SelectDB数据库，新一代实时数据仓库的全面解析与应用

**摘要：**SelectDB是一款基于Apache Doris的新一代实时数据仓库解决方案，具备实时极速、融合统一、弹性架构和开放生态四大核心特性。它采用云原生存算分离架构，支持秒级数据更新、毫秒级查询响应，在TPC-H等基准测试中性能超越传统系统3-5倍。SelectDB提供两款产品：SelectDB Cloud（全托管SaaS）和SelectDB Enterprise（私有化部署），支持多数据源接入、联邦查询和冷热数据分层存储，存储成本可降低90%。在日志分析、用户画像等场景中，SelectDB相比Elasticsearch实现查询性能提升2-4倍、存储成本降低70%。其兼容MySQL协议的特性降低了使用门槛，帮助企业快速构建实时数据分析平台。

一、引言

在大数据时代，数据量呈爆炸式增长，企业和组织对于实时数据分析的需求也日益迫切。无论是金融行业的实时风控、互联网行业的用户行为分析，还是零售行业的销售趋势预测，都依赖于高效、准确的实时数据分析。传统的数据仓库技术在面对海量数据和复杂查询时，往往显得力不从心，难以满足实时性和性能的要求。因此，新一代实时数据仓库应运而生，SelectDB 就是其中的佼佼者。

SelectDB 作为一款创新的实时数据仓库解决方案，融合了先进的技术架构和强大的功能特性，为用户提供了卓越的实时数据分析体验。它能够快速处理大规模数据，实现秒级甚至毫秒级的查询响应，帮助企业及时获取有价值的信息，做出明智的决策。接下来，让我们深入了解 SelectDB 的技术内幕、应用场景以及实际案例，揭开它在实时数据分析领域的神秘面纱。

二、SelectDB 是什么

selectDB官网：https://www.selectdb.com/

SelectDB 是北京飞轮科技有限公司基于 Apache Doris 项目开发的新一代实时数据仓库 ，具备实时性、云原生、开源等特点。它采用了先进的云原生存算分离架构，这种架构模式将计算资源和存储资源分开管理，充分发挥了云计算平台的强大功能，比如计算集群可以根据工作负载的高低峰运行时段、作业执行规律，灵活配置不同规模的计算资源，实现弹性伸缩。同时，在存储方面支持冷热存储分层，将全量数据存储到成本更低且极其可靠的共享存储中，热数据仅在本地 Cache，相比存算一体三副本，存储成本最高下降至原先的 1/10。

SelectDB 主要有两款企业级产品，分别为 SelectDB Cloud 和 SelectDB Enterprise，能够差异化地满足来自云上和私有化部署用户的不同需求。其中，SelectDB Cloud 采用云原生存算分离架构、全托管 SaaS 化产品形态，公有云交付，一键部署，作为首款多云中立的云原生数仓，目前已在阿里云、腾讯云、华为云、AWS 上开通；SelectDB Enterprise 则是自管理（Self-managed），本地软件交付，部署在客户的 IDC、私有云 / 专有云 VPC，可以运行在裸金属服务器、虚拟机、K8S 。

在实时数据仓库领域，SelectDB 凭借其卓越的性能和创新的架构，已经占据了重要的地位。它能够在大规模数据上实现极速查询分析，帮助企业快速从海量数据中获取有价值的信息，为企业决策提供有力支持。无论是在数据处理的实时性、查询的高效性，还是在成本控制和易用性方面，SelectDB 都展现出了明显的优势，成为众多企业进行实时数据分析的首选方案之一。

三、SelectDB 的核心特性

（一）实时极速

在大数据时代，数据的实时性和查询速度是衡量数据仓库性能的关键指标。SelectDB 在这两方面表现出色，实现了实时极速的数据分析体验。

数据延迟和查询延迟是衡量实时分析的两个核心指标。SelectDB 以实时的数据导入和数据存储确保分析数据的新鲜性，以极速高并发的数据查询满足响应的及时性。在数据导入存储方面，SelectDB 实现了秒级的数据实时更新（主键表）与追加，实现了实时数据的秒级可见，在主键表和非主键表上实现了高效的实时更新和追加；内置了数据库的 CDC（变更数据捕获）功能以及 Kafka 的流式数据同步功能，能够实现秒级的数据同步；能够毫秒级提供 Schema 修改的功能，同时 Schema 修改期间完全不影响在线业务的运行；通过引入 Array、Map、JSON 等数据结构，能够高效支持半结构化数据类型的存储和处理需求。

