1. 常用引擎
☕️ Doris 表数据模型
- duplicate key
🎬 **场景：**适用于数据无需提前聚合的分析业务。
⚠️ **注意点：**只指定排序列，相同的行并不会合并。
- unique key
🎬 **场景：**适用于有更新需求的业务。
⚠️ **注意点：**key相同时，新记录覆盖旧记录。
- aggregate key
🎬 **场景：**可以提前聚合数据，适合报表和多维度业务。
⚠️ 注意点：
将会进行聚合操作，目前支持sum,min,max,replace 等
（1）sum：求和，多行的 value 进行累加。
（2）replace：替代，下一批数据中的 value 会替换之前导入过的行中的 value。
（3）max：保留最大值。
（4）min：保留最小值。
欢迎关注，一起学习
☕️ Clickhouse 表引擎
- *MergeTree
🎬 场景：
（1）支持索引和分区。
（2）支持生命周期TTL（列级 和表级）。
⚠️ 注意点：
（1）主键并不唯一，会建索引。
（2）order by 是必须的，主键、分区非必须。
- ReplacingMergeTree
🎬 **场景：**去重功能。
⚠️ 注意点：
（1）数据的去重只会在合并的过程中出现。合并会在未知的时间在后台进行，所以你无法预先作出计划。有一些数据可能仍未被处理。
（2）如果表经过了分区，去重只会在分区内部进行去重，不能执行跨分区的去重。
（3）认定重复的数据保留，版本字段值最大的如果版本字段相同则按插入顺序保留最后一次。
- SummingMergeTree
🎬 **场景：**对于不查询明细，只关心以维度进行汇总聚合结果的场景。
⚠️ 注意点：
（1）以 order by 的列为准，作为维度列，其他的列按插入顺序保留第一行。
（2）不在一个分区的数据不会被聚合。
2. Join 方式
- 查询速度和并发能力，单表性能ClickHouse更好。
- 多表Join Doris优势更明显，特别是复杂Join和大表Join大表的场景。
首先了解下向量化引擎：核心思想就是一次处理一批数据，从而大大提高数据计算的速度，例如对于一列数据，我们通过向量化技术可以一次处理1000行数据，一次将这1000行数据做比较或者做加减运算，这种处理方式在列存数据库上尤其有效，因为列存数据库通常一列一列的将数据读取处理，在内存中都是以Array的形式存储，这种方式更容易使用向量化方式做计算。
☕️ Doris Join方式
- Broadcast Join
🎬 **说明：**默认Join，将小表加载到内存中，形成一张Hash内存表，然后将Hash表广播到大表所在的各个节点。
⚠️ 注意点：
如果小表数据过大，Doris将自动转换为Shuffle join。
- Shuffle Join
🎬 **说明：**小表数据无法放入内存则进行shuffle join。
⚠️ 注意点：
每个数据扫描节点将数据扫出来之后进行Partition 分区，然后根据 Partition 分区的结果分别把左右表的数据发送到对应的 Join 计算节点上。
- Bucket Shuffle Join
🎬 说明：
利用建表时候分桶的特性，当join的时候，join的条件和左表的分桶字段一样的时候，将右表按照左表分桶的规则进行shuffle操作，使右表中需要join的数据落在左表中需要join数据的BE节点上的join。
⚠️ 注意点：
（1）Join 条件为等值的场景才有效。
（2）需要左表的分桶列的类型与右表等值 join 列的类型需要保持一致。
（3）只作用于 Doris 原生的表，其他表比如，ES，MYSQL无效。
- Colocation Join
🎬 说明：
是将一组拥有相同 CGS 的 Table 组成一个 CG。保证这些 Table 对应的数据分片会落在同一个 BE 节点上。使得当 CG 内的表进行分桶列上的 Join 操作时，可以通过直接进行本地数据 Join。
两个概念：
（1）Colocation Group（CG）：位置协同组。
（2）Colocation Group Schema (CGS): CG 中的 Table的元数据信息,比如：分桶列类型，分桶数以及分区的副本数等等信息。
⚠️ 注意点：
（1）建表时两张表的分桶列的类型和数量需要一致，保证多张表的数据分片能够一一对应分布控制。
（2）同一个 CG 内所有表的所有分区的副本数必须一致。如果不一致，可能出现某一个tablet 的某一个副本，在同一个 BE 上没有其他对应的表分片的副本。
（3）同一个 CG 内的表，分区的个数、范围以及分区列的类型不要求一致。
☕️ Clickhouse Join方式
- 普通 Join
🎬 **步骤：**假设集群有4个节点，2个分区，2个副本，其中data1、data2 节点为一个分片 shard1，data3、data4 为一个分片 shard2。执行的SQL语句如下：
