日志數(shù)據(jù)的處理與分析是最典型的大數(shù)據(jù)分析場景之一，過去業(yè)內(nèi)以 Elasticsearch 和 Grafana Loki 為代表的兩類架構(gòu)難以同時(shí)兼顧高吞吐實(shí)時(shí)寫入、低成本海量存儲(chǔ)、實(shí)時(shí)文本檢索的需求。Apache Doris 借鑒了信息檢索的核心技術(shù)，在存儲(chǔ)引擎上實(shí)現(xiàn)了面向 AP 場景優(yōu)化的高性能倒排索引，對于字符串類型的全文檢索和普通數(shù)值、日期等類型的等值、范圍檢索具有更高效的支持，相較于 Elasticsearch 實(shí)現(xiàn)性價(jià)比 10 余倍的提升，以此為日志存儲(chǔ)與分析場景提供了更優(yōu)的選擇。

日志數(shù)據(jù)在企業(yè)大數(shù)據(jù)中非常普遍，其體量往往在企業(yè)大數(shù)據(jù)體系中占據(jù)非常高的比重，包括服務(wù)器、數(shù)據(jù)庫、網(wǎng)絡(luò)設(shè)備、IoT 物聯(lián)網(wǎng)設(shè)備產(chǎn)生的系統(tǒng)運(yùn)維日志，與此同時(shí)還包含了用戶行為埋點(diǎn)等業(yè)務(wù)日志。

日志數(shù)據(jù)對于保障系統(tǒng)穩(wěn)定運(yùn)行和業(yè)務(wù)發(fā)展至關(guān)重要：基于日志的監(jiān)控告警可以發(fā)現(xiàn)系統(tǒng)運(yùn)行風(fēng)險(xiǎn)，及時(shí)預(yù)警；在故障排查過程中，實(shí)時(shí)日志檢索能幫助工程師快速定位到問題，盡快恢復(fù)服務(wù)；日志報(bào)表能通過長歷史統(tǒng)計(jì)發(fā)現(xiàn)潛在趨勢。而用戶埋點(diǎn)日志數(shù)據(jù)則是用戶行為分析以及智能推薦業(yè)務(wù)所依賴的決策基礎(chǔ)，有助于用戶需求洞察與體驗(yàn)優(yōu)化以及后續(xù)的業(yè)務(wù)流程改進(jìn)。由于其在業(yè)務(wù)中能發(fā)揮的重要意義，因此構(gòu)建統(tǒng)一的日志分析平臺(tái)，提供對日志數(shù)據(jù)的存儲(chǔ)、高效檢索以及快速分析能力，成為企業(yè)挖掘日志數(shù)據(jù)價(jià)值的關(guān)鍵一環(huán)。而日志數(shù)據(jù)和應(yīng)用場景往往呈現(xiàn)如下的特點(diǎn)：

• 數(shù)據(jù)增長快：每一次用戶操作、系統(tǒng)事件都會(huì)觸發(fā)新的日志產(chǎn)生，很多企業(yè)每天新增日志達(dá)到幾十甚至幾百億條，對日志平臺(tái)的寫入吞吐要求很高；
• 數(shù)據(jù)總量大：由于自身業(yè)務(wù)和監(jiān)管等需要，日志數(shù)據(jù)經(jīng)常要存儲(chǔ)較長的周期，因此累積的數(shù)據(jù)量經(jīng)常達(dá)到幾百 TB 甚至 PB 級，而較老的歷史數(shù)據(jù)訪問頻率又比較低，面臨沉重的存儲(chǔ)成本壓力；
• 時(shí)效性要求高：在故障排查等場景需要能快速查詢到最新的日志，分鐘級的數(shù)據(jù)延遲往往無法滿足業(yè)務(wù)極高的時(shí)效性要求，因此需要實(shí)現(xiàn)日志數(shù)據(jù)的實(shí)時(shí)寫入與實(shí)時(shí)查詢。

