审校 | 重楼
从一个OLAP数据库迁移到另一个OLAP数据库是个大工程。即使您对当前的数据工具不满意，并且已经找到了一些大有前途的候选工具，可能仍然会犹豫是否要对数据架构进行一番大动作，因为您不确定事情会如何进展。所以您需要过来人分享一下经验。
幸运的是，Apache Doris的一个用户已经撰文写下了从ClickHouse迁移到Doris的过程，包括他们为什么需要迁移，需要注意什么，以及如何在环境中比较两种数据库的性能。
为了要决定是否继续读下去，请检查您是否符合以下其中一项：
- 您需要更快地执行连接查询
- 您需要灵活的数据更新
- 您需要实时数据分析
- 您需要最小化组件
如果符合上述任何一项，本文对您可能会有所帮助。
把Kylin、ClickHouse和Druid换成Apache Doris
经历这番变化的用户是一家电子商务SaaS提供商。其数据系统提供实时和离线报告、客户细分以及日志分析。最初，他们为这些不同的目的使用不同的OLAP引擎：
- 用于离线报告的Apache Kylin：该系统为500余万卖家提供离线报告服务。其中规模较大的卖家有1000余万注册会员和100000个单品，详细信息被存储在该平台上的400多个数据立方体（Data Cube）中。
- 用于客户细分和Top-N日志查询的ClickHouse：这需要高频更新、每秒查询（QPS）次数高以及复杂的SQL。
- 用于实时报告的Apache Druid：卖家通过结合不同的维度提取自己需要的数据，这种实时报告需要数据更新快速、查询响应迅速和系统极其稳定。
图1. 这三大部分有各自的痛点
- 面对固定的表模式，Apache Kylin可以很好地运行。但每当您想要添加一个维度，就需要创建一个新的数据立方体，并往里面重新填充历史数据。
- ClickHouse不是为多表处理而设计的，因此您可能需要为联合查询和多表连接查询提供另外的解决方案。而在本文这个例子中，它在高并发场景下未达到预期。
- Apache Druid实现了幂等写入，因此它本身不支持数据更新或删除。这意味着当上游出现问题时，您将需要完整的数据替换。如果您考虑到所有的数据备份和移动，这种数据修复是一个涉及多步骤的过程。此外，新摄取的数据将无法供查询访问，除非它被放在Druid的片段中。这意味着窗口较长，从而使得上游和下游之间的数据不一致。
当这些组件协同工作时，这个架构可能要求太高而无法导航，因为它需要在开发、监控和维护方面了解所有这些组件。此外，每当用户扩展集群，必须停止当前集群，并迁移所有数据库和表，这不仅仅是一项大工程，还会严重干扰业务的正常运营。
图2. Apache Doris填补了这些空白
- 查询性能：Doris擅长高并发查询和连接查询，现在它配备了一个反向索引，以加速日志中的搜索。
- 数据更新：Doris的独特键（Unique Key）模型支持大容量更新和高频实时写入，重复键（Duplicate Key）模型和独特键模型支持部分列更新。它还在数据写入时提供了精确一次（exact-once）保证，并确保基础表、物化视图和副本之间的一致性。
- 维护：Doris与MySQL兼容。它支持简易扩展和轻量级模式更改。它自带集成工具，比如Flink-Doris-Connector和Spark-Doris-Connector。
于是他们计划迁移。
替换过程
ClickHouse是旧数据架构的主要性能瓶颈，也是用户最初希望改变的原因，于是他们开始从ClickHouse入手。
SQL语句的变化
表创建语句
图3
用户构建了自己的SQL重写工具，该工具可以将ClickHouse表创建语句转换成Doris表创建语句。该工具可以自动执行以下更改：
- 映射字段类型：它将ClickHouse字段类型转换成Doris中相应的字段类型。比如说，它将作为键字段的String转换成Varchar，将作为分区字段的String转换成Date V2。
- 设置动态分区表中的历史分区数：一些表有历史分区，在Doris中创建表时应该指定分区数，否则将会抛出“无分区”错误。
- 确定存储桶数：根据历史分区的数据量确定存储桶数；针对非分区表，它根据历史数据量确定存储桶配置。
- 确定TTL：它确定动态分区表中分区的存活时间。
