into test_db.example_site_visit values(10000,'2020-10-01','北京',20,0,'2020-10-01 06:00:00',20,10,10);
insert into test_db.example_site_visit values(10000,'2020-10-01','北京',20,0,'2020-10-01 07:00:00',15,2,2);
insert into test_db.example_site_visit values(10001,'2020-10-01','北京',30,1,'2020-10-01 17:05:45',2,22,22);
insert into test_db.example_site_visit values(10002,'2020-10-02','上海',20,1,'2020-10-02 12:59:12',200,5,5);
insert into test_db.example_site_visit values(10003,'2020-10-02','广州',32,0,'2020-10-02 11:20:00',30,11,11);
insert into test_db.example_site_visit values(10004,'2020-10-01','深圳',35,0,'2020-10-01 10:00:15',100,3,3);
insert into test_db.example_site_visit values(10004,'2020-10-03','深圳',35,0,'2020-10-03 10:20:22',11,6,6);

select * from test_db.example_site_visit;

可以看到，用户 10000 只剩下了一行聚合后的数据。而其余用户的数据和原始数据保持一致。这里先解释下用户 10000 聚合后的数据：

前5列没有变化，从第6列 last_visit_date 开始：

2020-10-01 07:00:00：因为 last_visit_date 列的聚合方式为 REPLACE，所以 2020-10-01 07:00:00 替换了 2020-10-01 06:00:00 保存了下来。

注：在同一个导入批次中的数据，对于 REPLACE 这种聚合方式，替换顺序不做保证。如在这个例子中，最终保存下来的，也有可能是 2020-10-01 06:00:00。而对于不同导入批次中的数据，可以保证，后一批次的数据会替换前一批次。

35：因为 cost 列的聚合类型为 SUM，所以由 20 + 15 累加获得 35。

10：因为 max_dwell_time 列的聚合类型为 MAX，所以 10 和 2 取最大值，获得 10。

2：因为 min_dwell_time 列的聚合类型为 MIN，所以 10 和 2 取最小值，获得 2。

经过聚合，Doris 中最终只会存储聚合后的数据。换句话说，即明细数据会丢失，用户不能够再查询到聚合前的明细数据了。

演示二：保留明细数据

创建doris表

CREATE TABLE IF NOT EXISTS test_db.example_site_visit2
(
    `user_id` LARGEINT NOT NULL COMMENT "用户id",
    `date` DATE NOT NULL COMMENT "数据灌入日期时间",
    `timestamp` DATETIME COMMENT "数据灌入时间，精确到秒",
    `city` VARCHAR(20) COMMENT "用户所在城市",
    `age` SMALLINT COMMENT "用户年龄",
    `sex` TINYINT COMMENT "用户性别",
    `last_visit_date` DATETIME REPLACE DEFAULT "1970-01-01 00:00:00" COMMENT "用户最后一次访问时间",
    `cost` BIGINT SUM DEFAULT "0" COMMENT "用户总消费",
    `max_dwell_time` INT MAX DEFAULT "0" COMMENT "用户最大停留时间",
    `min_dwell_time` INT MIN DEFAULT "99999" COMMENT "用户最小停留时间"
)
AGGREGATE KEY(`user_id`, `date`, `timestamp`, `city`, `age`, `sex`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 10;

插入数据

insert into test_db.example_site_visit2 values(10000,'2017-10-01','2017-10-01 08:00:05','北京',20,0,'2017-10-01 06:00:00',20,10,10);
insert into test_db.example_site_visit2 values(10000,'2017-10-01','2017-10-01 09:00:05','北京',20,0,'2017-10-01 07:00:00',15,2,2);
insert into test_db.example_site_visit2 values(10001,'2017-10-01','2017-10-01 18:12:10','北京',30,1,'2017-10-01 17:05:45',2,22,22);
insert into test_db.example_site_visit2 values(10002,'2017-10-02','2017-10-02 13:10:00','上海',20,1,'2017-10-02 12:59:12',200,5,5);
insert into test_db.example_site_visit2 values(10003,'2017-10-02','2017-10-02 13:15:00','广州',32,0,'2017-10-02 11:20:00',30,11,11);
insert into test_db.example_site_visit2 values(10004,'2017-10-01','2017-10-01 12:12:48','深圳',35,0,'2017-10-01 10:00:15',100,3,3);
insert into test_db.example_site_visit2 values(10004,'2017-10-03','2017-10-03 12:38:20','深圳',35,0,'2017-10-03 10:20:22',11,6,6);

select * from test_db.example_site_visit2 ;

