- 综合排序
- 最热优先
- 最新优先
- 来自专栏上云服务专题
ApacheDoris分析型数据库
更多请前往官网：ApacheDoris官网
1.1K10编辑于 2022-12-01 - 来自专栏大数据成神之路
ApacheDoris系列｜Bucket(分桶)数量设置和自动分桶
问题描述：上线运行一段时间后，随着越来越多的数据增长，集群每次重启后一周左右，读写就会开始变得越来越慢，直到无法正常进行读写。
2.8K32编辑于 2023-09-06 从 Snowflake 到 Apache Doris：Planet 实时分析成本直降 80%、查询加速 90 倍
为何选择ApacheDoris基于对ApacheDoris和ClickHouse在性能、灵活性、数据集成和成本效益等关键指标上的详细对比测试与概念验证(POC)后，他们最终选定ApacheDoris。 从Snowflake到ApacheDoris架构演进在迁移过程中，Planet数据团队制定了一套分阶段、系统化的实施方案，以确保稳定性与性能优化，同时充分利用ApacheDoris对MySQL协议的兼容性 ApacheDoris实战总结基于真实业务场景的深度验证，ApacheDoris在核心分析场景中展现出显著的性能优势：标准OLAP查询：针对2000万行数据的过滤聚合（filter+agg）测试，ApacheDoris +EBS基础设施上的ApacheDoris后，总月度成本仅约**25,000∗∗；迁移至部署在AWSEC2+EBS基础设施上的ApacheDoris后，总月度成本仅约∗∗5,000，实现了5倍的成本节约 存储效率持平：得益于列存压缩技术，ApacheDoris存储空间占用与Snowflake相当，消除容量扩展顾虑；全链路加速：从数据摄入到查询响应，ApacheDoris以原生MySQL兼容性简化开发适配
20410编辑于 2025-11-18Apache Doris 登顶 RTABench，实时分析性能详情来了
近日，实时分析领域知名Benchmark——RTABench（Real-TimeAnalyticsBenchmark）最新榜单公布，ApacheDoris以绝对领先的成绩登顶，结果表明，ApacheDoris ApacheDoris领跑全场，性能优势明显01性能对比在最新榜单中，ApacheDoris表现惊艳：Doris（c6a.4xlarge，500GBgp2）查询性能得分仅为×1.28，在此项指标上位列第一 02固定机型下的竞争在c6a.4xlarge的同机型条件下，与部分传统数据库相比，ApacheDoris展现出数十倍的性能优势。 正是凭借这些组合，ApacheDoris在RTABench的实时分析测试中，取得了远超TimescaleDB、ClickHouse、MongoDB、PostgreSQL等数据库的成绩，登顶榜首。 无论是初创团队还是大型企业，ApacheDoris都能帮助业务在毫秒级洞察中抢占先机。
21000编辑于 2025-11-19- 来自专栏Apache Doris
宇信科技基于 SelectDB & Apache Doris 构建实时智能的银行经营分析平台
为解决这一核心难题，宇信自2023年开始与ApacheDoris合作，目标构建一个将数据洞察无缝融入业务执行的全新平台。 ApacheDoris构建高效、智能的分析平台宇信科技与ApacheDoris的深度融合，是构建现代化银行经营分析平台的关键。 ApacheDoris作为核心加速引擎和数据存储组件，在提升数据处理效率、实现流批一体化以及打破数据孤岛方面发挥了决定性作用。 某银行业务场景的成功实践宇信科技与ApacheDoris为某银行的零售业务打造了全新的经营分析平台。 二者均依托ApacheDoris强大的实时分析能力和快速响应能力。为实现"全渠道触达，分层经营"的业务目标，平台还基于ApacheDoris构建了覆盖多维度、多层次的指标体系。
16110编辑于 2025-11-28 - 来自专栏Apache Doris
面向 Agent 的高并发分析：Doris vs. Snowflake vs. ClickHouse
1.查询吞吐（QPS）全面领先进入AI时代，ApacheDoris继续保持技术领先。 2.ApacheDoris为何能够领先？承接前文基准测试中展现出的卓越吞吐性能，接下来介绍为何ApacheDoris在高并发查询上能全面领先其他同类型产品，其背后有哪些能力或技术支持？ 在ApacheDoris中，过滤掉不必要的数据，只读取最小的数据子集，这被称为“数据裁剪”，是查询加速的主要手段之一。 现在我们探讨ApacheDoris中的静态过滤器——谓词过滤。对于一张普通的表，其列可分为分区列、键列和值列三种类型。 在ApacheDoris中，向量化执行引擎为实际应用场景带来了显著的查询性能提升。数据压缩、循环计算等操作也因此得到大幅加速。
