starrocks

华农保险 x StarRocks：从单机瓶颈到架构焕新，探索 OLAP 的涅槃之路在数字化转型的浪潮中，保险行业正经历着前所未有的数据爆发。对于华农保险而言，数据不仅是业务的记录，更是驱动决策的核心资产。

鸿乃江边鸟

Starrocks 主键查询和分区裁剪/bucket裁剪在之前的Starrocks ShortCircuit短路径的调度,我们只是提到经过了SQL优化模块，就直接进入到了发送BE阶段，其实在这里还有一个很重要的部分，就是分区裁剪和tablet裁剪,经过这两个步骤，才会发送到对应的BE节点上,也从侧面解释了StarRocks 各类索引以及存储位置详解中的主键为啥会在tablet层级（经过了tablet裁剪后，就可以直接通过主键索引获取到对应的数据），这里也顺便了解一下分区裁剪和tablet裁剪的实现。

【Starrocks4.0.2-索引对比】在 StarRocks 4.0.2 版本中，全文搜索和模糊匹配能力得到了显著增强，主要得益于两个关键的 Beta 级索引功能：全文倒排索引（Inverted Index）和 N-gram Bloom Filter 索引。虽然两者都用于加速文本类查询，但它们的设计目标、适用场景、性能表现及使用方式存在显著差异。

不止于极速查询！StarRocks 2025 年度回顾：深耕 Lakehouse，加速 AI 融合2025 年，是 StarRocks 持续深耕与进化的一年。围绕 Lakehouse 与 AI 实时能力，多个关键能力在迭代与实践中渐次落地。项目的每一步前行，都得益于社区每一次真实的反馈与贡献。

阿里云大数据AI技术

淘宝闪购基于阿里云 EMR Serverless Spark&Paimon 的湖仓实践：超大规模下的特征生产&多维分析双提效淘宝闪购从25年春天的横空出世，到秋天“第一杯奶茶”的火爆，再到今天成为广大消费者即时生活服务的日常，业务团队取得了巨大的突破，背后自然少不了技术团队的支撑。经过一年多的探索实践，闪购大数据团队沉淀了以Paimon为底座，流、批、分析多引擎协作的Lakehouse架构。本文介绍阿里云 Serverless Spark + Paimon在淘宝闪购大数据湖仓场景的应用。

双 11 大促峰值不翻车：淘天集团 Paimon + StarRocks 大规模 OLAP 查询实战与优化作者：朱奥 /淘天集团高级数据工程师导读：双 11 等大促场景会在短时间内集中爆发：运营与业务 BI 在开卖后的窗口期密集访问数据产品，瞬时请求量陡增，对查询引擎的稳定性、成本与治理体系提出极高要求。与此同时，业务对近实时数据产品的诉求持续增强，传统“多存储、多链路、依赖回刷”的模式在研发效率、回刷成本与响应速度上逐步暴露瓶颈。

dbt+DataOps+StarRocks：构建一体化数据治理与智能分析平台实践作者：胡翔，SJM Resorts 企业方案设计高级经理、dbt- starrocksContributor

阿坤带你走近大数据

StarRocks(SR)的基本概念、架构及基本使用介绍StarRocks（原名 DorisDB，后开源并更名为 StarRocks）是一款高性能、实时、MPP（大规模并行处理）架构的现代化分布式 SQL 数据库，专为 OLAP（在线分析处理）场景设计。它兼容 MySQL 协议，支持标准 SQL，具备亚秒级查询响应能力，适用于实时报表、即席查询、多维分析、用户画像、日志分析等场景。

从0到1搭建StarRocks3.4.1存算一体架构（VM 虚拟机版）随着数据量的不断增长与分析需求的增加，现代数据仓库系统对存储与计算的性能要求愈加苛刻。传统的分布式数据仓库架构往往面临着存储与计算分离带来的瓶颈，数据的读写延迟、网络传输等问题，使得系统的整体性能无法满足高效分析的需求。为了解决这个问题，StarRocks提出了存算一体的架构设计，能够同时优化存储和计算，提高查询性能。

Fresha 的实时分析进化：从 Postgres 和 Snowflake 走向 StarRocks作者：Anton Borisov开源无国界，在本期「StarRocks 全球用户精选案例」中，我们走进 Fresha——全球领先的美业、健康与自我护理行业一站式平台，服务于全球数以百万计的消费者与商家。

StarRocks慢查询巡检规则

活动回顾 | 镜舟科技出席鲲鹏开发者创享日・北京站12月12日，由华为技术有限公司主办的“鲲鹏开发者创享日・北京站”在北京圆满落幕。作为中国领先的企业级数据基础设施服务商，镜舟科技受邀出席，并亮相“开发者解决方案展区”，与现场顶尖技术大咖、科研领袖及行业伙伴共同探讨前沿科技，展示了新一代数据架构的无限可能。

StarRocks 2.5.22 混合部署实战文档（CDH环境）目录1. 项目背景与环境节点分配2. 核心规划 (避坑关键)2.1 端口规划表2.2 目录规划3. 部署前置准备 (nd11, nd12, nd13)

从小文件困局到“花小钱办大事”：StarRocks 存算分离批量导入优化实践作者：罗一鑫 StarRocks Committer导读：在存算分离架构下，“一次性导入海量历史数据”正成为被放大的隐形风险。本文介绍 StarRocks 如何从写入源头重构大导入路径：通过“内存→本地磁盘 spill→集中 merge→对象存储”，减少远程写入和重复开销，降低 S3 写入次数并放大文件粒度，释放本地 I/O 能力，从源头缓解小文件问题，帮助用户以更低投入获得更高效、更稳定的使用体验。

StarRocks PB 级日增量数据模型优化：注意点、调优策略与风险防控StarRocks 处理每日 PB 级日增量时，核心矛盾是「高吞吐导入」与「低延迟查询」的平衡，需从数据模型设计、导入链路、存储查询、资源调度、稳定性保障五维度系统性优化，同时规避增量场景下的典型风险。以下是具体细节：

杰克逊的日记

StarRocks数据仓库StarRocks 是一款高性能、实时分析型数据库（OLAP），由字节跳动开源（2020 年开源，2023 年进入 Apache 孵化器），核心定位是 “实时数仓 + 湖仓一体”，专为 PB 级数据的快速查询、多维分析、实时报表等场景设计，广泛应用于互联网、金融、零售、政务等行业。