我们可以看到，存储的数据，和导入数据完全一样，没有发生任何聚合。这是因为，这批数据中，因为加入了 timestamp 列，所有行的 Key 都不完全相同。

也就是说，只要保证导入的数据中，每一行的 Key 都不完全相同，那么即使在聚合模型下，Doris 也可以保存完整的明细数据。

演示三：导入数据与已有数据聚合

刚才讲了数据在导入的时候会有一次合并，因为要聚合。还有一种情况是如果我先导入了一批数据，然后又导入了一批数据，这两批的数据之间有相同的时候，也需要进行一个合并。

创建doris表

CREATE TABLE IF NOT EXISTS test_db.example_site_visit3
(
    `user_id` LARGEINT NOT NULL COMMENT "用户id",
    `date` DATE NOT NULL COMMENT "数据灌入日期时间",
    `city` VARCHAR(20) COMMENT "用户所在城市",
    `age` SMALLINT COMMENT "用户年龄",
    `sex` TINYINT COMMENT "用户性别",
    `last_visit_date` DATETIME REPLACE DEFAULT "1970-01-01 00:00:00" COMMENT "用户最后一次访问时间",
    `cost` BIGINT SUM DEFAULT "0" COMMENT "用户总消费",
    `max_dwell_time` INT MAX DEFAULT "0" COMMENT "用户最大停留时间",
    `min_dwell_time` INT MIN DEFAULT "99999" COMMENT "用户最小停留时间"
)
AGGREGATE KEY(`user_id`, `date`, `city`, `age`, `sex`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 10;

插入数据

insert into test_db.example_site_visit3 values(10000,'2020-10-01','北京',20,0,'2020-10-01 06:00:00',20,10,10);
insert into test_db.example_site_visit3 values(10000,'2020-10-01','北京',20,0,'2020-10-01 07:00:00',15,2,2);
insert into test_db.example_site_visit3 values(10001,'2020-10-01','北京',30,1,'2020-10-01 17:05:45',2,22,22);
insert into test_db.example_site_visit3 values(10002,'2020-10-02','上海',20,1,'2020-10-02 12:59:12',200,5,5);
insert into test_db.example_site_visit3 values(10003,'2020-10-02','广州',32,0,'2020-10-02 11:20:00',30,11,11);
insert into test_db.example_site_visit3 values(10004,'2020-10-01','深圳',35,0,'2020-10-01 10:00:15',100,3,3);
insert into test_db.example_site_visit3 values(10004,'2020-10-03','深圳',35,0,'2020-10-03 10:20:22',11,6,6);

查询数据

select * from test_db.example_site_visit3 ;

再导入一批新的数据：

insert into test_db.example_site_visit3 values(10004,'2020-10-03','深圳',35,0,'2020-10-03 11:22:00',44,19,19);
insert into test_db.example_site_visit3 values(10005,'2020-10-03','长沙',29,1,'2020-10-03 18:11:02',3,1,1);

可以看到，用户 10004 的已有数据和新导入的数据发生了聚合。同时新增了 10005 用户的数据。

数据的聚合，在 Doris 中有如下三个阶段发生：

  • 每一批次数据导入的 ETL 阶段。该阶段会在每一批次导入的数据内部进行聚合。
  • 底层 BE 进行数据 Compaction 的阶段。该阶段，BE 会对已导入的不同批次的数据进行进一步的聚合。
  • 数据查询阶段。在数据查询时，对于查询涉及到的数据，会进行对应的聚合。

数据在不同时间，可能聚合的程度不一致。比如一批数据刚导入时，可能还未与之前已存在的数据进行聚合。但是对于用户而言，用户只能查询到聚合后的数据。即不同的聚合程度对于用户查询而言是透明的。用户需始终认为数据以最终的完成的聚合程度存在，而不应假设某些聚合还未发生。（可参阅聚合模型的局限性一节获得更多详情。）