這些日志數(shù)據(jù)天然存在的特點(diǎn)也給承載存儲(chǔ)和分析需求的系統(tǒng)帶來了一定程度的挑戰(zhàn)：

• 高吞吐實(shí)時(shí)寫入：即需要保證日志流量的大規(guī)模寫入，又要支持低延遲可見；
• 低成本大規(guī)模存儲(chǔ)：系統(tǒng)自身可以存儲(chǔ)海量數(shù)據(jù)，且通過數(shù)據(jù)壓縮、冷熱分離等多種機(jī)制降低存儲(chǔ)成本；
• 高性能交互式分析且支持文本檢索：日志檢索的隨機(jī)性很強(qiáng)、很難提前預(yù)測模式，因此要求支持靈活的文本檢索，通過實(shí)時(shí)交互式查詢滿足分析需求。

當(dāng)前業(yè)界有兩種比較典型的日志存儲(chǔ)與分析架構(gòu)，分別是以 Elasticsearch 為代表的倒排索引檢索架構(gòu)以及以 Loki 為代表的輕量索引/無索引架構(gòu)，如果我們從實(shí)時(shí)寫入吞吐、存儲(chǔ)規(guī)模和成本、實(shí)時(shí)交互式查詢性能等幾方面進(jìn)行對比，不難發(fā)現(xiàn)以下結(jié)論：

• 以 ES 為代表的倒排索引檢索架構(gòu)，支持全文檢索、查詢性能好，因此在日志場景中被業(yè)內(nèi)大規(guī)模應(yīng)用，但其仍存在一些不足，包括實(shí)時(shí)寫入吞吐低、消耗大量資源構(gòu)建索引，且需要消耗巨大存儲(chǔ)成本；
• 以 Loki 為代表的輕量索引或無索引架構(gòu)，實(shí)時(shí)寫入吞吐高、存儲(chǔ)成本較低，但是檢索性能慢、關(guān)鍵時(shí)候查詢響應(yīng)跟不上，性能成為制約業(yè)務(wù)分析的最大掣肘。

ES 在日志場景的優(yōu)勢在于全文檢索能力，能快速從海量日志中檢索出匹配關(guān)鍵字的日志，其底層核心技術(shù)是倒排索引（Inverted Index）。倒排索引是一種用于快速查找文檔中包含特定單詞或短語的數(shù)據(jù)結(jié)構(gòu)，最早應(yīng)用于信息檢索領(lǐng)域。如下圖所示，在數(shù)據(jù)寫入時(shí)，倒排索引可以將每一行文本進(jìn)行分詞，變成一個(gè)個(gè)詞（Term），然后構(gòu)建詞（Term） -> 行號(hào)列表（Posting List） 的映射關(guān)系，將映射關(guān)系按照詞進(jìn)行排序存儲(chǔ)。當(dāng)需要查詢某個(gè)詞在哪些行出現(xiàn)的時(shí)候，先在 詞 -> 行號(hào)列表 的有序映射關(guān)系中查找詞對應(yīng)的行號(hào)列表，然后用行號(hào)列表中的行號(hào)去取出對應(yīng)行的內(nèi)容。這樣的查詢方式，可以避免遍歷對每一行數(shù)據(jù)進(jìn)行掃描和匹配，只需要訪問包含查找詞的行，在海量數(shù)據(jù)下性能有數(shù)量級的提升。

倒排索引原理示意倒排索引為 ES 帶來快速檢索能力的同時(shí)，也付出了寫入速度吞吐低和存儲(chǔ)空間占用高的代價(jià)——由于數(shù)據(jù)寫入時(shí)倒排索引需要進(jìn)行分詞、詞典排序、構(gòu)建倒排表等 CPU 和內(nèi)存密集型操作，導(dǎo)致寫入吞吐大幅下降。而從存儲(chǔ)成本角度考慮，ES 會(huì)存儲(chǔ)原始數(shù)據(jù)和倒排索引，為了加速分析可能還需要額外存儲(chǔ)一份列存數(shù)據(jù)，因此 3 份冗余也會(huì)導(dǎo)致更高的存儲(chǔ)空間占用。Loki 則放棄了倒排索引，雖然帶來來寫入吞吐和存儲(chǔ)空間的優(yōu)勢，但是損失了日志檢索的用戶體驗(yàn)，在關(guān)鍵時(shí)刻不能發(fā)揮快速查日志的作用。成本雖然有所降低，但是沒有真正解決用戶的問題。

