【Doris入门】Doris数据表模型：聚合模型（Aggregate Key Model）详解

目录

前言

1 聚合模型概述

1.1 什么是聚合模型

1.2 聚合模型的核心特性

1.3 聚合模型与其他模型的对比

2 聚合模型的实现原理

2.1 数据聚合流程

2.2 聚合模型的存储结构

2.3 聚合模型的查询优化

3 聚合函数详解

3.1 常用聚合函数

3.2 聚合函数使用示例

3.2.1 SUM聚合函数

3.2.2 REPLACE聚合函数

3.2.3 MAX和MIN聚合函数

3.3 高级聚合函数

3.3.1 HLL_UNION聚合函数

3.3.2 BITMAP_UNION聚合函数

4 聚合模型的使用场景

4.1 选择聚合模型的情况

4.2 不适合聚合模型的情况

5 聚合模型的性能优化

5.1 建表优化

5.1.1 合理选择Key列

5.1.2 合理设置分区策略

5.2 查询优化

5.2.1 利用预聚合结果

5.2.2 优化聚合查询

5.3 写入优化

5.3.1 批量写入

5.3.2 合理设置导入批次

5.3.3 控制并发写入

6 总结

---

前言

在当今大数据时代，数据仓库和实时分析系统面临着海量数据的存储和查询挑战。Apache Doris作为一款高性能的分布式分析型数据库，提供了多种数据模型来满足不同的业务场景需求。其中，聚合模型（Aggregate Key Model）是Doris中最为核心和特色的数据模型之一，它通过预聚合机制大幅提升了查询性能，特别适合报表分析、统计汇总等场景。

1 聚合模型概述

1.1 什么是聚合模型

聚合模型（Aggregate Key Model）是Apache Doris中的一种数据模型，其主要特点是根据Key列对数据进行聚合操作。在建表时，通过AGGREGATE KEY关键字指定聚合模型，并明确指定Key列用于聚合Value列。

聚合模型的核心思想是在数据写入时就进行预聚合，将相同Key的数据按照指定的聚合函数进行合并，只存储聚合后的结果。这种方式极大地减少了查询时的计算量，提升了查询性能。

1.2 聚合模型的核心特性

聚合模型具有以下几个核心特性：

• 预聚合机制：在数据导入时就会进行聚合操作，减少查询时的计算量
• 节省存储空间：只存储聚合后的数据，而不是原始数据
• 提升查询性能：聚合查询时无需再次计算，直接读取预聚合结果
• 支持多种聚合函数：包括SUM、REPLACE、MAX、MIN等常用聚合函数
• 灵活的聚合策略：可以根据业务需求为不同的Value列指定不同的聚合方式

1.3 聚合模型与其他模型的对比

Doris提供了三种主要的数据模型：

• 明细模型（Duplicate Key Model）
• 聚合模型（Aggregate Key Model）
• 主键模型（Unique Key Model）

它们的区别如下：

特性	明细模型	主键模型	聚合模型
数据处理	保留所有原始数据	按主键去重，保留最新数据	按Key列聚合
Key列约束	无唯一约束，Key列可重复	Key列必须唯一	Key列必须唯一
更新支持	不支持更新	支持更新	部分支持更新
删除支持	部分支持	支持删除	不支持删除
存储空间	较大	中等	较小
查询灵活性	高，支持任意维度查询	中等	低，受聚合方式限制
查询性能	中等	较高	最高（聚合查询）
适用场景	需要保留原始数据的场景	需要数据更新的场景	需要预聚合统计的场景

2 聚合模型的实现原理

2.1 数据聚合流程

• 聚合模型的数据聚合流程可以分为三个主要阶段：

数据导入阶段：

• 原始数据按批次导入系统
• 系统按照Key列对数据进行分组
• 对每个分组按照指定的聚合函数进行计算
• 生成聚合后的数据版本

后台文件合并阶段（Compaction）：

• 系统定期合并多个版本的数据文件
• 减少数据冗余，优化存储结构
• 提升查询性能，降低存储成本

查询阶段：

• 系统接收查询请求
• 直接读取已经聚合好的数据
• 无需再次进行聚合计算
• 返回查询结果

2.2 聚合模型的存储结构

• 聚合模型的存储结构与其他模型有显著不同：

存储特点：

• 按Key聚合：相同Key的数据会被合并成一条记录
• 聚合函数应用：Value列按照指定的聚合函数进行计算
• 版本管理：每个导入批次生成一个数据版本
• 定期合并：后台进程定期合并多个版本

