以前，数据仓库通常由Apache Hive、MySQL、Elasticsearch和PostgreSQL组成。它们支持数据仓库的数据计算和数据存储层：

• 数据计算：Apache Hive作为计算引擎。
• 数据存储：MySQL为DataBank、Tableau和我们面向客户的应用程序提供数据。Elasticsearch和PostgreSQL用于我们的DMP用户分割系统：前者存储用户分析数据，后者存储用户组数据包。

不过，这样会导致数据管道又长又复杂，需要高维护成本，并且有损于开发效率。此外，它们无法进行特定查询。因此，作为数据仓库的升级，可以用Apache Doris替换了其中大部分组件，这是一种基于MPP架构的开源分析型数据库。

1. 数据流

这是数据仓库的侧面视图，可以从中看到数据如何流动。

首先，MySQL的binlog将通过Canal被摄入到Kafka中，而用户活动日志将通过Apache Flume传输到Kafka中。在Kafka中，数据将被清理并组织成平面表，然后将转换为聚合表。然后，数据将从Kafka传递到Apache Doris，它充当存储和计算引擎。

我们在Apache Doris中采用不同的数据模型来处理不同的场景：来自MySQL的数据将按照Unique模型进行排列，日志数据将放在Duplicate模型中，而DWS层中的数据将合并在Aggregate模型中。

这就是Apache Doris如何取代我们数据仓库中Hive、Elasticsearch和PostgreSQL的角色。这种转变在开发和维护方面节省了我们大量的工作量。它还使特定查询成为可能，并使我们的用户分割更加高效。

2. 临时查询

之前：每次提出新请求时，我们都会在Hive中开发和测试数据模型，并在MySQL中编写调度任务，以便我们面向客户的应用程序平台可以从MySQL读取结果。这是一个复杂的过程，需要大量时间和开发工作。

之后：由于Apache Doris拥有所有明细数据，因此每当它面临新请求时，它只需提取元数据并配置查询条件即可。然后它就可以进行特定查询了。简而言之，它只需要低代码配置即可响应新请求。

3. 用户分割

之前：基于元数据创建用户分割任务后，相关的用户ID将被写入PostgreSQL配置文件列表和MySQL任务列表中。同时，Elasticsearch将根据任务条件执行查询；在产生结果后，它将在任务列表中更新状态，并将用户组位图包写入PostgreSQL。（PostgreSQL插件能够计算位图的交集、并集和差集。）然后，PostgreSQL将为下游操作平台提供用户组数据包。

Elasticsearch和PostgreSQL中的表格无法重复使用，这使得这种架构成本效益低。此外，我们必须预定义用户标签，才能执行新类型的查询。这减慢了速度。

之后：用户ID仅会被写入MySQL任务列表中。对于第一次分割，Apache Doris将根据任务条件执行特定查询。在随后的分割任务中，Apache Doris将执行微批量滚动，并计算与先前生成的用户组数据包相比的差异集，并通知下游平台进行任何更新。（这是由Apache Doris中的位图函数实现的。）

在这个以Doris为中心的用户分割过程中，我们不必预定义新标签。相反，标签可以根据任务条件自动生成。处理管道具有灵活性，可以使我们基于用户组进行A/B测试更加容易。此外，由于明细数据和用户组数据包都在Apache Doris中，因此我们不必关注多个组件之间的读写复杂性。

4. 提高用户分组速度的技巧，可提高70％

由于风险规避原因，随机生成user_id是许多公司的选择，但这会在用户组数据包中产生稀疏和非连续的用户ID。在用户分组中使用这些ID，我们必须忍受等待位图生成的漫长时间。

为了解决这个问题，我们为这些用户ID创建了连续和密集的映射。通过这种方式，我们将用户分组延迟降低了70％。

5. 示例

步骤1：创建用户ID映射表

我们采用唯一模型用于用户ID映射表，其中用户ID是唯一键。映射的连续ID通常从1开始严格递增。

步骤2：创建用户组表：

我们采用聚合模型用于用户组表，其中用户标签作为聚合键。

假设我们需要挑选出ID在0到2000000之间的用户。

以下代码段分别使用非连续（tyc_user_id）和连续（tyc_user_id_continuous）用户ID进行用户分组。它们的响应时间之间存在很大差距：

• 非连续用户ID：1843ms
• 连续用户ID：543ms

6. 总结

我们在Apache Doris中拥有2个容纳数十TB数据的集群，每天几乎有10亿行新数据流入。随着数据量的扩大，我们曾经目睹数据摄入速度急剧下降。但是，在使用Apache Doris升级数据仓库后，我们将数据写入效率提高了75％。此外，在结果集小于500万的用户分组中，它能够在毫秒内响应。最重要的是，我们的数据仓库对开发人员和维护人员更加简单和友好。