從以上方案對比可知，以 Elasticsearch 為代表的倒排索引檢索架構(gòu)以及以 Loki 為代表的輕量索引/無索引架構(gòu)無法同時(shí)兼顧 高吞吐、低存儲(chǔ)成本和實(shí)時(shí)高性能的要求，只能在某一方面或某幾方面做權(quán)衡取舍。如果在保持倒排索引的文本檢索性能優(yōu)勢的同時(shí)，大幅提升系統(tǒng)的寫入速度與吞吐量并降低存儲(chǔ)資源成本，是否日志場景所面臨的困境就迎刃而解呢？答案是肯定的。如果我們希望使用 Apache Doris 來更好解決日志存儲(chǔ)與分析場景的痛點(diǎn)，其實(shí)現(xiàn)路徑也非常清晰——在數(shù)據(jù)庫內(nèi)部增加倒排索引、以滿足字符串類型的全文檢索和普通數(shù)值/日期等類型的等值、范圍檢索，同時(shí)進(jìn)一步優(yōu)化倒排索引的查詢性能、使其更加契合日志數(shù)據(jù)分析的場景需求。在同樣實(shí)現(xiàn)倒排索引的情況下，相較于 ES， Apache Doris 怎么做到更高的性能表現(xiàn)呢？或者說現(xiàn)有倒排索引的優(yōu)化空間有哪些呢？

• ES 基于 Apache Lucene 構(gòu)建倒排索引，而日志和大多數(shù) OLAP 場景只需要其核心功能，包括分詞、倒排表等，而相關(guān)度排序等并非強(qiáng)需求，因此存在進(jìn)一步功能簡化和性能提升的空間；
• ES 和 Apache Lucene 均采用 Java 實(shí)現(xiàn)，而 Apache Doris 存儲(chǔ)引擎和執(zhí)行引擎采用 C++ 開發(fā)并且實(shí)現(xiàn)了全面向量化，相對于 Java 實(shí)現(xiàn)具有更好的性能；
• 倒排索引并不能決定性能表現(xiàn)的全部，作為一個(gè)高性能、實(shí)時(shí)的 OLAP 數(shù)據(jù)庫，Apache Doris 的列式存儲(chǔ)引擎、MPP 分布式查詢框架、向量化執(zhí)行引擎以及智能 CBO 查詢優(yōu)化器，相較于 ES 更為高效。

通過在 Apache Doris 2.0.0 最新版本的探索與持續(xù)優(yōu)化，在相同硬件配置和數(shù)據(jù)集的測試表現(xiàn)上，Apache Doris 在數(shù)據(jù)庫內(nèi)核實(shí)現(xiàn)高性能倒排索引后，相對于 ES 實(shí)現(xiàn)了日志數(shù)據(jù)寫入速度提升 4 倍、存儲(chǔ)空間降低 80%、查詢性能提升 2 倍，再結(jié)合 Apache Doris 2.0.0 版本引入的冷熱數(shù)據(jù)分離特性，整體性價(jià)比提升 10 倍以上！接下來我們進(jìn)一步介紹設(shè)計(jì)與實(shí)現(xiàn)細(xì)節(jié)。