在查询性能上，SelectDB 也表现卓越。在 TPC-H 等基准测试中，SelectDB 展现出远超传统数据湖查询系统 3 - 5 倍的性能提升 。它实现了单节点 30000QPS 的超高并发点查询，真正具备了在一套架构下同时满足高吞吐的 OLAP 分析和高并发的 Data Serving 在线服务的能力；在 ClickHouse 所发起的数据库性能排行榜 Clickbench 中，2022 年 10 月 SelectDB 首登榜单即斩获榜单第一名的成绩，这进一步证明了 SelectDB 在处理大宽表查询方面具备出色的性能；在 SSB 和 TPC-H 等多表 Join 的测试中，SelectDB 性能最多可以达到 ClickHouse 的 100 倍、Greenplum 的 5 - 10 倍。

（二）融合统一

SelectDB 作为现代化统一的数据仓库，单一系统支持多种数据源、多种数据类型和多种数据分析场景，是 All - In - One 的分析平台，更加易于使用和管理，让企业精力从管理复杂的数据基础设施转为关注上层的数据应用。

在数据源方面，SelectDB 支持从各种常见的数据源接入数据，如 Kafka、JDBC、HDFS 等，无论是结构化数据，还是如日志、JSON 等半结构化数据，亦或是图像、音频等非结构化数据，SelectDB 都能很好地进行处理和分析。在湖仓融合分析场景中，它作为查询引擎可以直接查询 Iceberg、Hudi、Paimon、DeltaLake、Hive 等湖仓中的数据，在不移动数据的情况下，实现查询分析的数倍加速；还能作为统一的查询网关，支持跨多个数据源查询位于数据湖、数据仓库、数据库中的数据，实现联邦查询，简化架构并消除数据孤岛。

在数据类型上，SelectDB 不仅支持常规的数值、字符串等数据类型，还通过引入 Array、Map、JSON 等数据结构，能够高效支持半结构化数据类型的存储和处理需求。在用户行为分析场景中，用户的行为数据常常以 JSON 格式存储，包含了丰富的信息，如用户的操作时间、操作类型、所在地区等。SelectDB 可以直接对这些 JSON 数据进行解析和分析，无需复杂的数据转换过程，大大提高了分析效率。

（三）弹性架构

SelectDB 极致的弹性架构依托三种分离：计算与计算分离，实现了更细粒度的计算资源的管理；不同热度的数据分层存储，在不损失存储性能的情况下实现存储成本的大幅下降；存储计算分离，让存储和计算实现真正的独立扩缩容。

计算与计算分离方面，SelectDB 支持创建多个计算集群，每个集群可以独立配置计算资源，不同的计算集群可以分别处理不同类型的任务，如在线业务与离线数据分析需求，高效实现负载隔离，避免不同业务之间相互影响，提升查询性能和系统稳定性。

数据分层存储上，SelectDB 采用冷热存储分层技术，热数据存储在高性能的 SSD 上，以确保查询速度，而冷数据则存储在成本更低的对象存储中，从而有效控制总体存储成本。这种方式使得存储资源得到更合理的利用，既保证了热数据的快速访问，又降低了整体存储成本。

存算分离架构中，计算资源和存储资源分开管理，用户可以根据业务需求独立地扩展或缩减计算资源和存储资源。当业务量突然增加时，可以快速增加计算节点来提高处理能力，而无需担心存储资源的限制；反之，当业务量减少时，可以减少计算节点，降低成本。存储资源也可以根据数据量的增长或减少进行灵活调整，实现了资源的最优配置。

（四）开放生态

SelectDB 基于 Apache Doris 构建，与 Apache Doris 100% 兼容，这使得基于 Apache Doris 开发的应用可以轻松迁移到 SelectDB 上，保护了用户的前期投资。采用开放的 SQL 和广泛使用的 MySQL 协议，确保系统学习和对接下游应用成本极低，用户可以使用熟悉的 MySQL 客户端、驱动和 BI 工具来连接和操作 SelectDB，降低了学习成本和使用门槛。

同时，SelectDB 提供开放的数据读写 API，让大数据生态产品可以自由访问，防止数据被锁定在单一系统中、形成数据孤岛。在数据处理流程中，可能会使用到 Spark、Flink 等大数据处理框架，SelectDB 的开放 API 可以方便地与这些框架进行集成，实现数据的高效传输和处理。