2.3 聚合模型的查询优化

• 聚合模型在查询时具有天然的性能优势：

优化优势：

• 减少数据扫描量：只读取聚合后的数据，而不是原始数据
• 避免重复计算：聚合操作在写入时已经完成
• 更好的压缩率：聚合后的数据重复性更低，压缩效果更好
• 索引友好：聚合后的数据更适合建立索引

3 聚合函数详解

3.1 常用聚合函数

• 聚合模型支持多种聚合函数，每种函数都有其特定的应用场景：

聚合函数	描述	适用场景	示例
SUM	求和，多行的Value进行累加	数值型字段的汇总	订单金额、访问量统计
REPLACE	替代，下一批数据中的Value会替换之前导入过的行中的Value	最新状态、最新信息	订单状态、用户最后登录时间
MAX	保留最大值	最大值统计	最高价格、最大响应时间
MIN	保留最小值	最小值统计	最低价格、最小响应时间
REPLACE_IF_NOT_NULL	非空值替换，与REPLACE的区别在于对null值不做替换	部分列更新	订单更新、字段更新
HLL_UNION	HLL类型的列的聚合方式，通过HyperLogLog算法聚合	去重统计	UV统计、独立访客统计
BITMAP_UNION	BITMAP类型的列的聚合方式，进行位图的并集聚合	标签统计	用户标签交集、并集

3.2 聚合函数使用示例

3.2.1 SUM聚合函数

-- 创建使用SUM聚合的表
CREATE TABLE ads_db.sales_summary(user_id BIGINT NOT NULL,sale_date DATE NOT NULL,product_id BIGINT,category VARCHAR(50) REPLACE DEFAULT "",  -- 为 category 指定 REPLACE 聚合类型sale_amount DECIMAL(10,2) SUM DEFAULT "0",sale_quantity INT SUM DEFAULT "0"
) AGGREGATE KEY(user_id, sale_date, product_id)
DISTRIBUTED BY HASH(user_id) BUCKETS 1
PROPERTIES ("replication_num" = "1"  -- 将副本数设置为与可用后端节点数一致
);-- 插入数据INSERT INTO ads_db.sales_summary VALUES
(101, '2025-08-01', 1001, '电子产品', 1000.00, 2),
(101, '2025-08-01', 1001, '电子产品', 500.00, 1),
(101, '2025-08-02', 1002, '服装', 800.00, 1);-- 查询结果
SELECT * FROM ads_db.sales_summary;

• 查询结果：

mysql> SELECT * FROM ads_db.sales_summary;
+---------+------------+------------+--------------+-------------+---------------+
| user_id | sale_date  | product_id | category     | sale_amount | sale_quantity |
+---------+------------+------------+--------------+-------------+---------------+
|     101 | 2025-08-01 |       1001 | 电子产品     |     1500.00 |             3 |
|     101 | 2025-08-02 |       1002 | 服装         |      800.00 |             1 |
+---------+------------+------------+--------------+-------------+---------------+
2 rows in set (0.37 sec)mysql> 

3.2.2 REPLACE聚合函数

-- 创建使用REPLACE聚合的表
CREATE TABLE ads_db.user_profile(user_id BIGINT NOT NULL,update_date DATE NOT NULL,last_login_time DATETIME REPLACE DEFAULT "1970-01-01 00:00:00",user_level TINYINT REPLACE DEFAULT "1",last_ip VARCHAR(64) REPLACE DEFAULT "0.0.0.0"
) AGGREGATE KEY(user_id, update_date)
DISTRIBUTED BY HASH(user_id) BUCKETS 1
PROPERTIES ("replication_num" = "1"  -- 将副本数设置为与可用后端节点数一致
);-- 插入数据
INSERT INTO ads_db.user_profile VALUES
(101, '2025-08-01', '2025-08-01 10:00:00', 2, '192.168.1.100'),
(101, '2025-08-01', '2025-08-01 11:00:00', 3, '192.168.1.101'),
(101, '2025-08-02', '2025-08-02 09:00:00', 3, '192.168.1.102');-- 查询结果
SELECT * FROM ads_db.user_profile;

