Doris数据仓库

Doris 数据仓库教程导读

「大宽表」「拉链表」「T+1」——数据仓库的行话翻来覆去就是这几个词，可真到建表拍板时，每个词背后都是一串要付代价的决策。大促之夜的作战室里，运营盯着实时大屏追问 GMV 为何比预估低了两个点，数据同学还在等没跑完的 T+1 批任务——这种被报表延迟"卡脖子"的窘境，是很多团队头一回认真考虑 Apache Doris 的起点。这套文集就是为站在那个起点上的人写的：从选型判断、建表拍板，到导入链路、SQL 调优、故障处置，把整条实时数仓建设路径走通。

Apache Doris（前身是百度内部引擎 Palo，2018 年进入 Apache 孵化器并毕业）是一个基于 MPP 架构的实时分析型数据库。它不依赖 Hadoop 系组件即可独立部署，兼容 MySQL 网络协议，列式存储加向量化执行让它在大宽表聚合、多维过滤、高并发看板这些典型分析负载上能给出亚秒级响应；主键模型配合 Merge-on-Write 又让更新类需求有了着落。轻量架构、单系统覆盖"导入-存储-查询-服务"全链路，是它与 ClickHouse、Trino、Hive 体系同台时最鲜明的差异。

这本教程讲什么、不讲什么。 它讲的是工程师视角的决策与实操：什么时候该选 Doris 而不是其他引擎；三种表模型各自适合什么业务形态；分区分桶数量怎么估、前缀索引字段怎么排；六种导入方式分别在什么延迟与吞吐下出场；慢查询如何用执行计划与 Profile 定位瓶颈；集群指标异常时先检查哪几个开关。它不讲分布式数据库的理论推导，也不替代官方文档里的参数字典——每个涉及配置项的位置，我们会说清取舍逻辑，具体默认值以你使用的版本为准。

章节安排与依赖关系。 全册八章，按"先决策、再建模、后运维"的顺序推进：第 1 章解决"要不要用它"；第 2 章拆开 FE 与 BE 的分工，理解后面所有现象的根源；第 3 章是全书的重心——建表建模，很多性能问题在这一章就注定；第 4 章讲导入与更新的全链路，附带一份排错工单实录；第 5 章是 SQL 调优演练场，含一次从十二秒到亚秒的真实降耗过程；第 6 章覆盖物化视图、联邦查询与权限；第 7 章面向值班场景，给出演练过的应急手册；第 8 章收束到生态对接与行业落地。章节间的学习依赖如下图所示。

图 0-1：全册知识地图与学习路线

面向谁。 第一类是正在做技术选型的后端或数据平台工程师，建议先读第 1 章的六款引擎对比和第 2 章的架构分账；第二类是即将动手建表的数仓开发，第 3 章的四节加上 3.4 的订单宽表复盘值得逐段过一遍；第三类是线上系统的值守者，第 4.4 排错工单、第 5.4 降耗演练和第 7 章应急处置组成了一条"出事时怎么想"的线索。全书示例基于社区版 2.x 系列，个别行为随版本演进会有出入，遇到细节冲突请以自己集群的实际表现为准——这也是本册反复强调的习惯：让数据和解释都来自你的现场。

读法上不必贪快。每一节的要点回顾是压缩后的决策清单，正文里那些带数字的推演过程才是真正可迁移的能力来源。合上屏幕后能用一句话说清"这张表为什么分了三十六个桶"，才算把这册书读进了手里。

最后交代一条贯穿全册的隐线：每个决策都留了反悔的出口，但出口的价格不同。表模型选错，出口是重建，价格最高；分区分桶失当，出口是建新表双写切换，价格中等；导入通道选错、参数失当，出口是改配置，价格最低。所以全册的笔墨分配也按这个价格梯度走——第 3 章建模讲得最细，因为那里错一步最贵。带着这个视角去读，你会明白为什么有些章节反复权衡、有些章节直接给操作：权衡的成本，永远和反悔的价格成正比。