10200编辑于 2025-12-15 - 来自专栏Apache Doris
快手：从分散存储到统一分析，Apache Doris 在万亿规模广告场景的应用
因此，重点在Elasticsearch与ApacheDoris之间进行对比。 因此，我们最终选定ApacheDoris作为下一代广告数据分析引擎。 03基于ApacheDoris的统一分析引擎在实际应用中，我们引入ApacheDoris（计算引擎）替换了原先架构中的Elasticsearch、ClickHouse，设计了统一分析引擎Bleem。 计算层：ApacheDoris为核心引擎。不同项目组对应不同的Doris集群，以实现计算资源物理隔离，用户可按需申请计算资源。 02StreamLoad机制优化为应对高并发数据导入，我们对ApacheDoris的StreamLoad机制进行了调优。
14210编辑于 2026-02-02 - 来自专栏Apache Doris
字节跳动：Apache Doris + AI 一站式融合数据引擎的探索与实践
ApacheDoris凭借完善的功能、卓越的OLAP性能、丰富的生态体系、活跃的社区氛围及良好的产品口碑吸引了我们的注意。 行业内普遍采用NL2SQL直接查询ApacheDoris等数据库的模式。那么，字节是如何落地的呢？ 在这其中，ApacheDoris主要作用是将湖上的数据同步到其内部进行查询加速。 将数据加速至ApacheDoris相当于复制一份数据，可能导致安全管控失效。 为解决这一问题，我们设计了机制：即使数据同步至ApacheDoris，其权限仍受Triton数据湖权限系统管控，且与ApacheDoris的账号密码无关。
38800编辑于 2025-12-03 - 来自专栏Apache Doris
更高效的数据处理解决方案：基于 MinIO 部署 Apache Doris 存算分离版本实践
ApacheDoris作为一款具备高性能的实时分析数据库，拥有湖仓一体的能力。当它与MinIO这样高性能且S3兼容的对象存储系统相结合时，能够构建出一个高效且具备低成本特性的数据分析系统。 本文将介绍基于ApacheDoris和MinIO的存算分离部署教程与使用实践。为什么选择ApacheDoris和MinIOApacheDoris是一款基于MPP架构的高性能、实时分析型数据库。 这些特性使Minio成为ApacheDoris存算分离架构的理想存储后端。 通过结合MinIO和ApacheDoris的存算分离架构，用户可以充分利用Minio的高性能、低成本对象存储和Doris的实时分析能力。
35310编辑于 2025-11-26 为什么实时更新场景下 Doris 查询性能是 ClickHouse 的 34 倍
OLAP系统的选择：为什么是ApacheDoris？ 快手通过引入ApacheDoris湖仓一体能力替换ClickHouse，升级为湖仓一体架构，涉及数十万张表、数百PB的数据增量处理。 在高并发处理场景中，ApacheDoris的MPP架构为平台提供了强大的并发查询支撑能力：即席查询能力：原架构每次新需求都需要在Hive中开发测试数据模型，写入MySQL调度任务。 现在ApacheDoris拥有全量明细数据，面对新请求只需配置查询条件即可执行即席查询，仅需低代码配置即可响应新需求。 显著收益：数据仓库架构更加简单，对开发者和运维人员更加友好，2个ApacheDoris集群承载数十TB数据，为客户提供实时、准确的企业信息查询服务。
24700编辑于 2025-11-19- 来自专栏Apache Doris
Apache Doris 在小米统一 OLAP 和湖仓一体的实践
小米早在2019年便引入ApacheDoris作为OLAP分析型数据库之一，经过五年的技术沉淀，已形成以Doris为核心的分析体系，并基于2.1版本异步物化视图、3.0版本湖仓一体与存算分离等核心能力优化数据架构 本文将详细介绍小米数据中台基于ApacheDoris3.0的查询链路优化、性能提升、资源管理、自动化运维、可观测等一系列应用实践。 ApacheDoris在小米内部应用广泛，业务涵盖汽车、手机领域（包括手机系统应用与硬件制造）、互联网、线上线下销售与服务、底层平台以及新业务等多个领域，支撑着多样化的数据分析需求。 自2019年在小米内部投入应用以来，ApacheDoris逐渐从中脱颖而出，发展成为小米数据架构的核心引擎。 一方面，ApacheDoris整合了内部复杂的OLAP分析体系，统一承载起原本由多系统分散提供的查询能力；另一方面，Doris凭借出色的查询性能与良好的生态兼容，配合Trino、Spark、Iceberg