SELECT l_.a, r_.aFROM left_all as l JOIN right_all as r
on l_.a = r_.a（1）Client发送data1节点上面的sql，准备执行
（2）data1节点会把自己本机表分片shard1数据left_local准备好，也即下面sql
当然，同理，data3也会把自己的left_local数据准备好
SELECT l_.a, r_.a FROM left_local as l JOIN right_all as r
on l_.a = r_.a（3）当data1与data3 要开始执行第二步中 join的右表，也是一个分布式表。这个时候，data1需要shard2中的右边表数据到本地，同理data3需要shard1中的右边数据到本地。这样这两个节点都有一份全量的right_all_local。
（4）节点data1，data3 left_local数据与right_all_local做计算。
SELECT l_.a, r_.a FROM left_local as l JOIN right_all_local as r
on l_.a = r_.a（5）data3执行完成以后，把结果发送到data1。
（6）data1收到数据，然后和自己计算数据做汇总，最后把结果给Client。
- Global Join
🎬 步骤：
还与普通Join不同的是，比如：
（1）data3节点将右表数据查询出来在data1上汇总为right_all_local。
（2）然后data1把right_all_local发送到data3上执行。
（3）data3的本地left_local数据与right_all_local计算好，发送到data1。
（4）data1收到数据，然后和自己计算数据做汇总，最后把结果给Client。
⚠️ 注意点：
（1）如果分片数为n，Global Join 右表本地表查询次数为n，而普通 Join 右表查询次数为n*n。这样可以减少读数据次数。
（2）数据在节点之间传播，占用部分网络流量。如果数据量较大，同样会带来性能损失。
3. 数据划分
☕️ Doris 数据划分
🎬 基本组成：
（1）Row & Column：一张表包括行（Row）和列（Column）。
（2）Tablet：Doris 的存储引擎中，用户数据被水平划分为若干个数据分片（Tablet，也称作数据分桶Bucket）。每个 Tablet 包含若干数据行。各个 Tablet 之间的数据没有交集，并且在物理上是独立存储的。
（3）Partition：多个 Tablet 在逻辑上归属于不同的分区（Partition）。一个 Tablet 只属于一个 Partition。而一个 Partition 包含若干个 Tablet。
🎬 数据划分：
Doris 支持两层的数据划分。第一层是 Partition，支持 Range 和 List 的划分方式。第二层是 Bucket（Tablet），支持 Hash 和 Random 的划分方式。
⚠️ 官方给出的注意点：
（1）一个表的 Tablet 总数量等于 (Partition num * Bucket num)，在不考虑扩容的情况下，推荐略多于整个集群的磁盘数量。
（2）单个 Tablet 的数据量建议在 1G - 10G 的范围内。
（3）一个 Partition 的 Bucket 数量一旦指定，不可更改。所以在确定 Bucket 数量时，需要预先考虑集群扩容的情况。比如当前只有 3 台 host，每台 host 有 1 块盘。如果 Bucket 的数量只设置为 3 或更小，那么后期即使再增加机器，也不能提高并发度。
（4）官方举一些例子：假设在有10台BE，每台BE一块磁盘的情况下。如果一个表总大小为 500MB，则可以考虑4-8个分片。5GB：8-16个分片。50GB：32个分片。500GB：建议分区，每个分区大小在 50GB 左右，每个分区16-32个分片。5TB：建议分区，每个分区大小在 50GB 左右，每个分区16-32个分片。
☕️ Clickhouse 数据划分
🎬 数据分片
分片策略：
（1）random随机分片：写入数据会被随机分发到分布式集群中的某个节点上。
（2） constant固定分片：写入数据会被分发到固定一个节点上。
（3） column value分片：按照某一列的值进行hash分片。
（4） 自定义表达式分片：根据表达式的值进行hash分片。
🎬 数据分区
分区设计：
（1）不指定分区键，则数据默认不分区，所有数据写到一个默认分区a里面。
（2）如果分区键取值属于整型，则直接按照该整型的字符形式输出作为分区ID的取值。
（3）如果分区键取值属于日期类型，或者是能够转换为YYYYMMDD日期格式的整型，则按照分区表达式逻辑格式化后作为分区ID的取值。
（4）如果分区键取值既不属于整型或日期类型，则通过128位Hash算法取其Hash值作为分区ID的取值。
（5）分区键也可以是表达式的tuple元组。