2 Uniq模型（唯一主键）

在某些多维分析场景下，用户更关注的是如何保证 Key 的唯一性，即如何获得 Primary Key 唯一性约束。因此，我们引入了 Uniq 的数据模型。该模型本质上是聚合模型的一个特例，也是一种简化的表结构表示方式。

Unique Key 的模型主要面向留存分析或者订单分析的场景，他们需要一个 Unique Key 的约束去保证整个数据不丢不重。然后 Duplicate Key 的模型，就是这个数据可能重复。

演示：

创建表格

CREATE TABLE IF NOT EXISTS test_db.user
(
    `user_id` LARGEINT NOT NULL COMMENT "用户id",
    `username` VARCHAR(50) NOT NULL COMMENT "用户昵称",
    `city` VARCHAR(20) COMMENT "用户所在城市",
    `age` SMALLINT COMMENT "用户年龄",
    `sex` TINYINT COMMENT "用户性别",
    `phone` LARGEINT COMMENT "用户电话",
    `address` VARCHAR(500) COMMENT "用户地址",
    `register_time` DATETIME COMMENT "用户注册时间"
)
UNIQUE KEY(`user_id`, `username`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 10;

插入数据

insert into test_db.user values(10000,'zhangsan','北京',20,0,13112345312,'北京西城区','2020-10-01 07:00:00');
insert into test_db.user values(10000,'zhangsan','北京',20,0,13112345312,'北京海淀区','2020-11-15 06:10:20');

查询数据

select * from test_db.user;

即 Uniq 模型完全可以用聚合模型中的 REPLACE 方式替代。其内部的实现方式和数据存储方式也完全一样。

3 Duplicate 模型（冗余模型）

Duplicate Key 的模型，就是说支持一个用户导入之后把这个数据全部放在数据库里面，我们不再做提前的聚合，也不单独保证唯一性，只做一个排序。因此，我们引入 Duplicate 数据模型来满足这类需求。

如：对于有些日志分析它不太在意数据多几条或者少几条，可能只关心排序，这个时候可能重复 Key 的模型会更加有效果。

演示：

创建doris表格

CREATE TABLE IF NOT EXISTS test_db.example_log
(
    `timestamp` DATETIME NOT NULL COMMENT "日志时间",
    `type` INT NOT NULL COMMENT "日志类型",
    `error_code` INT COMMENT "错误码",
    `error_msg` VARCHAR(1024) COMMENT "错误详细信息",
    `op_id` BIGINT COMMENT "负责人id",
    `op_time` DATETIME COMMENT "处理时间"
)
DUPLICATE KEY(`timestamp`, `type`)
DISTRIBUTED BY HASH(`timestamp`) BUCKETS 10;

插入数据

insert into test_db.example_log values('2020-10-01 08:00:05',1,404,'not found page', 101, '2020-10-01 08:00:05');
insert into test_db.example_log values('2020-10-01 08:00:05',1,404,'not found page', 101, '2020-10-01 08:00:05');
insert into test_db.example_log values('2020-10-01 08:00:05',2,404,'not found page', 101, '2020-10-01 08:00:06');
insert into test_db.example_log values('2020-10-01 08:00:06',2,404,'not found page', 101, '2020-10-01 08:00:07');

查询数据

select * from test_db.example_log;

这种数据模型区别于 Aggregate 和 Uniq 模型。数据完全按照导入文件中的数据进行存储，不会有任何聚合。即使两行数据完全相同，也都会保留。 而在建表语句中指定的 DUPLICATE KEY，只是用来指明底层数据按照那些列进行排序

4 数据模型的总结

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/446997.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Java双亲委派和类加载器

Java双亲委派和类加载器

Java双亲委派和类加载器 Java类生命周期主要内容类加载器的分类Bootstrap ClassLoader非Bootstrap ClassLoaderExtension ClassLoaderApplication ClassLoaderUser ClassLoader 类加载的命名空间问题提出双亲委派机制问题解答 破坏双亲委派破坏双亲委派-第一次破坏双亲委派-第二…
阅读更多...
【MySQL】GROUP BY分组子句与联合查询的使用详解