35110编辑于 2025-12-02 - 来自专栏Apache Doris
5 倍性能提升，Apache Doris TopN 全局优化详解｜Deep Dive
为了帮助用户快速获取目标数据，ApacheDoris针对TopN类型查询进行了全局优化，可将此类查询的性能提升约5倍；同时，优化范围也从单表进一步拓展至数据湖场景与多表关联查询，显著扩大了适用范围。 TopN查询优化思路为直观说明TopN查询的性能瓶颈，我们不妨将其简化为列式存储文件的读取场景，比如访问ApacheDoris内部Segment文件，或访问数据湖中常见的Parquet/ORC文件。 全局TopN优化实现基于上述思路指引，ApacheDoris完成了对TopN的全局优化。 ##优化前后性能表现ApacheDoris对于TopN的优化已在多种场景上得到验证。 秀干终成栋，精钢不作钩"，在“极致性能”的探索路上，ApacheDoris永不止步。
17410编辑于 2025-12-30 - 来自专栏暴走大数据
Apache Doris 的一场编译之旅
apachedoris/doris-dev apachedoris/doris-dev:build-env-1.2 版本 JDK 为 1.8.0_211（需自己配置 jdk 环境变量） CMake 版本为 官方提供的 Docker 镜像 # 可访问上面的连接，获取可用的镜像版本 # 目前可用版本有：build-env、build-env-1.1、build-env-1.2、、 docker pull apachedoris /doris-dev build-env-1.2 87dfd327471f 5 months ago 3.26GB #apachedoris/doris-dev root/.m2 \ -v /u01/incubator-doris-DORIS-0.13.0-release/:/root/incubator-doris-DORIS-0.13.0-release/ \ apachedoris " \ --privileged=true --cap-add SYS_ADMIN \ -d apachedoris/doris-dev:build-env-1.2 /usr/sbin/init #
5.4K50发布于 2021-04-21 Apache Doris 4.0 的 AI 功能：操作指南和脚本（LLM 函数 + 向量索引）与 CMP 7.3（ Cloudera CDP 7.3 华为鲲鹏)
ApacheDoris4.0的AI功能：操作指南和脚本（LLM函数+向量索引）与ClouderaCDP7.3（或类CDP的CMP7.13平台，如华为鲲鹏ARM版）操作指南和脚本以下是在启用TLS+Kerberos 的ClouderaCDP7环境中，部署ApacheDoris4.0并实现与外部云上LLM（如Qwen/DeepSeek）集成的完整操作指南和脚本。 doris.keytabchowndoris:doris/etc/security/keytabs/doris.keytab⚠️注意：doris用户需提前创建：Bash:useradd-mdoris第二步：部署ApacheDoris4.02.1 （检查DorisFE日志是否有LLM调用记录）·网络：Doris节点可curl-vhttps://dashscope.aliyuncs.com通过以上步骤，你已在安全加固的CMP7.13环境中成功集成ApacheDoris4.0
25110编辑于 2025-11-13- 来自专栏CU技术社区
SelectDB肖康：Apache Doris在日志存储与分析场景的实践
日志场景解决方案 作为 ApacheDoris的商业化公司，SelectDB团队基于 ApacheDoris内核开发了云原生版本 SelectDBCloud，并推出了面向日志分析场景的解决方案。 关于开源 SelectDB一直秉承开源开放的价值观，对于上面介绍的倒排索引、TopN优化、时序Compaction优化等关键技术，已经贡献到ApacheDoris社区，预计在2023年Q1的Doris 2.0版本中正式发布，2月份也会开放Doris 2.0 preview版本供大家试用，欢迎刚兴趣的朋友们参与试用和技术交流，一起繁荣ApacheDoris社区。
2.1K20编辑于 2023-03-02 Apache Doris 自动分区：如何应对分布式环境下的复杂并发挑战｜Deep Dive