業(yè)界各類系統(tǒng)為了支持全文檢索和任意列索引，往往有兩種實(shí)現(xiàn)方式：一是通過外接索引系統(tǒng)來實(shí)現(xiàn)，原始數(shù)據(jù)存儲(chǔ)在原系統(tǒng)中、索引存儲(chǔ)在獨(dú)立的索引系統(tǒng)中，兩個(gè)系統(tǒng)通過數(shù)據(jù)的 ID 進(jìn)行關(guān)聯(lián)。數(shù)據(jù)寫入時(shí)會(huì)同步寫入到原系統(tǒng)和索引系統(tǒng)，索引系統(tǒng)構(gòu)建索引后不存儲(chǔ)完整數(shù)據(jù)只保留索引。查詢時(shí)先從索引系統(tǒng)查出滿足過濾條件的數(shù)據(jù) ID 集合，然后用 ID 集合去原系統(tǒng)查原始數(shù)據(jù)。這種架構(gòu)的優(yōu)勢是實(shí)現(xiàn)簡單，借力外部索引系統(tǒng)，對原有系統(tǒng)改動(dòng)小。但是問題也很明顯：

• 數(shù)據(jù)寫入兩個(gè)系統(tǒng)，異常有數(shù)據(jù)不一致的問題，也存在一定冗余存儲(chǔ)；
• 查詢需在兩個(gè)系統(tǒng)進(jìn)行網(wǎng)絡(luò)交互有額外開銷，數(shù)據(jù)量大時(shí)用 ID 集合去原系統(tǒng)查性能比較低；
• 維護(hù)兩套系統(tǒng)的復(fù)雜度高，將系統(tǒng)的復(fù)雜性從開發(fā)測轉(zhuǎn)移到運(yùn)維測；

而另一種方式則是直接在系統(tǒng)中內(nèi)置倒排索引，盡管技術(shù)實(shí)現(xiàn)會(huì)更為復(fù)雜，但性能更好、且無需花費(fèi)額外的系統(tǒng)維護(hù)成本，這也是 Apache Doris 所選擇的方式。

數(shù)據(jù)庫內(nèi)置倒排索引

在選擇了在數(shù)據(jù)庫內(nèi)核中內(nèi)置倒排索引后，我們需要進(jìn)一步對 Apache Doris 索引結(jié)構(gòu)進(jìn)行分析，判斷能否通過在已有索引基礎(chǔ)上進(jìn)行拓展來實(shí)現(xiàn)。Apache Doris 現(xiàn)有的索引存儲(chǔ)在 Segment 文件的 Index Region 中，按照適用場景可以分為跳數(shù)索引和點(diǎn)查索引兩類：

1. 跳數(shù)索引：包括 ZoneMap 索引和 Bloom Filter 索引。

• ZoneMap 索引對每一個(gè)數(shù)據(jù)塊和文件保存 Min/Max/isnull 等匯總信息，可以用于等值、范圍查詢的粗粒度過濾，只能排除不滿足查詢條件的數(shù)據(jù)塊和文件，不能定位到行，也不支持文本分詞。
• BloomFilter 索引也是數(shù)據(jù)塊和文件級別的索引，通過 Bloom Filter 判斷某個(gè)值是否在數(shù)據(jù)塊和文件中，同樣不能定位到行、不支持文本分詞；

2. 點(diǎn)查索引：包括 ShortKey 前綴排序索引和 Bitmap 索引。

• ShortKey 在排序的基礎(chǔ)上，根據(jù)給定的前綴列實(shí)現(xiàn)快速查詢數(shù)據(jù)的索引方式，能夠?qū)η熬Y索引的列進(jìn)行等值、范圍查詢，但不支持文本分詞，另外由于數(shù)據(jù)要按前綴索引排序、因此一個(gè)表只允許一組前綴索引。
• Bitmap 索引記錄數(shù)據(jù)值 -> 行號(hào) Bitmap 的有序映射，是一種很基礎(chǔ)的倒排索引，但是索引結(jié)構(gòu)比較簡單、查詢效率不高、不支持文本分詞。

