Doris 增量数据刷新方案

[KJH]

各位巨佬，真没招呀，在线拜求

目前我们引入了 Doris 实时数仓，版本 2.1 ，FE 8c 32g BE 16c 32g

数据处理流程是 数据进入到 Doris 后开始使用 Doris 的 insert into select 进行 dwd dwm dws ads 等层级的数据处理。

由于都是业务数据，不是纯新增数据，所以都是主键模型。

某个业务维护的相关表需要先根据 update_time 统计出关联的业务字段，写入到一张增量表中，最后由增量表作为驱动表。也就是在一个大的多表 JOIN sql 中，增量表作为 build 端，利用 RUNTIME FILTER 下推过滤大表数据从而实现表数据更新

现在问题就出现在这个增量驱动表上，增量表数据很少可能也就 3 万~5 万区间，5 分钟跑一次，每次全量刷新。

然后利用 ANALYZE TABLE 刷新增量表的统计新的，我没想到的是，增量表数据进去了以后，统计信息居然需要等 3 分钟在执行才能统计到条数，

这也就导致 Doris 优化器 CBO 在利用统计信息判断 join 的时，增量表如果统计信息是 0，或者健康度太低，就不会走 RF ，从而进行全表扫描，导致OOM ！！

我尝试过使用 /*+ SET_VAR(disable_join_reorder=true) / 或/+ LEADING(a b c) */ 都不行，效率太差，内存使用更高，原本能成功的，用了这两个优化后失败率更高了。

现在是我每两个小时执行一次增量表统计信息收集，然后 DORIS 的 ETL 任务能抗两小时，两小时后就开始报错 OOM 了。

所以想请教下各位巨佬，Doris 不是各个大厂都在推么，难道没这种问题么？还是我使用方式错了，我人要麻了。。。

[BlueBing]

帮楼主顶一个，顺便问下，选型没考虑 starorcks 吗

[KJH]

@BlueBing 没用阿里云

[Jim2Chen]

帮楼主顶一个

[KJH]

没大佬来哇 。。完啦

[yaoyuan7571]

我看官方文档 ANALYZE 命令不是支持同步参数 WITH SYNC 吗，试试？

[coefu]

加他们群问。

[Oldletter]

你这个场景是强依赖 RF 过滤大表，统计信息不准的时候 Doris 可能会把 RF 裁掉。先把 RF 裁剪关掉，看 Profile 里面 RF 有没有正常下推、有没有生效。

另外我觉得这个增量驱动表没必要用主键模型。它本质上只是一个小的驱动表，每 5 分钟重建一次，用来过滤大表，不是真正的业务 upsert 表。可以考虑改成 Duplicate Key 表，加一个 batch_id ，每轮写一批新的数据，查询时带 batch_id 过滤，跑完再清老批次。这样比反复刷新同一张主键表更稳，统计也更容易控制。

如果还不行，可以临时用手动注入统计信息兜底。反正这个小表大概就是 3 ～ 5 万行，不需要特别精确，只要别让优化器以为它是 0 行就行。

最后建议升级一下 2.1 的小版本。2.1 早期在 row count 、统计信息、RF 这块确实有一些坑，后面的小版本修过一些类似问题。我记得 2.1.8 和 11 都修复过问题，升级完版本不行的话再调参数，按理说你这个最好不行就上新的版本算了。