【MySQL】GROUP BY分组子句与联合查询的使用详解

目录 前篇都在这里喔~ MySQL的增删改查 MySQL数据库约束和聚合函数的使用 1.GROUP BY子句 练习表如下： 1.查询不包含董事长的平均工资 2.按照角色分组计算平均工资 3.过滤掉平均工资大于一万的角色 4.♥过滤数据♥ 2.联合查询 以下列表作为依据 1.内连接 …
阅读更多...
（十二）rk3568 NPU 中部署自己训练的模型，（1）使用yolov5训练自己的数据集-环境搭建部分

（十二）rk3568 NPU 中部署自己训练的模型，（1）使用yolov5训练自己的数据集-环境搭建部分

rk3568中带有0.8T算力的NPU，可以完成一些轻量级的图像识别任务。 本文向零基础人员介绍从windows中搭建训练环境，模型训练、模型转换到rknn模型部署到电路板上全部过程。 rk3568npu支持caffe、darknet、onnx、pytorch、tensorflow等多种框架。 本人使用…
阅读更多...
springboot+vue企业人事人力资源管理系统java公司员工出差考勤办公OA系统

springboot+vue企业人事人力资源管理系统java公司员工出差考勤办公OA系统

“简易云”是这个系统的名字 （6）系统管理：主要下拉分为角色管理、菜单管理； 角色管理：此页面可对角色进行增删改查操作，可修改不同角色的权限； 菜单管理：此页面可配置系统可展示的菜…
阅读更多...
linux学习记录 和文件系统相关的命令

linux学习记录 和文件系统相关的命令

记录过程，会有错误,硬链接与软链接哪里可能没有说清楚 文件,目录操作命令 pwd 获取当前处于哪个目录当中，返回的是绝对路径 [rootlocalhost home]# pwd /homecd cd 相对/绝对路径 切换目录的，change directory .代表当前目录 …代表上一级…
阅读更多...
【C++学习】类和对象--对象特性（1）

【C++学习】类和对象--对象特性（1）

构造函数和析构函数 对象的初始化和清理是两个非常重要的安全问题 一个对象或变量没有初始状态，对其使用后果是未知的 使用完一个对象或变量，没有及时清理，也会造成一定的安全问题 C利用构造函数和析构函数解决上述问题，这两个函数…
阅读更多...
排序 Comparable 和 Comparator 区别所在

排序 Comparable 和 Comparator 区别所在

在 Java 中，Comparable 和Comparator 都是用来元素排序的，但是本质不用。我们从几点开始分析。 1.字面含义 Comparable 中文翻译是”比较“，以 able 结尾 说明它具有某种能力。 Comparator 中文翻译是”比较器“，以 or 结尾 表明…
阅读更多...
【C++ 二十】STL：遍历、查找、排序、拷贝和替换、算术生成、集合算法

【C++ 二十】STL：遍历、查找、排序、拷贝和替换、算术生成、集合算法

STL：遍历、查找、排序、拷贝和替换、算术生成、集合算法 文章目录 STL：遍历、查找、排序、拷贝和替换、算术生成、集合算法前言1 常用遍历算法1.1 for_each1.2 transform 2 常用查找算法2.1 find2.2 find_if2.3 adjacent_find2.4 binary_search2.5 count…
阅读更多...
室内人员定位系统源码，采用java语言+UWB定位技术开发

室内人员定位系统源码，采用java语言+UWB定位技术开发

运用UWB定位技术开发的人员定位系统源码 文末获取联系 本套系统运用UWB定位技术开发的高精度人员定位系统，通过独特的射频处理，配合先进的位置算法，可以有效计算复杂环境下的人员与物品的活动信息。 系统提供位置实时显示、历史轨迹回放、人…
阅读更多...
循序渐进，学会用pyecharts绘制瀑布图

循序渐进，学会用pyecharts绘制瀑布图

循序渐进，学会用pyecharts绘制瀑布图 瀑布图简介 瀑布图(Waterfall Plot)是由麦肯锡顾问公司所独创的图表类型，因为形似瀑布流水而称之为瀑布图。 瀑布图采用绝对值与相对值结合的方式，适用于表达多个特定数值之间的数量变化关系。当用户想…
阅读更多...
本地Nacos设置脚本命令启动