• 查询结果：

mysql> select *from ads_db.user_profile;
+---------+-------------+---------------------+------------+---------------+
| user_id | update_date | last_login_time     | user_level | last_ip       |
+---------+-------------+---------------------+------------+---------------+
|     101 | 2025-08-01  | 2025-08-01 11:00:00 |          3 | 192.168.1.101 |
|     101 | 2025-08-02  | 2025-08-02 09:00:00 |          3 | 192.168.1.102 |
+---------+-------------+---------------------+------------+---------------+
2 rows in set (0.25 sec)mysql> 

3.2.3 MAX和MIN聚合函数

-- 创建使用MAX和MIN聚合的表
CREATE TABLE ads_db.performance_metrics(server_id BIGINT NOT NULL,metric_date DATE NOT NULL,metric_name VARCHAR(50),cpu_usage DOUBLE MAX DEFAULT "0",memory_usage DOUBLE MIN DEFAULT "100",response_time INT MAX DEFAULT "0"
)AGGREGATE KEY(server_id, metric_date, metric_name)
DISTRIBUTED BY HASH(server_id) BUCKETS 1
PROPERTIES ("replication_num" = "1"  -- 将副本数设置为与可用后端节点数一致
);-- 插入数据
INSERT INTO ads_db.performance_metrics VALUES
(1, '2025-08-01', 'CPU', 80.5, 20.0, 150),
(1, '2025-08-01', 'CPU', 75.2, 25.0, 120),
(1, '2025-08-01', 'Memory', 0.0, 15.0, 0),
(1, '2025-08-01', 'Memory', 0.0, 18.0, 0);-- 查询结果
SELECT * FROM ads_db.performance_metrics;

• 查询结果：

mysql> select * from ads_db.performance_metrics;
+-----------+-------------+-------------+-----------+--------------+---------------+
| server_id | metric_date | metric_name | cpu_usage | memory_usage | response_time |
+-----------+-------------+-------------+-----------+--------------+---------------+
|         1 | 2025-08-01  | CPU         |      80.5 |           20 |           150 |
|         1 | 2025-08-01  | Memory      |         0 |           15 |             0 |
+-----------+-------------+-------------+-----------+--------------+---------------+
2 rows in set (0.26 sec)mysql>

3.3 高级聚合函数

3.3.1 HLL_UNION聚合函数

-- 创建使用HLL_UNION聚合的表
CREATE TABLE ads_db.uv_stats(date_key DATE NOT NULL,channel VARCHAR(50) NOT NULL,user_id HLL HLL_UNION  -- 移除了 DEFAULT '' 设置
) AGGREGATE KEY(date_key, channel)
DISTRIBUTED BY HASH(date_key) BUCKETS 1
PROPERTIES ("replication_num" = "1"
);-- 插入数据
INSERT INTO ads_db.uv_stats VALUES
('2025-08-01', 'search', hll_hash('user1')),
('2025-08-01', 'search', hll_hash('user2')),
('2025-08-01', 'search', hll_hash('user1')),  -- 重复用户
('2025-08-01', 'direct', hll_hash('user3'));-- 查询结果
SELECT date_key, channel, count(DISTINCT user_id) as uv_count
FROM ads_db.uv_stats
GROUP BY date_key, channel;

• 查询结果：

mysql> SELECT date_key, channel, count(DISTINCT user_id) as uv_count-> FROM ads_db.uv_stats-> GROUP BY date_key, channel;
+------------+---------+----------+
| date_key   | channel | uv_count |
+------------+---------+----------+
| 2025-08-01 | direct  |        1 |
| 2025-08-01 | search  |        2 |
+------------+---------+----------+
2 rows in set (0.31 sec)mysql> 

3.3.2 BITMAP_UNION聚合函数

-- 创建使用BITMAP_UNION聚合的表
CREATE TABLE ads_db.user_tags(user_id BIGINT NOT NULL,tag_id INT NOT NULL,tag_bitmap BITMAP BITMAP_UNION  -- 移除了 DEFAULT '0'
) AGGREGATE KEY(user_id, tag_id)
DISTRIBUTED BY HASH(user_id) BUCKETS 1
PROPERTIES ("replication_num" = "1"
);-- 插入数据
INSERT INTO ads_db.user_tags VALUES
(101, 1, to_bitmap(1)),
(101, 1, to_bitmap(2)),
(101, 2, to_bitmap(3)),
(102, 1, to_bitmap(1));-- 查询结果
SELECT user_id, tag_id, BITMAP_UNION_COUNT(tag_bitmap) as tag_count  -- 使用 BITMAP_UNION_COUNT 聚合函数
FROM ads_db.user_tags
GROUP BY user_id, tag_id;