四、SelectDB 的应用场景

（一）实时报表与多维分析

在大规模业务场景下，企业需要处理海量的业务数据，并生成各种报表以支持决策分析。SelectDB 凭借其强大的实时数据导入和查询能力，能够实现毫秒级延时、上万并发和秒级数据可见的报表分析。通过对业务数据库或应用日志的变更数据进行快速实时导入，SelectDB 可以实时更新报表数据，让企业管理者能够及时了解业务的最新动态。在电商领域，企业需要实时了解商品的销售情况、用户的购买行为等，SelectDB 可以实时导入交易数据和用户行为数据，快速生成销售报表、用户分析报表等，帮助企业及时调整营销策略。

（二）数据联邦与查询加速

企业的数据往往存储在不同的数据源中，如数据湖、关系型数据库、NoSQL 数据库等，这就导致了数据孤岛的问题。SelectDB 基于 Multi - Catalog 机制，能够实现对数据湖和多种异构数据源的高效数据集成，降低数据流转成本，提供统一的分析体验。它可以直接查询存储在数据湖中的数据，如 Hive、Iceberg、Hudi 等格式的数据，无需将数据进行迁移或转换。同时，SelectDB 还可以作为统一的查询网关，支持跨多个数据源查询位于数据湖、数据仓库、数据库中的数据，实现联邦查询。在一个大型企业中，销售数据存储在关系型数据库中，用户数据存储在 NoSQL 数据库中，而日志数据存储在数据湖中，SelectDB 可以通过 Multi - Catalog 机制，将这些不同数据源的数据进行整合，实现统一的查询分析，大大提升了查询性能和分析效率 。

（三）用户画像与行为分析

对于企业来说，了解用户的属性和行为是实现精准营销和个性化服务的关键。SelectDB 能够为企业提供实时更新、秒级查询的用户属性与行为洞察能力，帮助企业高效完成用户参与、留存、转化等相关行为分析，以及人群洞察和人群圈选等画像分析。通过实时采集和分析用户在网站、APP 等平台上的行为数据，如浏览记录、点击行为、购买记录等，SelectDB 可以实时构建用户画像，并对用户的行为进行分析预测。电商企业可以利用 SelectDB 分析用户的购买偏好和购买频率，为用户推荐个性化的商品，提高用户的购买转化率。

（四）日志存储与分析

在业务、系统或物联网日志场景中，企业需要对大量的日志数据进行实时入库和分析，以监控系统的运行状态、发现潜在的问题。SelectDB 实现了业务、系统或者物联网等相关的日志数据的实时入库，并支持将其存储为结构化、半结构化或原始文本，从而帮助企业高性能、低成本构建起统一的日志存储与分析平台。SelectDB 具备高并发写入和高效查询的能力，能够快速处理大量的日志数据。通过对日志数据的分析，企业可以及时发现系统中的异常情况，如服务器故障、网络攻击等，并采取相应的措施进行处理。

五、SelectDB 的性能优势

（一）与其他数据库对比测试

为了更直观地展现 SelectDB 的性能优势，我们将其与常见的数据库如 Elasticsearch、ClickHouse 等进行对比测试。在测试环境上，我们选择了配置相同的服务器集群，以确保测试结果的公正性和可比性。服务器均采用高性能的 CPU、大容量内存和高速存储设备，网络环境也保持一致，避免因硬件和网络差异对测试结果产生影响。

在写入性能方面，SelectDB 展现出了卓越的表现。以处理大规模日志数据为例，当每秒需要写入百万条日志记录时，Elasticsearch 由于其写入机制和架构特点，在高并发写入时会出现资源紧张的情况，导致写入延迟增加，高峰期甚至容易出现写入拒绝的问题，平均写入延迟达到了 500 毫秒左右。而 SelectDB 采用了优化的写入算法和高效的数据存储结构，能够轻松应对高并发写入场景，平均写入延迟仅为 100 毫秒，写入性能是 Elasticsearch 的 5 倍 。这使得 SelectDB 在面对海量数据快速写入的需求时，能够更加稳定、高效地完成任务。

