StarRocks实战——多维分析场景与落地实践

目录

一、OLAP 系统历史背景

1.1 历史背景与痛点

1.2 组件诉求

二、StarRocks 的特点和优势

2.1 极致的查询性能

2.2 丰富的导入方式

2.3 StarRocks 的优势特点

三、多维分析的运用场景

3.1  实时计算场景 / 家长监控中心

3.2 实时更新模型选择

3.2.1 更新模型UNIQUE

3.2.2 主键模型PRIMARY

3.3 主键模型不能使用Delete方式删除数据

3.4 报表实时指标计算

3.5 数据关系模型转变

3.7 精确一次性保证

3.8 指标存储转变

3.9 常用数据导入方式

 3.9.1 实时数据

 3.9.2 离线数据

3.10 分区分桶选择

3.11 慢查询分析

四、未来规划

  原文大佬的这篇StarRocks多维分析场景与落地实践的文章整体写的很深入，这里直接摘抄下来用作学习和知识沉淀。

一、OLAP 系统历史背景

1.1 历史背景与痛点

  先阐述下之前做实时和离线指标计算所使用的一些组件：

• 分钟级别调度的指标计算：用 Presto 或者是 Clickhouse。
• kafka数据流的计算：用SparkStreaming或者Flink去读取并计算
• 标签表的计算：会导入一些标签表到 HBase 里面，然后通过 Data API 的方式去提供给其他的系统使用（比如我们公司是做游戏的，会有一些玩家的标签表在对接客服之类的系统，他们会实时去查看每一个玩家的信息，进行一些问题的解答，我们会提供这样的数据）。
• 报表展示：报表的实时指标的结果会落到Mysql库中，报表系统会直接读取MySQL作为指标的展示。

     这些组件其实各有优势：比如 Presto 直联 Hive，不需要做其他的操作，就可以做一些自主分析；ClickHouse单表查询性能好。但是随着架构演变，数仓集成了特别多组件，带来了以下痛点：

• 组件太多，维护多套组件的运维成本是比较高。
• 各组件的 SQL 语法存在差异，特别是 ClickHouse不支持标准 SQL，所以开发维护任务的成本也会比较高。
• 同一指标数据因为在多套系统都存在，需要确保计算的结果和口径的一致性，数据对齐成本也是比较高。
• 指标结果数据是落在Mysql中的，有一些维度比较多的数据，其结果数据量是比较大的，需要对 MySQL 通过分表去支持数据的存储和查询。但当数据量达到一定量级，即使分表，查询性能也比较差，导致报表系统时间上响应会比较慢。

1.2 组件诉求

   为了解决以上痛点，需要选择统一的OLAP引擎，该引擎至少要满足以下要求：

• 数据秒级写入，低延迟毫秒级响应

• 复杂场景多表关联查询性能好

• 运维简单，方便扩展

• 支持高并发点查

• 易用性强，开发简单方便

    对比调研了市面上一些组件，希望用一款存算一体的组件去优化我们的整个架构。首先，ClickHouse 的使用和运维比较困难，并且多表关联的性能比较差，所以我们没有选择 ClickHouse。我们又对比了 StarRocks 和 Doris，因为StarRocks在性能上会更好，所以我们最终选择了 StarRocks 作为统一的 OLAP引擎。

二、StarRocks 的特点和优势

2.1 极致的查询性能

    StarRocks 是有着极致的查询性能的，主要得益于以下的这几点：

• 分布式执行 MPP：一条数据/一条查询请求会被拆分成多个物理的执行单元，可以充分利用所有节点的资源，这样对于查询性能是一个很好的提升。

• 列式存储引擎：对于大多数的 OLAP 引擎来说的话，基本会选择列式存储，因为很多的 OLAP 场景当中，计算基本上只会涉及到部分列的一些提取，所以相对于“行存”来说，列存只读取部分列的数据，可以极大的降低磁盘 IO。

• 全面向量化引擎：StarRocks所有算子都实现了向量化，向量化简单理解就是它可以消除程序循环的优化，是实现了 Smid 的一个特性，也就是当对一列数据进行相同的操作的时候，可以使用单条指令去操作多条数据，这是一个在 CPU 寄存器层面实行的对数据并行操作的优化。

• CBO 优化器：在多表查询或者一些复杂查询的情况下，同一条sql会有不同的执行计划，不同计划之间的执行性能的差异可能会差几个量级，需要一款更好的优化器，才能够选择出相对更优的一个执行计划，从而提升查询效率。

