【OLAP】Apache Druid、TiDB、ClickHouse还是Apache Doris？OLAP工具的比较

我领导着一个与电动汽车制造商合作的大数据团队，我已经尝试了市场上可用的OLAP工具。阅读下面的内容，了解我认为您需要了解的关于这些工具的内容，包括许多OLAP工具的优缺点以及我在OLAP方面的经验。

讨论的OLAP工具：

1. Apache Druid (and Apache Kylin)
2. TiDB
3. ClickHouse
4. Apache Doris

Apache Druid（和Apache Kylin）

早在2017年，在市场上寻找OLAP工具就像在非洲大草原上寻找一棵树一样——只有少数。当我们抬头扫视地平线时，我们的目光停留在阿帕奇·德鲁伊和阿帕奇·凯林身上。我们之所以选择Druid，是因为我们已经对它很熟悉了，而Kylin尽管在预计算中具有令人印象深刻的高查询效率，但也有一些缺点。

Kylin的缺点：

• Kylin最好的存储引擎是HBase，但引入HBase会带来新的操作和维护负担。
• Kylin预先计算了维度和度量，但它带来的维度爆炸给存储带来了巨大压力。

至于Apache Druid，它使用了列式存储，支持实时和离线数据接收，并提供了快速查询。

另一方面，Druid：

• 不使用JDBC等标准协议，因此对初学者不友好。
• 对Joins的支持率很低。
• 精确重复数据消除可能较慢，从而降低性能。
• 由于许多组件需要各种安装方法和依赖关系，因此需要大量的维护工作。
• 在数据接收方面，Hadoop集成和JAR包的依赖性需要更改。

TiDB公司

2019年，我们尝试了TiDB。长话短说，以下是它的优点和缺点：

优点：

• 它是一个OLTP+OLAP数据库，支持简单的更新。
• 它具有我们需要的功能，包括聚合和细分查询、度量计算和仪表板。
• 它支持标准SQL，因此很容易掌握。
• 它不需要太多的维护。

缺点：

• TiFlash依赖OLTP这一事实可能会给存储带来更大的压力。作为一个非独立的OLAP，其分析处理能力并不理想。
• 它的性能因场景而异。

ClickHouse与Apache Doris之争

我们对ClickHouse和Apache Doris进行了研究。ClickHouse出色的独立性能给我们留下了深刻印象，但当我们发现：

• 当涉及到多表联接时，它并没有给我们想要的东西，这对我们来说是一个重要的用法。
• 它的并发性相对较低。
• 这可能会带来高昂的运营和维护成本。

另一方面，Apache Doris在我们的需求列表中勾选了很多框：

• 它支持高并发查询，这是我们最关心的问题。
• 它能够同时进行实时和离线数据处理。
• 它同时支持聚合查询和细分查询。
• 它的Unique模型（Doris中的一种数据模型，确保了唯一的密钥）支持更新。
• 它可以通过Materialized View大大加快查询速度。
• 它与MySQL协议兼容，因此在开发和采用方面几乎没有问题。
• 它的查询性能令人满意。
• 它只需要简单的运维。

总之，Apache Doris似乎是Apache Druid+TiDB的理想替代品。

我们的OLAP实践经验

以下是一张图表，向您展示数据是如何在我们的OLAP系统中流动的：

数据源

我们将来自业务系统、事件跟踪、设备和车辆的数据汇集到我们的大数据平台中。

数据导入

我们为我们的业务数据启用CDC。这些数据中的任何更改都将转换为数据流并存储在Kafka中，为流计算做好准备。对于只能批量导入的数据，它将直接进入我们的分布式存储。

数据处理

我们采用了Lambda架构，而不是集成、流式处理和批处理。我们的业务现状决定了我们的实时和离线数据来自不同的环节。特别地：

• 有些数据是以流的形式出现的。
• 有些数据可以存储在流中，而有些历史数据则不会存储在卡夫卡中；
• 某些场景需要高数据精度。为了实现这一点，我们有一个离线管道，可以重新计算和刷新所有相关数据。

数据仓库

我们没有使用Flink/Spark Doris连接器，而是使用Routine Load方法将数据从Flink传输到Doris，并使用Broker Load将数据从Spark传输到Dors。Flink和Spark批量生成的数据将备份到Hive，以便在其他场景中使用。这是我们提高数据效率的方法。

数据服务

在数据服务方面，我们通过数据源注册和灵活配置实现了API的自动生成，因此我们可以通过API管理流量和权限。与K8s无服务器解决方案相结合，整个过程非常有效。

数据应用程序

在数据应用层，我们有两种类型的场景：

• 面向用户的场景，如仪表板和指标。
• 面向车辆的场景，将车辆数据收集到Apache Doris中进行进一步处理。即使在聚合之后，我们仍然有以亿为单位的数据大小，但总体计算性能达到了标准。

我们的CDP实践

与大多数公司一样，我们建立了自己的客户数据平台（CDP）：

通常，CDP由几个模块组成：

• 标签：积木，显然；（我们有基本标签和客户行为标签。我们也可以根据需要定义其他标签。）
• 分组：根据标签将客户分组。
• 见解：每个客户群体的特点。
• 联系：联系客户的方式，包括短信、电话、应用程序通知和即时消息。
• 效果分析：关于CDP如何运行的反馈。

我们希望在CDP中实现实时+离线集成、快速分组、快速聚合、多表联接和联合查询。以下是它们的操作方法：

实时+离线

我们有实时标签和离线标签，我们需要将它们放在一起。此外，同一数据上的列可能会以不同的频率更新。一些基本标签（关于客户身份）应该实时更新，而其他标签（年龄、性别）可以每天更新。我们希望将客户的所有原子标签放在一个表中，因为这样可以带来最少的维护成本，并且在添加自定义标签时可以大大减少所需的表的数量。

那么我们如何实现这一点呢？

我们使用Apache Doris的Routine Load方法更新实时数据，使用Broker Load方法批量导入离线数据。我们还使用这两种方法分别更新同一表中的不同列。

快速分组

基本上，分组就是将某一组标签组合起来，找到重叠的数据。这可能很复杂。Doris通过SIMD优化帮助加快了这一过程。

快速聚合

我们需要更新所有标签，重新计算客户群体的分布，并每天分析影响。这样的处理需要快速而整洁。因此，我们根据时间将数据划分为平板电脑，这样就可以减少数据传输，加快计算速度。在计算客户组的分布时，我们在每个节点预聚合数据，然后收集它们进行进一步聚合。此外，Doris的矢量化执行引擎是一个真正的性能加速器。

多表联接

由于我们的基础数据存储在多个数据表中，当CDP用户自定义他们需要的标签时，他们需要进行多表联接。吸引我们使用ApacheDoris的一个重要因素是它有前途的多表联接功能。

联合查询

目前，我们将Apache Doris与TiDB结合使用。关于客户接触的记录将被放入TiDB中，关于信用点和代金券的数据也将在TiDB中处理，因为它是一个更好的OLTP工具。对于更复杂的分析，例如监控客户运营的有效性，我们需要整合有关任务执行和目标群体的信息。这就是我们在Doris和TiDB之间进行联合查询的时候。

结论

这是我们从Apache Druid、TiDB和Apache Doris的旅程（中间是对ClickHouse的简短介绍）。我们研究了它们的性能、SQL语义、系统兼容性和维护成本，最终得出了我们现在的OLAP体系结构。如果你和我们有同样的担忧，这可能是你的参考。