原有索引結(jié)構(gòu)很難滿足日志場景實(shí)時(shí)文本檢索的需求，因此設(shè)計(jì)了全新的倒排索引。倒排索引在設(shè)計(jì)和實(shí)現(xiàn)上我們采取了無侵入的方式、不改變 Segment 數(shù)據(jù)文件格式，而是增加了新的 Inverted Index File，邏輯上在 Table 的 Column 級別。具體流程如下：

• 數(shù)據(jù)寫入和 Compaction 階段：在寫 Segment 文件的同時(shí)，同步寫入一個(gè) Inverted Index 文件，文件路徑由 Segment ID + Index ID 決定。寫入 Segment 的 Row 和 Index 中的 Doc 一一對應(yīng)，由于同步順序?qū)懭耄琒egment 中的 Rowid 和 Index 中的 Docid 完全對應(yīng)。
• 查詢階段：如果查詢 Where 條件中有建了倒排索引的列，會(huì)自動(dòng)去 Index 文件中查詢，返回滿足條件的 Docid List，將 Docid List 一一對應(yīng)的轉(zhuǎn)成 Rowid Bitmap，然后走 Doris 通用的 Rowid 過濾機(jī)制只讀取滿足條件的行，達(dá)到查詢加速的效果。

Doris倒排索引架構(gòu)圖

這個(gè)設(shè)計(jì)的好處是已有的數(shù)據(jù)文件無需修改，可以做到兼容升級，而且增減索引不影響數(shù)據(jù)文件和其他索引，用戶增建索引沒有負(fù)擔(dān)。

通用倒排索引優(yōu)化

C++和向量化實(shí)現(xiàn)Apache Doris 使用 CLucene（https://clucene.sourceforge.net/） 作為底層的倒排索引庫，CLucene 是一個(gè)用 C++ 實(shí)現(xiàn)的高性能、穩(wěn)定的 Lucene 倒排索引庫，它的功能比較完整，支持分詞和自定義分詞算法，支持全文檢索查詢和等值、范圍查詢。Apache Doris 的存儲(chǔ)模塊和 CLucene 都用 C++ 實(shí)現(xiàn)，避免了Java Lucene 的 JVM GC 等開銷，同樣的計(jì)算 C++ 實(shí)現(xiàn)相對于 Java 性能優(yōu)勢明顯，而且更利于做向量化加速。Doris 倒排索引進(jìn)行了向量化優(yōu)化，包括分詞、倒排表構(gòu)建、查詢等，性能得到進(jìn)一步提升。整體來看 Doris 的倒排索引寫入速度可以超過單核 20MB/s，而 ES 的單核寫入速度不到 5MB/s，有 4 倍的性能優(yōu)勢。列式存儲(chǔ)和壓縮Lucene 本身是文檔存儲(chǔ)模型，主數(shù)據(jù)采用行存，而 Doris 中不同列的倒排索引是相互獨(dú)立的，因此倒排索引文件也采用列式存儲(chǔ)，有利于向量化構(gòu)建索引和提高壓縮率。采用壓縮比高且速度快的 ZSTD，通?？梢赃_(dá)到 5 ~10倍的壓縮比，與常用的GZIP壓縮相比有50%以上的空間節(jié)省且速度更快。BKD 索引與數(shù)值、日期類型列優(yōu)化針對數(shù)值、日期類型的列，我們還實(shí)現(xiàn)了 BKD 索引，可以對范圍查詢提高性能，存儲(chǔ)空間也相對于轉(zhuǎn)成定長字符串更加高效，具有以下主要特性和優(yōu)勢：