2.2 丰富的导入方式

    StarRocks 有丰富的导入方式，对接一些外部组件时，可以通过这些导入方式去直接完成数据的导入，极大节省开发时间。

2.3 StarRocks 的优势特点

• 运维简单：右侧这个图是 StarRocks 一个简单的架构图，只有FE和 BE 两种组件，不依赖于外部组件，运维简单，并且也方便扩缩容。

• 丰富的数据模型：StarRocks 支持明细、聚合、更新、主键4种数据模型，同时它还支持物化视图，方便我们针对不同的场景去选择合适的数据模型。

• 简单易用：StarRocks 兼容 MySQL 协议，支持标准的 SQL 语法，不需要太多的学习成本就可以去直接使用它。

• 支持多种外部表：StarRocks 支持多种外部表，比如 MySQL、ElasticSearch、Hive、StarRocks（这里指另一个集群的 StarRocks）等，跨集群、跨组件的关联查询也无需数据的导入，可以直接建立外部表，基于多个数据源去做关联查询。

三、多维分析的运用场景

3.1  实时计算场景 / 家长监控中心

   例如上图的需求： 提供有各个未成年账号的一些实时的在线数据，或者是充值数据。右侧图是这一需求的数据流转图：读取Kafka数据，通过Flink清洗、转换后实时写入StarRocks，再通过 Data API 的方式去提供给小程序使用。因为跨部门协作，所以用Data API 的方式去提供数据比较安全。

   同时也有一条离线覆盖的线路，Flink 计算难免会有一些上报的数据存在网络延迟，部分数据的计算可能会有一些差异，所以我们最终要用离线数据去覆盖实时数据，确保离线实时两条链路的数据一致性。

3.2 实时更新模型选择

   StarRocks中提供了两种模型可以用于数据的更新，这两种组件的内部机制是有所区别的，所以使用场景也不太一样。

3.2.1 更新模型UNIQUE

   内部是使用 Merge on Read 的方式去实现数据的更新的，也就是说 StarRocks 在底层操作的时候不会去更新数据，但是会在查询的时候实时去合并版本，所以同一主键的数据会存储多个版本；这样的好处是在写入的时候会非常流畅，但是也有坏处，在频繁导入数据的时候，主键会存在多个版本的数据，这对于查询性能会有所影响。

3.2.2 主键模型PRIMARY

   内部使用的是Delete and Insert（删除并更新）的方式，StarRocks 会将主键存于内存中，在数据写入的时候，会去内存中找到这条数据，然后执行一个标记删除的操作，之后会把新的数据插入进去，最后合并时只需要过滤掉那些标记删除的数据就可以了，它的查询性能会比更新模型更高。

   上文提到的需求，对实时性要求是比较高，数据更新特别频繁，因此我们会优先考虑查询性能，最终选择主键模型去作为表的数据模型。

3.3 主键模型不能使用Delete方式删除数据

   前文 【3.1】提到离线覆盖实时的一个操作，使用场景是当我们在数据有一些差异的时候，需要用离线数据覆盖实时数据。使用 StarRocks 的主键模型进行数据删除时，只能够通过 Stream Load、Broker Load、Routine Load 等这三种导入的方式去删除数据，这是非常不方便的，导入时需要先提供一个标志位（如下图），去标明这是 Upsert 还是 Delete。对于直接写 SQL 语句去删除数据是非常不友好的。

   基于StarRocks主键模型能够更新数据的特性，可以选择使用软删除的方式去标记删除。先把这些需要删除的数据查询出来，再变更它的一个删除标志位。

    StarRocks的更新模型也是支持删除操作的，我们为什么选择主键模型，而不是选择更新模型呢？主要考虑到以下三点情况：

（1）上文提到的需求，对实时性要求是比较高，数据更新特别频繁，所以用更新模型的查询性势必会有所下降。

（2）更新模型的删除也是有一些限制的，在删除条件比较复杂的情况下也是无法删除的。

比如：只能根据“排序列”去删除，或者是删除条件只能用与 AND 不能用或 OR。

（3）我们会用离线数据去覆盖实时数据，这两份数据其实是非常相近的，只会有很少的不一致，所以我们删除的冗余也是很少的。

3.4 报表实时指标计算

     接下来介绍报表的一些实时指标的计算，首先报表是固定维度的，我们会有各种时效性的指标，在引进 StarRocks 之后，数仓架构做了重构。

• 首先，Flink读取Kafka的数据，只做一些简单的ETL操作；

• 其次，关联HBase数据，实时生成账号首次登录表；

• 接着数据写入到下级Kafka，再双写到Hive 和StarRocks。

• 最后在StarRocks中做逻辑分层，基于分钟级别的调度去产出各种场景下的指标结果。

    重构后，报表系统直接读取StarRocks的指标数据进行展示分析（之前需要落到mysql库再对外展示），此外还通过Data API 的方式将数据提供给小程序使用。

