数据模型

Aggregate模型

设置了**AggregateType**的列是**value**列，否则是key列。
AggregateType：

数据聚合发生的时间段

数据导入
BE数据合并
数据查询

> ![image.png](https://yikegunshi.oss-cn-beijing.aliyuncs.com/oss-cn-prefix/20231230_1109147692.png)

聚合模型的局限性

这里我们针对 Aggregate 模型（包括 Unique 模型），来介绍下聚合模型的局限性。
在聚合模型中，模型对外展现的，是最终聚合后的数据。也就是说，任何还未聚合的数据（比如说两个不同导入批次的数据），必须通过某种方式，以保证对外展示的一致性。我们举例说明。
这里我们针对 Aggregate 模型（包括 Unique 模型），来介绍下聚合模型的局限性。
在聚合模型中，模型对外展现的，是最终聚合后的数据。也就是说，任何还未聚合的数据（比如说两个不同导入批次的数据），必须通过某种方式，以保证对外展示的一致性。我们举例说明。
假设表结构如下：

ColumnName	Type	AggregationType	Comment
user_id	LARGEINT		用户id
date	DATE		数据灌入日期
cost	BIGINT	SUM	用户总消费

假设存储引擎中有如下两个已经导入完成的批次的数据：
batch 1

user_id	date	cost
10001	2017-11-20	50
10002	2017-11-21	39

batch 2

user_id	date	cost
10001	2017-11-20	1
10001	2017-11-21	5
10003	2017-11-22	22

可以看到，用户 10001 分属在两个导入批次中的数据还没有聚合。但是为了保证用户只能查询到如下最终聚合后的数据：

user_id	date	cost
10001	2017-11-20	51
10001	2017-11-21	5
10002	2017-11-21	39
10003	2017-11-22	22

我们在查询引擎中加入了聚合算子，来保证数据对外的一致性。
另外，在聚合列（Value）上，执行与聚合类型不一致的聚合类查询时，要注意语意。比如我们在如上示例中执行如下查询：
SELECT MIN(cost) FROM table;

得到的结果是 5，而不是 1。
同时，这种一致性保证，在某些查询中，会极大的降低查询效率。
我们以最基本的 count() 查询为例：
SELECT COUNT() FROM table;

在其他数据库中，这类查询都会很快的返回结果。因为在实现上，我们可以通过如“导入时对行进行计数，保存 count 的统计信息”，或者在查询时“仅扫描某一列数据，获得 count 值”的方式，只需很小的开销，即可获得查询结果。但是在 Doris 的聚合模型中，这种查询的开销非常大。
我们以刚才的数据为例：
batch 1

user_id	date	cost
10001	2017-11-20	50
10002	2017-11-21	39

batch 2

user_id	date	cost
10001	2017-11-20	1
10001	2017-11-21	5
10003	2017-11-22	22

因为最终的聚合结果为：

user_id	date	cost
10001	2017-11-20	51
10001	2017-11-21	5
10002	2017-11-21	39
10003	2017-11-22	22

所以，select count(*) from table; 的正确结果应该为 4。但如果我们只扫描 user_id 这一列，如果加上查询时聚合，最终得到的结果是 3（10001, 10002, 10003）。而如果不加查询时聚合，则得到的结果是 5（两批次一共5行数据）。可见这两个结果都是不对的。
为了得到正确的结果，我们必须同时读取 user_id 和 date 这两列的数据，再加上查询时聚合，才能返回 4 这个正确的结果。也就是说，在 count() 查询中，Doris 必须扫描所有的 AGGREGATE KEY 列（这里就是 user_id 和 date），并且聚合后，才能得到语意正确的结果。当聚合列非常多时，count() 查询需要扫描大量的数据。

读取所有AGGR列，并且聚合才能得到结果。

因此，当业务上有频繁的 count() 查询时，我们建议用户通过增加一个**值恒为 1 的，聚合类型为 SUM 的列来模拟 count()**。如刚才的例子中的表结构，我们修改如下：

ColumnName	Type	AggregateType	Comment
user_id	BIGINT		用户id
date	DATE		数据灌入日期
cost	BIGINT	SUM	用户总消费
count	BIGINT	SUM	用于计算count