• 高效范圍查詢：BKD 索引采用多維數(shù)據(jù)結(jié)構(gòu)，為范圍查詢帶來高效率。它能迅速定位數(shù)值或日期類型列中所需的數(shù)據(jù)范圍，降低查詢時(shí)間復(fù)雜度。
• 存儲(chǔ)空間優(yōu)化：與其他索引方法相比，BKD 索引在存儲(chǔ)空間使用上更高效。通過聚合并壓縮相鄰數(shù)據(jù)塊，減少索引所需存儲(chǔ)空間，降低存儲(chǔ)成本。
• 多維數(shù)據(jù)支持：BKD 索引具備良好擴(kuò)展性，支持多維數(shù)據(jù)類型，如地理坐標(biāo)（GEO point）和范圍（Range），使其在處理復(fù)雜數(shù)據(jù)類型時(shí)具有高適應(yīng)性。

此外，我們在原有 BKD 索引能力基礎(chǔ)上進(jìn)行了進(jìn)一步拓展：

• 優(yōu)化低基數(shù)場景：針對數(shù)值分布集中、單個(gè)數(shù)值倒排列表較多的低基數(shù)場景，我們調(diào)整了針對性的壓縮算法，降低大量倒排表解壓縮和反序列化所帶來的CPU性能消耗。
• 預(yù)查詢技術(shù)：針對查詢結(jié)果命中數(shù)較高的場景，我們采用預(yù)查詢技術(shù)進(jìn)行命中數(shù)預(yù)估。若命中數(shù)顯著超過閾值，可跳過索引查詢，直接利用Doris在大數(shù)據(jù)量查詢下的技術(shù)優(yōu)勢進(jìn)行數(shù)據(jù)過濾。

面向 OLAP 的倒排索引優(yōu)化

日志存儲(chǔ)和分析場景對檢索的需求很簡單，不需要特別復(fù)雜的功能（比如相關(guān)性排序），更需要降低存儲(chǔ)成本和快速按照條件查出數(shù)據(jù)。因此，在面對海量數(shù)據(jù)的寫入和查詢時(shí)，Apache Doris 還針對 OLAP 數(shù)據(jù)庫的特點(diǎn)優(yōu)化了倒排索引的結(jié)構(gòu)，使其更加簡潔高效。例如：

• 在寫入流程保證不會(huì)多個(gè)線程寫入一個(gè)索引，從而避免寫入時(shí)多線程鎖競爭的開銷；
• 在存儲(chǔ)結(jié)構(gòu)上去掉了不必要的正排、norm 等文件，減少寫入 IO 開銷和存儲(chǔ)空間占用；
• 查詢過程中簡化相關(guān)性打分和排序邏輯，降低不必要的開銷，提升查詢性能。

針對日志等數(shù)據(jù)有按時(shí)間分區(qū)、歷史數(shù)據(jù)訪問頻度低的特點(diǎn)，基于獨(dú)立的索引文件設(shè)計(jì)，Apache Doris 還將在后續(xù)的版本中提供更細(xì)粒度、更靈活的索引管理功能：

• 指定分區(qū)構(gòu)建倒排索引，比如新增一個(gè)索引的時(shí)候指定最近7天的日志構(gòu)建索引，歷史數(shù)據(jù)不建索引
• 指定分區(qū)刪除倒排索引，比如刪除超過1個(gè)月的日志的索引，釋放訪問頻度低的索引存儲(chǔ)空間

高性能是 Apache Doris 倒排索引設(shè)計(jì)和實(shí)現(xiàn)的首要出發(fā)點(diǎn)，我們通過公開的測試數(shù)據(jù)集分別與 ES 以及 Clickhouse 進(jìn)行性能測試，測試效果如下：

vs Elasticsearch

我們采用了 ES 官方的性能測試 Benchmark esrally 并使用其中的 HTTP Logs 日志，在同樣的硬件資源、數(shù)據(jù)、測試Case 以及測試工具下，記錄并對比各自的數(shù)據(jù)寫入時(shí)間、吞吐以及查詢延遲。