本文深度、详尽的讲解ApacheDoris自动分区设计思考，并就多线程复杂并发场景下所面临的挑战，一一剖析Doris自动分区设计时的应对策略。 ApacheDoris的自动分区功能正是在这一背景下应运而生。 自动分区的实现在ApacheDoris这样的大规模数据仓库中，分区对性能影响较大。 ApacheDoris早已支持自动分区（AutoPartition）功能，可在数据导入时自动创建数据所对应的分区，节省了人工操作及维护成本。那么，自动分区功能如何实现的呢？ ApacheDoris自动分区的并发实践揭示了一个核心启示：应对复杂并发，并非要设计一个包罗万象的复杂模型，而恰恰在于通过精妙的分解与转化，将未知问题映射到已知领域。
20610编辑于 2025-11-16- 来自专栏857-Bigdata
百度数据仓库Palo Doris版安装部署往这看！
CentOS 用户通过以下命令快速安装 Docker： yum -y install docker-io service docker start 下载 Docker 编译镜像： docker pull apachedoris /doris-dev:build-env-1.2 docker pull apachedoris/doris-dev:build-env-1.3 注: 针对不同的 Doris 版本，需要下载对应的镜像版本 镜像版本commit iddoris 版本apachedoris/doris-dev:build-env-1.24ef5a8c0.12.x, 0.13apachedoris/doris-dev:build-env -1.3ad67dd30.14.x 或更新版本 注意: Doris 0.14.0 版本仍然使用apachedoris/doris-dev:build-env-1.2 编译，之后的代码将使用apachedoris docker run -it -v /local/path/to/.m2:/root/.m2/ -v /local/path/to/doris-src/:/root/doris apachedoris/
96120编辑于 2022-05-17 Apache Doris 数据导入原理与性能优化 | Deep Dive
概述对于ApacheDoris这样的高性能分析型数据库而言，高效、稳定的数据导入是保障实时分析能力的生命线。 ApacheDoris本文将深入剖析Doris数据导入的核心原理，涵盖关键流程、组件、事务管理等，探讨影响导入性能的因素，并提供实用的优化方法和最佳实践，有助于用户选择合适的导入策略，优化导入性能。 MemTable前移MemTable前移是ApacheDoris2.1.0版本引入的优化机制，针对INSERTINTO…SELECT导入方式显著提升性能，官方测试显示该优化使得单副本导入耗时缩短约64% Doris数据导入的延迟与吞吐取舍在使用ApacheDoris时，数据导入的延迟（Latency）与吞吐量（Throughput）往往需要在实际业务场景中进行平衡：更低延迟：意味着用户能更快看到最新数据 8核CPU、16GB内存3台BE：16核CPU、64GB内存数据集：TPCHlineitem数据不同攒批时间和不同并发下的导入性能，测试结果如下：不同bucket数对导入性能的影响，测试结果如下：总结ApacheDoris
28410编辑于 2025-11-18- 来自专栏Apache Doris
Apache Doris 4.0.3 版本正式发布
亲爱的社区小伙伴们，ApacheDoris4.0.3版本已正式发布。此版本新增了在AI&Search、湖仓一体、查询引擎等方面的能力，并同步进行了多项优化改进及问题修复，欢迎下载体验！
9910编辑于 2026-02-12 - 来自专栏Apache Doris
深入理解 Doris Variant：如何让 JSON 查询性能追平列存，还能承载万列索引字段？｜Deep Dive
摘要：在如Snowflake、ElasticSearch、ClickHouse....等传统系统中，对于JSON的处理往往面临灵活性及性能无法兼得的困境，而ApacheDoris的VARIANT类型，通过动态子列 3.3客户使用反馈度小满实现从Greenplum到ApacheDoris的平滑迁移，构建了超大规模数据分析平台。 ——观测云某全球领先的新能源与智能制造企业将原有Hive/Kudu+Impala/Presto体系迁移到ApacheDoris，构建了面向车联网与装备全生命周期的实时分析平台。 ——零跑汽车四、结束语ApacheDoris的VARIANT类型，让半结构化数据能在列式引擎中被自然地处理。 未来，ApacheDoris将进一步增强Variant自动Schema推导能力，支持更丰富的类型、更强大的子列索引系统，并优化稀疏列的数据查询。
26910编辑于 2025-11-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号