增加一个 count 列，并且导入数据中，该列值恒为 1。则 select count() from table; 的结果等价于 select sum(count) from table;。而后者的查询效率将远高于前者。不过这种方式也有使用限制，就是用户需要自行保证，不会重复导入 AGGREGATE KEY 列都相同的行。否则，select sum(count) from table; 只能表述原始导入的行数，而不是 select count() from table; 的语义。
另一种方式，就是 将如上的 count 列的聚合类型改为 REPLACE，且依然值恒为 1。那么 select sum(count) from table; 和 select count(*) from table; 的结果将是一致的。并且这种方式，没有导入重复行的限制。

Uniq模型

key值相同取最新，遇到null值不更新。

在某些多维分析场景下，用户更关注的是如何保证 Key 的唯一性，即如何获得 Primary Key 唯一性约束。因此，我们引入了 Uniq 的数据模型。该模型本质上是聚合模型的一个特例，也是一种简化的表结构表示方式

Duplicate模型

不需要主键，不需要聚合，数据完全按导入文件中的数据进行存储，不聚合。（适用于明细数据）

这种数据模型区别于 Aggregate 和 Unique 模型。数据完全按照导入文件中的数据进行存储，不会有任何聚合。即使两行数据完全相同，也都会保留。 而在建表语句中指定的 DUPLICATE KEY，只是用来指明底层数据按照那些列进行排序。（更贴切的名称应该为 “Sorted Column”，这里取名 “DUPLICATE KEY” 只是用以明确表示所用的数据模型。关于 “Sorted Column”的更多解释，可以参阅前缀索引）。在 DUPLICATE KEY 的选择上，我们建议适当的选择前 2-4 列就可以。

模型选择

数据模型在建表时就已经确定，且无法修改。

	适用	不适用
Aggregate	报表	count（*）
Uniq	唯一主键约束	无法利用预聚合
Duplicate	任意维度的ad-hoc查询，只读取相关列，不读取所有key列	无法利用预聚合

count(*)的问题

需要扫描所有聚合key列，并进行查询时聚合后才能得到结果

解决办法：使用sum列模拟、使用replace列

物化视图

概念

是查询结果预先存储起来的表。包含查询语句和查询结果，结果可以根据base表的改变进行改变，相较于rollup含有聚合函数。
create materialized view

适用场景

优势

和rollup的区别

是rollup的超集，功能更丰富（聚合函数）

原理

只支持单表，不支持join

创建物化视图

根据查询语句特点创建即可，需要具有共性，不需要一模一样
是异步创建的，对存量+增量数据一同进行计算，与base表保持数据一致性
help create materialized view

查询

查询语句会自动匹配已经创建的物化视图，并选择一个最佳的
**1.自动匹配（多个备选时看：①前缀索引 ②聚合程度-是不是都进行了同一类聚合比如sum） **
2.查询改写
注意：查询顺序和sql索引一致（？），**where -> group by -> select**

查询自动匹配

最优路径选择

查询改写

使用及限制

案例

创建base表

create table sales_records(
record_id int,
seller_id int,
store_id int,
sale_date date,
sale_amt bigint
)
distributed by hash(record_id)
properties("replication_num" = "1");

创建物化视图表

create materialized view store_amt as
select store_id, sum(sale_amt)
from sales_records
group by store_id;

查看物化视图

是否创建完毕：SHOW ALTER TABLE MATERIALIZED VIEW FROM test_db; (Version 0.13)
查看base表的所有物化视图：desc sales_records all;

删除物化视图

DROP MATERIALIZED VIEW 物化视图名 on Base 表名;

修改表

1 2	ALTER TABLE [database.]table alter_clause1[, alter_clause2, ...];

rename

partition

rollup

https://doris.apache.org/zh-CN/docs/data-table/basic-usage
ALTER TABLE table1 ADD ROLLUP rollup_city(citycode, pv);
查看：SHOW ALTER TABLE ROLLUP;

Rollup 建立之后，查询不需要指定 Rollup 进行查询。还是指定原有表进行查询即可。程序会自动判断是否应该使用 Rollup。是否命中 Rollup可以通过 EXPLAIN your_sql; 命令进行查看。

表结构改变

新增列

删除列

修改列类型

改变列顺序

删除数据

delete from

DELETE FROM table_name [PARTITION partition_name]
WHERE
column_name1 op { value | value_list } [ AND column_name2 op { value
| value_list } ...];

Doris基础知识篇(5):数据模型