跳到主要内容

主键模型的更新并发控制

概览​

Doris 采用多版本并发控制机制(MVCC - Multi-Version Concurrency Control)来管理并发更新。每次数据写入操作均会分配一个写入事务,该事务确保数据写入的原子性(即写入操作要么完全成功,要么完全失败)。在写入事务提交时,系统会为其分配一个版本号。当用户使用 Unique Key 模型并多次导入数据时,如果存在重复主键,Doris 会根据版本号确定覆盖顺序:版本号较高的数据会覆盖版本号较低的数据。

在某些场景中,用户可能需要通过在建表语句中指定 sequence 列来灵活调整数据的生效顺序。例如,当通过多线程并发同步数据到 Doris 时,不同线程的数据可能会乱序到达。这种情况下,可能出现旧数据因较晚到达而错误覆盖新数据的情况。为解决这一问题,用户可以为旧数据指定较低的 sequence 值,为新数据指定较高的 sequence 值,从而让 Doris 根据用户提供的 sequence 值来正确确定数据的更新顺序。

此外,UPDATE 语句与通过导入实现更新在底层机制上存在较大差异。UPDATE 操作涉及两个步骤:从数据库中读取待更新的数据,以及写入更新后的数据。默认情况下,UPDATE 语句通过表级锁提供了 Serializable 隔离级别的事务能力,即多个 UPDATE 操作只能串行执行。用户也可以通过调整配置绕过这一限制,具体方法请参阅以下章节的详细说明。

UPDATE 并发控制​

默认情况下,并不允许同一时间对同一张表并发进行多个 UPDATE 操作。

主要原因是,Doris 目前支持的是行更新,这意味着,即使用户声明的是 SET v2 = 1,实际上,其他所有的 Value 列也会被覆盖一遍(尽管值没有变化)。

这就会存在一个问题,如果同时有两个 UPDATE 操作对同一行进行更新,那么其行为可能是不确定的,也就是可能存在脏数据。

但在实际应用中,如果用户自己可以保证即使并发更新,也不会同时对同一行进行操作的话,就可以手动打开并发限制。通过修改 FE 配置 enable_concurrent_update,当该配置值设置为 true 时,更新命令将不再提供事务保证。

Sequence 列​

Unique 模型主要针对需要唯一主键的场景,可以保证主键唯一性约束,在同一批次中导入或者不同批次中导入的数据,替换顺序不做保证。替换顺序无法保证则无法确定最终导入到表中的具体数据,存在了不确定性。

为了解决这个问题,Doris 支持了 sequence 列,通过用户在导入时指定 sequence 列,相同 key 列下,按照 sequence 列的值进行替换,较大值可以替换较小值,反之则无法替换。该方法将顺序的确定交给了用户,由用户控制替换顺序。

在实现层面,Doris 增加了一个隐藏列 DORIS_SEQUENCE_COL ,该列的类型由用户在建表时指定,在导入时确定该列具体值,并依据该值决定相同 Key 列下,哪一行生效。

注意

sequence 列目前只支持 Unique 模型。

启用 sequence column 支持​

在新建表时如果设置了 function_column.sequence_col 或者 function_column.sequence_type ,则新建表将支持 sequence column。

对于一个不支持 sequence column 的表,如果想要使用该功能,可以使用如下语句: ALTER TABLE example_db.my_table ENABLE FEATURE "SEQUENCE_LOAD" WITH PROPERTIES ("function_column.sequence_type" = "Date") 来启用。

如果不确定一个表是否支持 sequence column,可以通过设置一个 session variable 来显示隐藏列 SET show_hidden_columns=true ,之后使用 desc tablename,如果输出中有 __DORIS_SEQUENCE_COL__ 列则支持,如果没有则不支持。

使用示例​

下面以 Stream Load 为例展示使用方式:

1. 创建支持 sequence col 的表

创建 unique 模型的 test_table 数据表,并指定 sequence 列映射到表中的 modify_date 列。

CREATE TABLE test.test_table
(
user_id bigint,
date date,
group_id bigint,
modify_date date,
keyword VARCHAR(128)
)
UNIQUE KEY(user_id, date, group_id)
DISTRIBUTED BY HASH (user_id) BUCKETS 32
PROPERTIES(
"function_column.sequence_col" = 'modify_date',
"replication_num" = "1",
"in_memory" = "false"
);

sequence_col 用来指定 sequence 列到表中某一列的映射,该列可以为整型和时间类型(DATE、DATETIME),创建后不能更改该列的类型。

创建好的表结构如下:

MySQL>  desc test_table;
+-------------+--------------+------+-------+---------+---------+
| Field | Type | Null | Key | Default | Extra |
+-------------+--------------+------+-------+---------+---------+
| user_id | BIGINT | No | true | NULL | |
| date | DATE | No | true | NULL | |
| group_id | BIGINT | No | true | NULL | |
| modify_date | DATE | No | false | NULL | REPLACE |
| keyword | VARCHAR(128) | No | false | NULL | REPLACE |
+-------------+--------------+------+-------+---------+---------+

除了上述按照列映射的方式来指定 sequence 之外,Doris 还支持根据指定类型创建 sequence 列的语法,这种方式不要求建表时 schema 中必须有一列来做映射,下面是对应的语法:

PROPERTIES (
"function_column.sequence_type" = 'Date',
);

sequence_type 用来指定 sequence 列的类型,可以为整型和时间类型(DATE、DATETIME)。

2. 导入数据:

使用列映射的方式 (function_column.sequence_col) 来指定 sequence 列,不需要修改任何参数。下面我们用 Stream Load 导入如下数据:

1	2020-02-22	1	2020-02-21	a
1 2020-02-22 1 2020-02-22 b
1 2020-02-22 1 2020-03-05 c
1 2020-02-22 1 2020-02-26 d
1 2020-02-22 1 2020-02-23 e
1 2020-02-22 1 2020-02-24 b

stream load 命令:

curl --location-trusted -u root: -T testData http://host:port/api/test/test_table/_stream_load

结果为

MySQL> select * from test_table;
+---------+------------+----------+-------------+---------+
| user_id | date | group_id | modify_date | keyword |
+---------+------------+----------+-------------+---------+
| 1 | 2020-02-22 | 1 | 2020-03-05 | c |
+---------+------------+----------+-------------+---------+

在这次导入中,因 sequence column 的值(也就是 modify_date 中的值)中 '2020-03-05' 为最大值,所以 keyword 列中最终保留了 c。

当表使用 function_column.sequence_type 时,Sequence 列是隐藏列,导入时需要将输入字段映射到它。以下示例使用一张独立的表,与上文将 Sequence 列映射到 modify_date 的 test_table 不同。

CREATE DATABASE IF NOT EXISTS test;
CREATE TABLE test.test_sequence_hidden
(
k1 BIGINT NOT NULL,
k2 DATE NOT NULL,
v1 BIGINT,
v2 VARCHAR(128)
)
UNIQUE KEY(k1, k2)
DISTRIBUTED BY HASH(k1) BUCKETS 1
PROPERTIES (
"function_column.sequence_type" = "DATE",
"replication_num" = "1"
);

准备 sequence_data.tsv,内容为以下制表符分隔的数据。第四个输入字段 source_sequence 为隐藏 Sequence 列提供值,它不是表中的可见列。

1	2020-02-22	1	2020-02-22	a
1 2020-02-22 1 2020-03-23 w

Stream Load

按照文件中的字段顺序设置映射,并在请求 header 中指定 Sequence 字段:

curl --location-trusted -u root: \
-H "columns: k1,k2,v1,source_sequence,v2" \
-H "function_column.sequence_col: source_sequence" \
-T sequence_data.tsv http://host:port/api/test/test_sequence_hidden/_stream_load

Broker Load

将同一文件上传到 HDFS,并替换下方路径和 Broker 凭据。使用制表符分隔和相同的字段顺序,通过 ORDER BY source_sequence 指定第四个输入字段:

LOAD LABEL test.sequence_hidden_broker
(
DATA INFILE("hdfs://host:port/user/data/sequence_data.tsv")
INTO TABLE `test_sequence_hidden`
COLUMNS TERMINATED BY "\t"
(k1,k2,v1,source_sequence,v2)
ORDER BY source_sequence
)
WITH BROKER 'broker'
(
"username" = "user",
"password" = "pass"
)
PROPERTIES ("timeout" = "3600");

Routine Load

替换为实际的 Kafka broker 和 topic 创建任务,然后将上述每行数据分别作为一条制表符分隔的 Kafka 消息发送:

CREATE ROUTINE LOAD test.sequence_hidden_routine ON test_sequence_hidden
COLUMNS TERMINATED BY "\t",
COLUMNS(k1,k2,v1,source_sequence,v2),
ORDER BY source_sequence
PROPERTIES
(
"desired_concurrent_number" = "1",
"format" = "csv"
)
FROM KAFKA
(
"kafka_broker_list" = "broker1:9092",
"kafka_topic" = "my_topic"
);

导入成功且数据可见后,较大的 Sequence 值(2020-03-23)会保留 v2 为 w 的记录。下文的 modify_date 示例继续使用原来的 test_table 及其列映射。

3. 替换顺序的保证

上述步骤完成后,接着导入如下数据

1	2020-02-22	1	2020-02-22	a
1 2020-02-22 1 2020-02-23 b

查询数据

MySQL [test]> select * from test_table;
+---------+------------+----------+-------------+---------+
| user_id | date | group_id | modify_date | keyword |
+---------+------------+----------+-------------+---------+
| 1 | 2020-02-22 | 1 | 2020-03-05 | c |
+---------+------------+----------+-------------+---------+

在这次导入的数据中,会比较所有已导入数据的 sequence column (也就是 modify_date),其中 '2020-03-05' 为最大值,所以 keyword 列中最终保留了 c。

4. 再尝试导入如下数据

1	2020-02-22	1	2020-02-22	a
1 2020-02-22 1 2020-03-23 w

查询数据

MySQL [test]> select * from test_table;
+---------+------------+----------+-------------+---------+
| user_id | date | group_id | modify_date | keyword |
+---------+------------+----------+-------------+---------+
| 1 | 2020-02-22 | 1 | 2020-03-23 | w |
+---------+------------+----------+-------------+---------+

此时就可以替换表中原有的数据。综上,在导入过程中,会比较所有批次的 sequence 列值,选择值最大的记录导入 Doris 表中。

注意​

  1. Sequence 列的要求取决于建表方式:使用 function_column.sequence_col 时,按普通列规则导入映射列即可,无需额外指定导入时的 Sequence 映射参数。使用 function_column.sequence_type 时,Stream Load / Broker Load 需要按上文配置源数据列映射。对于显式指定目标列列表的全行 INSERT,需要包含映射的普通列(除非其默认值为 CURRENT_TIMESTAMP);未映射普通列时,需要包含隐藏列 __DORIS_SEQUENCE_COL__。不指定目标列列表的 INSERT 已包含映射的普通列。部分列更新的例外见下文第 3 点。缺少必要的 Sequence 输入时,会收到如下报错:
Table test_tbl has sequence column, need to specify the sequence column
  1. 在表复制、内部数据迁移等场景下,可以通过 session 参数关闭全行 INSERT 的 Sequence 列检查约束:
set require_sequence_in_insert = false;
  1. 自版本 2.0 起,Doris 对 Unique Key 表的 Merge-on-Write 实现支持了部分列更新能力,在部分列更新导入中,用户每次可以只更新一部分列,因此并不是必须要包含 sequence 列。若用户提交的导入任务中,包含 sequence 列,则行为无影响;若用户提交的导入任务不包含 sequence 列,Doris 会使用匹配的历史数据中的 sequence 列作为更新后该行的 sequence 列的值。如果历史数据中不存在相同 key 的列,则会自动用 null 或默认值填充。

  2. 当出现并发导入时,Doris 会利用 MVCC 机制来保证数据的正确性。如果两批数据导入都更新了一个相同 key 的不同列,则其中系统版本较高的导入任务会在版本较低的导入任务成功后,使用版本较低的导入任务写入的相同 key 的数据行重新进行补齐。