3.5 数据关系模型转变

    在数据建模方面，我们也做了一些重构。以前在使用 ClickHouse 时，鉴于其多表Join的能力不理想，我们的数据模型基本会使用一些大宽表，尽量使用单表查询以保证查询性能。但宽表模型的问题较为显著，即一旦维度有所变化，其回溯的成本是很高的。

    在引入 StarRocks之后，它具备优异的多表 Join能力，所以我们建模时更多的是考虑采用星型模型或者雪花模型，将之前宽表中的复杂逻辑进行解耦，沉淀成一张张事实表和维度表。当维度不变化时不存在回溯成本，且能应对更多的灵活分析、多维分析的场景。

3.7 精确一次性保证

   在精准一次性保证方面，以前使用Flink写入ClickHouse时是无法保证数据的精确一致性的，下游做计算时需要做各种去重操作，比如账号的去重，订单的去重等等。在引入 StarRocks 之后，使用官方的插件 Flink-Connector 去写入是可以保证数据的精确一次性的。

3.8 指标存储转变

  以前实时计算的结果都会写入Mysql，需要借助其他工具，比如Sqoop,DataX等。

 在引入StarRocks之后，实现了算存一体，查询分析统一。查询分析需要关联其他组件时候，可以根据其他数据源建立外表，采用联邦查询的方式快速得到结果。

3.9 常用数据导入方式

 3.9.1 实时数据

   使用官方的 Flink-Connector 插件导入数据，基本原理是在内存中积攒小批数据，再通过 Stream Load一次性导入 StarRocks，Stream Load 是通过 HTTP 协议提交和传输数据。

 3.9.2 离线数据

     采用Hive外表方式将Hive的一些结果数据迁移到StarRocks，导入过程中需要注意的点： Hive 的源数据信息，包括分区信息以及分区下的一些文件信息，都是存储在 StarRocks FE 中的，所以在更新Hive数据的时候，需要及时更新FE的缓存。

  StarRocks提供了三种缓存的更新方式，一是自动刷新缓存，默认是两个小时会自动刷新一次；二是手动刷新缓存，导入离线数据的任务更倾向于采用此方式，能保证下一个导入任务执行的时候，缓存就已经更新了；三是自动增量更新。

3.10 分区分桶选择

   我们在 StarRocks 建表的时候涉及到的一些分区分桶策略如下：

①先分区后分桶：如果不分区，StarRocks 会把整张表作为一个分区；分区是使用 Range 方式，分桶是使用 Hash 方式。

②分区选择：逻辑概念，表中数据可以根据分区列（通常是时间和日期）分成一个个更小的数据管理单元。查询时，通过分区裁剪，可以减少扫描的数据量，显著优化查询性能。

③分桶选择：StarRocks一般采用Hash算法作为分桶算法，在同一分区内，分桶键哈希值相同的数据会划分到同一个Tablet（数据分片），Tablet 以多副本冗余的形式存储，是数据均衡和恢复的最⼩单位。选择高基数的列为分桶键，保证数据在各个分桶中尽量均衡，提高集群资源利用率。

• 分桶列多，适用于高吞吐量（低吞吐）场景，是因为数据分布在多个桶中，并发查询多个桶，单个查询速度快。
• 分桶列少，适用于高并发场景，是因为一个查询可能只命中一个桶，多个查询之间查询不同的桶，磁盘的IO影响小，所以并发就高。

3.11 慢查询分析

   StarRocks 也提供了一些慢查询分析工具，比如可以到日志里面去查看慢查询的信息，或者是到页面上去看它的 Profile（如上图）。Profile 是BE 执行后的一个结果，包含了每一步的耗时和处理量的结果。当遇到慢查询时，可以去具体分析这个 SQL 的执行情况，通过相应的措施去调优。

   ps：StarRocks查询分析见文章：

第7.1章：StarRocks性能调优——查询分析-CSDN博客

四、未来规划

  最后分享一下游族对于 StarRocks使用的一些未来规划：

①将剩余的实时场景全部迁入到 StarRocks，建立以StarRocks 为核心的统一查询分析平台。

③完善 StarRocks 的一些监控告警模块，比如慢查询的监控、ETL调度任务的监控、集群性能的监控等。

参考文章：

使用 Stream Load 事务接口导入 | StarRocks

Apache InLong 实时同步数据到 StarRocks 原理与实践

StarRocks 在游族的多维分析场景与落地实践