• 測試數(shù)據(jù)：esrally HTTP Logs track 中自帶測試數(shù)據(jù)集，1998 年 World Cup HTTP Server Logs，未壓縮前 32G、共 2.47 億行、單行平均長度 134 字節(jié)；
• 測試查詢：esrally HTTP Logs 測試關(guān)鍵詞檢索、范圍查詢、聚合、排序等 11 個(gè) Query，所有查詢跑 100 次串行執(zhí)行；
• 測試環(huán)境：3 臺(tái) 16C 64G 云主機(jī)組成的集群。

在最終的測試結(jié)果中，Doris 寫入速度是 ES 的 4.2 倍、達(dá)到 550 MB/s，寫入后的數(shù)據(jù)壓縮比接近 1:10、存儲(chǔ)空間節(jié)省超 80% ，查詢耗時(shí)下降 57%、查詢性能是 ES 的 2.3 倍。加上冷熱數(shù)據(jù)分離降低冷數(shù)據(jù)存儲(chǔ)成本，整體相較 ES 實(shí)現(xiàn) 10倍以上的性價(jià)比提升。

vs Clickhouse

Clickhouse 近期的 v23.1 版本也引入了類似 Feature，將倒排索引作為實(shí)驗(yàn)性功能發(fā)布，因此我們同樣進(jìn)行了跟 Clickhouse 倒排索引的性能對比。在本次測試中，我們采用了 Clickhouse 官方 Inverted Index 介紹博客中使用的 Hacker News 樣例數(shù)據(jù)以及查詢 SQL ，同樣保持相同的物理資源、數(shù)據(jù)、測試 Case 以及測試工具。（參考文章：https://clickhouse.com/blog/clickhouse-search-with-inverted-indices）

• 測試數(shù)據(jù)：Hacker News 2873 萬條數(shù)據(jù)，6.7G，Parquet 格式；
• 測試查詢：3 個(gè)查詢，分別查詢 'clickhouse'、'olap' OR 'oltp'、'avx' AND 'sve' 等關(guān)鍵字出現(xiàn)的次數(shù)；
• 測試機(jī)器：1 臺(tái) 16C 64G 云主機(jī)

在最終的測試結(jié)果中，3 個(gè) SQLApache Doris 的查詢性能分別是 Clickhouse 的 4.7 倍、12.0 倍以及 18.5 倍，有明顯的性能優(yōu)勢。

下面以一個(gè) Hacker News 100 萬條測試數(shù)據(jù)的示例展示 Doris 如何利用倒排索引實(shí)現(xiàn)高效的日志分析：1. 建表時(shí)指定索引

• INDEX idx_comment (`comment`)指定對 comment 列建一個(gè)名為 idx_comment的索引
• USING INVERTED指定索引類型為倒排索引
• PROPERTIES("parser" = "english")?指定分詞類型為英文分詞

CREATE TABLE hackernews_1m
(
    `id` BIGINT,
    `deleted` TINYINT,
    `type` String,
    `author` String,
    `timestamp` DateTimeV2,
    `comment` String,
    `dead` TINYINT,
    `parent` BIGINT,
    `poll` BIGINT,
    `children` Array<BIGINT>,
    `url` String,
    `score` INT,
    `title` String,
    `parts` Array<INT>,
    `descendants` INT,
    INDEX idx_comment (`comment`) USING INVERTED PROPERTIES("parser" = "english") COMMENT 'inverted index for comment'
)
DUPLICATE KEY(`id`)
DISTRIBUTED BY HASH(`id`) BUCKETS 10
PROPERTIES ("replication_num" = "1");

注：對于已經(jīng)存在的表，也可以通過ADD INDEX idx_comment ON hackernews_1m(`comment`) USING INVERTED PROPERTIES("parser" = "english") 來增加索引。值得一提的是，和 Doris 原先存儲(chǔ)在 Segment 數(shù)據(jù)文件中的智能索引和二級索引相比，增加倒排索引的過程只會(huì)讀 comment 列構(gòu)建新的倒排索引文件，不會(huì)讀寫原有的其他數(shù)據(jù)，效率有明顯提升。2. 導(dǎo)入數(shù)據(jù)后查詢，使用MATCH_ALL在comment?這一列上匹配 OLAP 和 OLTP 兩個(gè)詞，和LIKE掃描硬匹配相比，查詢性能有十余倍的提升。（這僅是 100 萬條數(shù)據(jù)下的測試效果，而隨著數(shù)據(jù)量增大、性能提升越明顯）