• 查询结果：

mysql> SELECT ->     user_id, ->     tag_id, ->     BITMAP_UNION_COUNT(tag_bitmap) as tag_count  -- 使用 BITMAP_UNION_COUNT 聚合函数-> FROM ads_db.user_tags-> GROUP BY user_id, tag_id;
+---------+--------+-----------+
| user_id | tag_id | tag_count |
+---------+--------+-----------+
|     101 |      1 |         2 |
|     102 |      1 |         1 |
|     101 |      2 |         1 |
+---------+--------+-----------+
3 rows in set (0.23 sec)mysql> 

4 聚合模型的使用场景

4.1 选择聚合模型的情况

选择标准：

• 需要预聚合统计：业务场景中需要频繁进行聚合查询
• 查询模式固定：查询模式相对固定，聚合方式明确
• 存储空间敏感：对存储空间有要求，希望节省存储成本
• 查询性能要求高：对查询性能有较高要求

4.2 不适合聚合模型的情况

以下场景不建议使用聚合模型：

• 需要查询原始明细数据：如果需要查询原始明细数据，应该使用明细模型
• 数据频繁更新：如果数据需要频繁更新，应该使用主键模型
• 聚合方式不明确：如果聚合方式不明确或需要灵活调整，应该使用明细模型
• 需要支持任意维度查询：如果需要支持任意维度的Ad-hoc查询，应该使用明细模型

5 聚合模型的性能优化

5.1 建表优化

5.1.1 合理选择Key列

• Key列的选择对聚合模型的性能有重要影响：

选择原则：

• 高基数列优先：选择基数较高的列作为Key列
• 查询条件匹配：Key列应该与常用查询条件匹配
• 避免过多Key列：Key列数量不宜过多，一般2-5个为宜
• 数据类型优化：优先选择整型数据类型

-- 优化前的建表语句
CREATE TABLE ads_db.sales_stats(order_date DATE NOT NULL,user_id BIGINT NOT NULL,product_id BIGINT NOT NULL,category_id BIGINT NOT NULL,seller_id BIGINT NOT NULL,payment_amount DECIMAL(10,2) SUM DEFAULT "0",order_quantity INT SUM DEFAULT "0"
)AGGREGATE KEY(order_date, user_id, product_id, category_id, seller_id)
DISTRIBUTED BY HASH(user_id) BUCKETS 1
PROPERTIES ("replication_num" = "1"
);-- 优化后的建表语句
CREATE TABLE ads_db.sales_stats_1(order_date DATE NOT NULL,user_id BIGINT NOT NULL,product_id BIGINT NOT NULL,-- 非聚合键列：添加 REPLACE 聚合（同一 product_id 对应唯一 category_id）category_id BIGINT REPLACE NOT NULL,-- 修正 DEFAULT 值：去掉引号，使用数值类型payment_amount DECIMAL(10,2) SUM DEFAULT 0,order_quantity INT SUM DEFAULT 0
)
-- 聚合键：仅包含维度列，确保聚合粒度正确
AGGREGATE KEY(order_date, user_id, product_id)
DISTRIBUTED BY HASH(user_id) BUCKETS 1
PROPERTIES ("replication_num" = "1"
);

5.1.2 合理设置分区策略

• 分区策略的选择对查询性能有重要影响：

-- 按日期分区
CREATE TABLE ads_db.daily_stats(stat_date DATE NOT NULL,metric_name VARCHAR(50) NOT NULL,metric_value DOUBLE SUM DEFAULT "0"
)AGGREGATE KEY(stat_date, metric_name)
PARTITION BY RANGE(stat_date) (PARTITION p202501 VALUES LESS THAN ('2025-02-01'),PARTITION p202502 VALUES LESS THAN ('2025-03-01'),PARTITION p202503 VALUES LESS THAN ('2025-04-01'),PARTITION p202504 VALUES LESS THAN ('2025-05-01')
)
DISTRIBUTED BY HASH(stat_date) BUCKETS 1
PROPERTIES ("replication_num" = "1"
);-- 按业务分区
CREATE TABLE ads_db.regional_stats(region_code VARCHAR(10) NOT NULL,business_type VARCHAR(50) NOT NULL,stat_date DATE NOT NULL,revenue DECIMAL(12,2) SUM DEFAULT "0",order_count INT SUM DEFAULT "0"
)AGGREGATE KEY(region_code, business_type, stat_date)
PARTITION BY LIST(region_code) (PARTITION p_north VALUES IN ("110", "120", "130", "140"),PARTITION p_east VALUES IN ("310", "320", "330", "340"),PARTITION p_south VALUES IN ("440", "450", "460", "470")
)
DISTRIBUTED BY HASH(region_code) BUCKETS 1
PROPERTIES ("replication_num" = "1"
);