- 设置导入顺序：针对Doris的独特键模型，可以根据序列这列指定数据导入顺序，以确保数据摄取的有序性。
图4
查询语句
同样，他们有自己的工具将ClickHouse查询语句转换成Doris查询语句。这是为ClickHouse和Doris的对比测试做准备。转换中的关键考虑因素包括如下：
- 表名的转换：根据表创建语句中的映射规则，这很简单。
- 函数的转换：比如说，ClickHouse中的COUNTIF函数相当于SUM(CASE WHEN_THEN 1 ELSE 0)，Array Join相当于Explode和Lateral View，而ORDER BY和GROUP BY应该转换成窗口函数。
- 语义上的区别：ClickHouse使用自己的协议，而Doris与MySQL兼容，所以子查询需要有一个别名。在这个用例中，子查询在客户细分中很常见，因此它们使用sqlparse。
数据摄取方法的变化
图5
Apache Doris为数据写入方法提供了众多选项。对于实时链路，用户采用Stream Load从NSQ和Kafka中摄取数据。
针对庞大的离线数据，用户测试了不同的方法，以下是一些建议：
1. Insert Into
使用Multi-Catalog读取外部数据源，并使用Insert Into摄取数据，可以满足该用例中的大多数需求。
2. Stream Load
Spark-Doris-Connector是一种更通用的方法。它可以处理庞大数据量，保证写入稳定性。关键在于找到合适的写入节奏和并发处理。
Spark-Doris-Connector还支持位图。它允许您在Spark集群中移动位图数据的计算工作负载。
Spark-Doris-Connector和Flink-Doris-Connector都依赖Stream Load。CSV是推荐的格式选择。针对该用户数十亿行的测试表明，CSV比JSON快40%。
3. Spark Load
Spark Load方法利用Spark资源进行数据混排和排序。计算结果放在HDFS中，然后Doris直接从HDFS中读取文件（通过Broker Load）。这种方法非常适合大量数据的摄取。数据越多，摄取的速度越快，资源效率也越高。
压力测试
用户比较了两个组件在SQL连接查询场景下的性能，并计算了Apache Doris的CPU和内存消耗情况。
SQL查询性能
就性能而言，Apache Doris在16个SQL查询中有10个优于ClickHouse，性能最多相差近30倍。总的来说，Apache Doris比ClickHouse快2~3倍。
图6
连接查询性能
针对连接查询测试，该用户使用了不同大小的主表和维度表。
- 主表：用户活动表（40亿行）、用户属性表（250亿行）和用户属性表（960亿行）。
- 维度表：100万行、1000万行、5000万行、1亿行、5亿行、10亿行和25亿行。
测试包括全连接查询和过滤连接查询。全连接查询连接主表和维度表的所有行，而过滤连接查询使用WHERE过滤器检索某个卖家ID的数据。研究结果如下：
主表（40亿行）：
- 全连接查询：Doris在所有维度表的全连接查询中性能优于ClickHouse。性能差距随着维度表的增大而增大，最多相差5倍。
- 过滤连接查询：基于卖家ID，过滤器从主表中筛选出4100万行。针对小型维度表，Doris的速度比ClickHouse快2~3倍；针对大型维度表，Doris的速度要快十倍以上；针对大于1亿行的维度表，ClickHouse抛出了OOM错误，而Doris可以正常运行。
主表（250亿行）：
- 全连接查询：Doris在所有维度表的全连接查询中性能优于ClickHouse。ClickHouse在维度表大于5000万行的情况下抛出了OOM错误。
- 过滤连接查询：过滤器从主表中筛选出5.7亿行。Doris在几秒钟内做出响应，ClickHouse在几分钟内完成，在连接大型维度表时出现了崩溃。
主表（960亿行）：
- Doris在所有查询中都给出了比较快的性能，而ClickHouse无法执行所有查询。
- 在CPU和内存消耗方面，Apache Doris在所有大小的连接查询中都确保了集群负载的稳定性。
原文Migrating From ClickHouse to Apache Doris: What Happened?，作者：Frank Z