mysql> SELECT count() FROM hackernews_1m WHERE comment LIKE '%OLAP%' AND comment LIKE '%OLTP%';
+---------+
| count() |
+---------+
|      15 |
+---------+
1 row in set (0.13 sec)

mysql> SELECT count() FROM hackernews_1m WHERE comment MATCH_ALL 'OLAP OLTP';
+---------+
| count() |
+---------+
|      15 |
+---------+
1 row in set (0.01 sec)

更多詳細(xì)功能介紹和測試步驟可以參考Apache Doris 倒排索引官方文檔：https://doris.apache.org/zh-CN/docs/dev/data-table/index/inverted-index/

通過內(nèi)置高性能倒排索引，Apache Doris 對于字符串類型的全文檢索和普通數(shù)值、日期等類型的等值、范圍檢索具有更高效的支持，進(jìn)一步提升了數(shù)據(jù)查詢的效率和準(zhǔn)確性，對于大規(guī)模日志數(shù)據(jù)查詢分析有了更好的性能表現(xiàn)，為需要檢索能力的用戶提供了更高性價(jià)比的選擇。

目前倒排索引已經(jīng)支持了 String、Int、Decimal、Datetime 等常用 Scalar 數(shù)據(jù)類型和 Array 數(shù)組類型，后續(xù)還會(huì)增加對 JSONB、Map 等復(fù)雜數(shù)據(jù)類型的支持。而 BKD 索引可以支持多維度類型的索引，為未來 Doris 增加 GEO 地理位置數(shù)據(jù)類型和索引打下了基礎(chǔ)。與此同時(shí) Apache Doris 在半結(jié)構(gòu)化數(shù)據(jù)分析方面還有更多能力擴(kuò)展，比如自動(dòng)根據(jù)導(dǎo)入數(shù)據(jù)擴(kuò)展表結(jié)構(gòu)的 Dynamic Table、豐富的復(fù)雜數(shù)據(jù)類型（Array、Map、Struct、JSONB）以及高性能字符串匹配算法等。除倒排索引以外，Apache Doris 在 2.0.0 Alpha 版本（https://github.com/apache/doris/releases/tag/2.0.0-alpha1）中還實(shí)現(xiàn)了單節(jié)點(diǎn)數(shù)萬 QPS 的高并發(fā)點(diǎn)查詢能力、基于對象存儲(chǔ)的冷熱數(shù)據(jù)分離、基于代價(jià)模型的全新查詢優(yōu)化器以及 Pipeline 執(zhí)行引擎等，歡迎大家下載體驗(yàn)。高并發(fā)點(diǎn)查詢的詳細(xì)介紹可以查看 SelectDB 技術(shù)團(tuán)隊(duì)過往發(fā)布的技術(shù)博客，其他功能的使用介紹請參考社區(qū)官方文檔，同時(shí)也敬請持續(xù)關(guān)注我們后續(xù)發(fā)布的特性解讀系列文章。為了讓用戶可以體驗(yàn)社區(qū)開發(fā)的最新特性，同時(shí)保證最新功能可以收獲到更廣范圍的使用反饋，我們建立了 2.0.0 版本的專項(xiàng)支持群，歡迎廣大社區(qū)用戶在使用最新版本過程中多多反饋使用意見，幫助 Apache Doris 持續(xù)改進(jìn)。文章來源地址http://www.zghlxwxcb.cn/news/detail-519419.html

到了這里，關(guān)于從 Elasticsearch 到 Apache Doris，10 倍性價(jià)比的新一代日志存儲(chǔ)分析平臺(tái)｜新版本揭秘的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！