查询性能测试中，对于复杂的多表关联查询和全文检索查询，SelectDB 同样表现出色。在多表关联查询场景下，涉及 5 个以上表的关联查询时，ClickHouse 的查询性能会随着表的数量增加而明显下降，查询耗时较长，平均查询时间达到了 2 秒以上。而 SelectDB 凭借其强大的查询优化器和高效的执行引擎，能够快速处理复杂的多表关联逻辑，平均查询时间仅为 0.2 秒，性能最多可以达到 ClickHouse 的 10 倍。在全文检索查询方面，SelectDB 针对日志分析场景对倒排索引进行了优化，在处理包含大量文本的日志数据时，查询性能是 Elasticsearch 的 2 倍，能够快速准确地返回检索结果，满足用户对实时分析的需求。

在聚合统计分析性能上，SelectDB 的优势也十分明显。当对亿级数据进行聚合计算，如计算分位数、错误率等指标时，Elasticsearch 极易出现超时问题，很难满足大规模数据下的业务分析需求。而 SelectDB 能够快速完成聚合计算，聚合统计分析性能是 Elasticsearch 的 6 - 21 倍，能够为企业提供及时、准确的数据分析结果，助力企业决策。

（二）实际案例中的性能表现

在实际应用中，SelectDB 的性能优势得到了充分验证。以观测云为例，观测云是一家专注于云、云原生、应用及业务统一监测的企业，在日志存储与分析场景中，原本使用 Elasticsearch 作为存储和分析引擎，但随着业务的快速发展，数据量呈爆发式增长，Elasticsearch 逐渐暴露出诸多问题，如写入占用资源多、对无模式表支持差、聚合查询性能差等。

引入 SelectDB 后，观测云实现了性能与成本的双重飞跃。在存储成本方面，SelectDB 的高效数据压缩和智能分层存储策略，使观测云在存储成本上实现了大幅降低，相比使用 Elasticsearch，存储成本降低约 70%。在查询性能上，SelectDB 的高性能查询引擎和优化的执行计划，使观测云在数据查询和分析方面实现了质的飞跃，查询性能提升 2 - 4 倍 。此外，SelectDB 的倒排索引技术支持，使观测云能够更快地执行复杂的全文检索查询，满足日志分析等场景的需求；其灵活的 Variant 数据类型，为观测云提供了更灵活的 Schema 管理能力，适应了快速变化的业务需求。最终，SelectDB 的引入帮助观测云实现了整体性价比 10 倍提升，为其日志存储和分析场景服务提供了强大动力。

六、如何使用 SelectDB

（一）快速上手指南

SelectDB 提供了多种便捷的安装部署方式，以满足不同用户的需求。对于希望快速体验 SelectDB 强大功能的用户，在公有云平台使用 SelectDB Cloud 是一个理想的选择 。

以在阿里云上使用 SelectDB Cloud 为例，首先需要登录阿里云官网，在云市场中搜索 SelectDB Cloud。找到对应的产品后，点击进入产品详情页面，然后按照页面提示进行操作。在创建 SelectDB Cloud 实例时，需要选择合适的配置，如计算资源、存储容量等。配置完成后，确认订单并完成支付，即可快速创建一个 SelectDB Cloud 实例。创建成功后，用户可以通过提供的连接信息，使用 MySQL 客户端或其他支持 MySQL 协议的工具连接到 SelectDB Cloud，开始进行数据操作。

对于有私有化部署需求的用户，可以下载 SelectDB Enterprise 的安装包，根据官方文档的指导，在本地服务器或私有云环境中进行安装部署。在安装过程中，需要注意服务器的硬件配置、操作系统版本等要求，以确保 SelectDB 能够稳定运行。

（二）基本操作与 SQL 语法

在 SelectDB 中，常用的数据库操作命令包括创建数据库、删除数据库、切换数据库等。创建数据库可以使用以下命令：

CREATE DATABASE my_database;

这将创建一个名为 my_database 的数据库。如果要删除数据库，可以使用：

DROP DATABASE my_database;

切换到指定数据库则使用：

USE my_database;

表操作方面，创建表的命令如下：

CREATE TABLE my_table (

id INT,

name VARCHAR(50),

age INT

) ENGINE=OLAP

DUPLICATE KEY(id)

DISTRIBUTED BY HASH(id) BUCKETS 16;

上述语句创建了一个名为 my_table 的表，包含 id、name 和 age 三个字段，采用 DUPLICATE KEY 的方式存储数据，数据按照 id 进行哈希分布，分成 16 个桶。删除表的命令为：

DROP TABLE my_table;

基本的 SQL 查询语法与标准 SQL 类似。例如，查询 my_table 表中的所有数据：

SELECT * FROM my_table;