本地Nacos设置脚本命令启动

一、起因： 每次启动都要找到位置写一遍命令费劲。 1、可设置开机启动 2、可设置脚本自动 二、配置脚本： 1、这是我nacos的位置 用bat命令启动一个cmd命令行，然后在里面执行两天命令。 ①命令一：打开指定路径 ②命令二&#xf…
阅读更多...
Java图书借阅管理系统详细设计和实现

Java图书借阅管理系统详细设计和实现

基于JavaSpringHtml的图书借阅管理系统详细设计和实现 博主介绍：5年java开发经验，专注Java开发、定制、远程、文档编写指导等,csdn特邀作者、专注于Java技术领域 作者主页 超级帅帅吴 Java毕设项目精品实战案例《500套》 欢迎点赞 收藏 ⭐留言 文末获取源…
阅读更多...
cmd连接本地mysql数据库和远程服务器mysql数据库

cmd连接本地mysql数据库和远程服务器mysql数据库

1.在cmd窗口里连接本地的mysql数据库 打开运行窗口，输入cmd，确定 windowsr 或在左下角windows图标处鼠标右键，点击运行按钮打开运行窗口 格式： mysql -u用户名 -p密码 mysql -uroot -p123456 成功进入mysql 2. 在cmd窗口里连接远…
阅读更多...
尚硅谷_宋红康_第17章_反射机制

尚硅谷_宋红康_第17章_反射机制

第17章_反射机制 本章专题与脉络 1. 反射(Reflection)的概念 1.1 反射的出现背景 Java程序中，所有的对象都有两种类型：编译时类型和运行时类型，而很多时候对象的编译时类型和运行时类型不一致。 Object obj new String(“hello”); obj.ge…
阅读更多...
Django使用Celery异步发送邮件

Django使用Celery异步发送邮件

Django使用Celery异步发送邮件 前言邮箱配置Django项目发送邮件配置邮件服务器Django发送邮件模块 Celery概述工作模式安装Celery Celery的基本使用创建config.py配置文件创建Celery实例并加载配置定义任务启动Celery服务提交任务异常 Celery发送邮件创建config.py配置文件创建…
阅读更多...
机器学习 day05（多元线性回归，向量化，及向量化高效的原理）

机器学习 day05（多元线性回归，向量化，及向量化高效的原理）

1. 单个特征（变量）的线性回归模型 房子的价格仅由房子的大小决定，如图： 2. 多个特征（变量）的线性回归模型 房子的价格由房子的大小，房子有多少个卧室，房子有几层，房子…
阅读更多...
2023年，逆势拿到大厂Offer，我怎么做？｜原创

2023年，逆势拿到大厂Offer，我怎么做？｜原创

关于面试，做一些经验分享。 过年时候默默给自己定下了3个目标。第一个就是2023要换一份喜欢的工作。没想到在4月就提前实现了这个目标。 是一个我很看好的大厂，期待的岗位、看好的方向，薪资涨幅也比较给力。最近这段时间没空发文章&#xff0…
阅读更多...
MySql中，join 语句怎么优化？

MySql中，join 语句怎么优化？

既然每次从驱动表取数据比较耗时，那我们每次从驱动表取一批数据放到内存中，然后对这一批数据进行匹配操作。这批数据匹配完毕，再从驱动表中取一批数据放到内存中，直到驱动表的数据全都匹配完毕 批量取数据能减少很多IO操作&#…
阅读更多...
二十三、高级网络技术及应用——BFD解析

二十三、高级网络技术及应用——BFD解析

文章目录 前言一、BFD 简介1、概述：2、作用： 二、静态路由调用 BFD1、配置静态 BFD2、配置动态 BFD 三、OSPF联动BFD四、BFD 单臂回声（one arm echo） 前言 BFD：Bidirectional Forwarding Detection，双向转…
阅读更多...
奇舞周刊第490期：WebAssembly 多语言/宿主环境中的使用

奇舞周刊第490期：WebAssembly 多语言/宿主环境中的使用

记得点击文章末尾的“ 阅读原文 ”查看哟~ 下面先一起看下本期周刊 摘要 吧~ 奇舞精选 ■ ■ ■ WebAssembly 多语言/宿主环境中的使用 WebAssembly (WASM) 的一个优势就是能够支持将不同语言编译成 WASM 代码，然后在不同的宿主环境中运行。这样就可以在不同的宿主环…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023