5.2 查询优化

5.2.1 利用预聚合结果

• 聚合模型的最大优势是预聚合，查询时应该充分利用这一优势：

-- 推荐的查询方式
SELECT order_date,product_id,SUM(payment_amount) as total_amount,SUM(order_quantity) as total_quantity
FROM ads_db.sales_stats
WHERE order_date >= '2025-08-01' AND order_date < '2025-12-01'AND category_id = 1001
GROUP BY order_date, product_id;

5.2.2 优化聚合查询

-- 推荐的聚合查询
SELECT order_date,category_id,COUNT(DISTINCT user_id) as unique_users,SUM(payment_amount) as total_amount
FROM ads_db.sales_stats
WHERE order_date >= '2025-08-01' AND order_date < '2025-12-01'
GROUP BY order_date, category_id
ORDER BY total_amount DESC;-- 避免的复杂聚合查询
SELECT order_date,category_id,user_id,product_id,COUNT(*) as order_count,SUM(payment_amount) as amount_sum,AVG(payment_amount) as amount_avg,MAX(payment_amount) as amount_max,MIN(payment_amount) as amount_min
FROM ads_db.sales_stats
WHERE order_date >= '2025-08-01' AND order_date < '2025-12-01'
GROUP BY order_date, category_id, user_id, product_id
ORDER BY amount_sum DESC;

5.3 写入优化

5.3.1 批量写入

• 聚合模型支持批量写入，可以提高写入性能：

-- 批量插入数据
INSERT INTO ads_db.sales_stats VALUES
('2025-08-01', 101, 1001, 1001, 500.00, 2),
('2025-08-01', 101, 1002, 1002, 300.00, 1),
('2025-08-01', 102, 1001, 1001, 800.00, 3),
('2025-08-02', 101, 1003, 1003, 200.00, 1);

5.3.2 合理设置导入批次

-- 使用Broker Load批量导入
LOAD LABEL batch_load_sales
(DATA INFILE("hdfs://namenode:8020/user/sales/*.csv")INTO TABLE sales_statsFORMAT AS "csv"FIELDS TERMINATED BY "," LINES TERMINATED BY "\n"(order_date, user_id, product_id, category_id, payment_amount, order_quantity)
)
WITH BROKER 'broker_name'
PROPERTIES ("timeout" = "3600","max_filter_ratio" = "0.1","exec_mem_limit" = "8589934592"
);

5.3.3 控制并发写入

-- 控制并发写入参数
SET query_timeout = 300;
SET exec_mem_limit = 8589934592;
SET parallel_fragment_exec_instance_num = 8;
SET parallel_pipeline_task_num = 8;

6 总结

通过本文，我们了解到Apache Doris的聚合模型（Aggregate Key Model）在数据分析领域具有重要的价值：

• 预聚合机制：通过在数据写入时就进行聚合操作，极大地提升了查询性能
• 存储优化：只存储聚合后的数据，节省了存储空间，降低了存储成本
• 查询加速：聚合查询时无需再次计算，直接读取预聚合结果
• 灵活聚合：支持多种聚合函数，满足不同的业务需求
• 适用场景广泛：特别适合报表分析、统计汇总、用户行为分析等场景

在选择是否使用聚合模型时，建议考虑以下因素：

• 业务需求：如果业务场景中需要频繁进行聚合查询，聚合模型是最佳选择
• 查询模式：如果查询模式相对固定，聚合方式明确，聚合模型非常适合
• 存储空间：如果对存储空间有要求，希望节省存储成本，聚合模型是很好的选择
• 性能要求：如果对查询性能有较高要求，聚合模型能够提供显著的性能提升