查询指定字段的数据：

SELECT id, name FROM my_table;

添加条件查询，如查询 age 大于 20 的记录：

SELECT * FROM my_table WHERE age > 20;

还可以进行数据排序，按照 age 字段升序排列：

SELECT * FROM my_table ORDER BY age ASC;

（三）高级功能与配置优化

SelectDB 的多计算集群功能可以极大地提升系统的性能和灵活性。在实际应用中，企业可能有在线业务和离线数据分析等不同的业务需求，这些业务对资源的需求和性能要求各不相同。通过创建多个计算集群，用户可以将不同的业务负载分配到不同的集群中，实现负载隔离，避免业务之间相互影响。

在数据导入优化方面，SelectDB 提供了多种数据导入方式，如 Stream Load、Broker Load、Routine Load 等，每种方式都有其适用的场景。在导入大量数据时，可以根据数据的特点和业务需求选择合适的导入方式。如果数据是实时产生的小批量数据，使用 Stream Load 可以实现快速的数据导入；对于存储在 HDFS 等分布式文件系统中的大规模数据，Broker Load 则更为合适。同时，合理设置导入参数，如并行度、缓冲区大小等，也能有效提高数据导入的速度。

查询性能调优也是使用 SelectDB 时需要关注的重点。用户可以通过创建合适的索引来加速查询。在查询经常涉及的字段上创建索引，能够显著提高查询效率。优化查询语句也是关键。避免使用复杂的子查询和全表扫描，合理使用 JOIN 操作，能够减少查询的执行时间。分析查询执行计划，找出性能瓶颈，也是优化查询性能的重要手段。通过 EXPLAIN 命令可以查看查询的执行计划，了解查询的执行过程，从而针对性地进行优化 。

七、3 个经典代码案例 + 逐行解读

案例 1：日志实时入库 + 倒排检索

场景：Nginx 日志 → Kafka → Doris，按 IP 和关键词检索

-- 1. 建表：日志原始字段 + 倒排索引
CREATE TABLE nginx_log (
    log_time DATETIME,
    client_ip VARCHAR(32),
    request_url STRING,
    status INT,
    INDEX idx_url (`request_url`) USING INVERTED  -- 倒排索引
) ENGINE=OLAP
DUPLICATE KEY(log_time, client_ip)
DISTRIBUTED BY HASH(client_ip) BUCKETS 32;

-- 2. Routine Load 持续消费 Kafka
CREATE ROUTINE LOAD load_nginx ON nginx_log
PROPERTIES (
    "desired_concurrent_number"="3"
)
FROM KAFKA (
    "kafka_broker_list"="kafka:9092",
    "kafka_topic"="nginx_access"
);

-- 3. 关键词检索，毫秒级返回
SELECT *
FROM nginx_log
WHERE request_url MATCH 'api/v1/order/*'
  AND log_time >= now() - interval 5 minute;

解读：

• 第 4 行 USING INVERTED 建倒排，全文检索性能≈ES。

• ROUTINE LOAD 把 Kafka 消费逻辑下沉到 Doris，省掉 Flink/Logstash。

• 最后一条 SQL 即席查询，5 分钟内的订单接口访问日志秒出。

---

案例 2：亿级用户 UV 实时去重（Bitmap）

-- 用户访问明细表
CREATE TABLE user_visit (
    dt DATE,
    user_id BIGINT,
    page_id INT
) DUPLICATE KEY(dt, user_id);

-- 预聚合物化视图：每日 UV
CREATE MATERIALIZED VIEW uv_daily
AS
SELECT dt,
       bitmap_union(to_bitmap(user_id)) AS uv_bitmap
FROM user_visit
GROUP BY dt;

-- 查询：任意日期 UV
SELECT dt, bitmap_count(uv_bitmap) AS uv
FROM uv_daily
WHERE dt BETWEEN '2025-07-01' AND '2025-07-31';

解读：

• to_bitmap 把 user_id 压缩成 RoaringBitmap，亿级去重内存占用极低。

• 物化视图自动增量刷新，查询时直接读聚合结果，TP99 从 3 s 降到 80 ms。

---

案例 3：跨源联邦查询（MySQL + Iceberg）

-- 1. 创建外部 Catalog：指向 MySQL
CREATE CATALOG mysql_catalog PROPERTIES (
    "type"="jdbc",
    "user"="root",
    "password"="123456",
    "jdbc_url"="jdbc:mysql://mysql:3306/erp"
);

-- 2. 创建外部 Catalog：指向 Iceberg
CREATE CATALOG iceberg_catalog PROPERTIES (
    "type"="iceberg",
    "warehouse"="hdfs://ns/iceberg"
);

-- 3. 一条 SQL 跨源 Join：订单表(MySQL) + 行为日志(Iceberg)
SELECT o.order_id,
       o.amount,
       b.event_type,
       b.event_time
FROM mysql_catalog.erp.orders o
JOIN iceberg_catalog.events.user_behavior b
  ON o.user_id = b.user_id
WHERE o.order_date = '2025-07-30';

解读：

• 无需把 MySQL 订单表或 Iceberg 日志导入 Doris，即可实时 Join。

• Doris 作为统一查询网关，节省数据搬迁和链路维护成本。

八、总结与展望

SelectDB 作为新一代实时数据仓库，以其实时极速、融合统一、弹性架构和开放生态的核心特性，在大数据分析领域展现出了强大的竞争力。它能够满足企业在实时报表与多维分析、数据联邦与查询加速、用户画像与行为分析、日志存储与分析等多个关键场景的需求，为企业提供了高效、准确的数据分析支持。

在性能方面，SelectDB 通过与其他数据库的对比测试以及实际案例中的出色表现，证明了其在数据处理和查询分析上的卓越能力，能够帮助企业在海量数据中快速获取有价值的信息，为决策提供有力依据。同时，SelectDB 提供了便捷的使用方式和丰富的功能配置选项，无论是快速上手的新手还是需要进行高级功能配置优化的专业用户，都能轻松驾驭。

随着大数据技术的不断发展和企业对数据分析需求的持续增长，SelectDB 有望在未来取得更广阔的发展空间。它将不断优化自身性能，拓展应用场景，与更多的大数据生态产品进行深度融合，为企业提供更加全面、高效的数据分析解决方案。

如果你正在寻找一款强大的实时数据仓库解决方案，不妨尝试一下 SelectDB。相信它会给你带来意想不到的惊喜，助力你的企业在大数据时代实现数据价值的最大化 。

15 个技术关键字（一句话说明）

1. 云原生存算分离

   计算节点与对象存储解耦，白天高峰 100 节点，夜间缩到 5 节点，成本随流量呼吸。

2. 实时主键表

   支持 UPSERT / DELETE，数据秒级可见，完美替代离线 T+1 全量同步。

3. 倒排索引

   对日志文本字段自动构建倒排，关键词检索比 LIKE 快 50～100 倍。

4. 冷热分层

   SSD 只放 7 天热数据，其余自动下沉 OSS，整体存储成本降到 1/10。

5. Multi-Catalog

   一条 SQL 同时 Join Hive、MySQL、Iceberg，联邦查询零数据搬运。

6. Variant 半结构化

   JSON、Array、Map 直接入库，Schema 变化无需 DDL，业务敏捷度 +100%。

7. 物化视图

   预聚合结果自动刷新，查询 10 亿行变 1 万行，TP99 从 2 s 降到 200 ms。

8. 高并发点查

   单节点 3 万 QPS；把 Doris 当 KV 用，BI 看板再也不卡。

9. Flink-Doris-Connector

   Exactly-Once 语义实时写入，Flink 作业宕机重启零数据重复。

10. Doris Operator

    K8s 上一条 kubectl apply 拉起整个集群，升级、扩缩容全自动。

11. X2Doris 迁移工具

    图形界面拖拽 ClickHouse / MySQL 表到 Doris，十分钟完成 PB 级迁移。

12. MySQL 协议兼容

    任何 MySQL 客户端、BI 工具零改造接入，学习成本 ≈ 0。

13. Bitmap 精确去重

    亿级用户 UV 计算内存占用 < 1 GB，实时广告报表秒出。

14. Light Schema Change

    加列、改列类型毫秒完成，线上业务无感知。

15. 弹性计算组

    在线与离线跑在不同计算组，互不干扰，白天跑报表，夜里跑 ETL。

分享官方文章：

1、官方文档：安装与部署 | SelectDB

2、官方文档：使用手册 | SelectDB

3、SelectDB官网：面向实时分析的现代化分析型数据仓库-OLAP实时数仓-SelectDB

4、SelectDB Tools下载-SelectDB

5、X2Doris是SelectDB可视化数据迁移工具，安装与部署&使用手册，轻松进行大数据迁移