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

## 引言 现代数据处理在多维度面临严峻挑战，一方面，数据量的持续增长致使传统存储成本居高不下，非结构化数据所占比例日益攀升，进一步加重了存储负担，且数据质量问题推高了存储和清洗成本；另一方面，企业内部往往存在多套系统，数据难以集成，这对数据分析的成本和时效性也提出了更高的要求。 Apache Doris 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 Apache Doris 和 MinIO 的存算分离部署教程与使用实践。 ## 为什么选择 Apache Doris 和 MinIO Apache Doris 是一款基于 MPP 架构的高性能、实时分析型数据库。它以高效、简单和统一的特性著称，能够在亚秒级的时间内返回海量数据的查询结果。Doris 具备以下优势： - **高性能**：在海量数据下实现亚秒级查询响应，支持高并发点查询和复杂分析。 - **实时分析**：支持实时数据导入和查询，适合需要即时洞察的业务场景。 - **易用性**：设计简单，操作和维护成本低。 - **可扩展性**：通过 MPP 架构实现水平扩展，处理大规模数据和高并发请求。 - **多场景支持**：适用于报表分析、即席查询、用户画像、日志检索等多种场景。 - **强大集成性**：可与 MySQL、PostgreSQL、Hive、Flink 等数据源和工具无缝集成。 - **活跃社区**：拥有超过 600 名贡献者和全球 5000 多家企业的生产环境应用，得到 TikTok、Baidu 等巨头的验证。 与此同时，Doris 还支持存算一体和存算分离两种部署模式，在存算一体模型下，Doris 会在内部存储数据，而在存算分离模式下，Doris 可以选择第三方存储系统，如 MinIO。  MinIO 是一个开源、分布式对象存储系统，专为高性能和云原生工作负载设计。其主要优势包括： - **高性能**：Minio 提供快速的数据访问，满足实时分析需求。 - **可扩展性**：支持水平扩展，能够轻松应对数据量增长。 - **成本效益**：作为开源软件，Minio 可在本地部署，避免云存储的高昂费用。 - **S3 兼容性**：与 Amazon S3 API 完全兼容，易于与现有工具和应用集成。 - **分布式架构**：通过擦除码（Erasure Coding）技术，提供高可用性和数据冗余。 - **灵活部署**：支持裸金属、容器（如 Kubernetes）或云平台部署，适应多种环境。 这些特性使 Minio 成为 Apache Doris 存算分离架构的理想存储后端。 ## 部署指南 ### 01 规划 在我们进行部署之前，需要进行容量规划，如果你部署的是在生产环节，那么你应该考虑使用更高规格配置的机器，并且将各个组件独立部署。 软件版本准备：  服务器规划：  ### 02 准备工作 1. 操作系统参数修改 ```Bash swapoff -a cat >> /etc/sysctl.conf << EOF vm.max_map_count = 2000000 EOF # Take effect immediately sysctl -p vi /etc/security/limits.conf * soft nofile 1000000 * hard nofile 1000000 ``` 2. 安装必要的命令 ```Bash apt update apt install -y net-tools apt install -y cron apt install -y iputils-ping ``` ### 03 部署 MinIO 1. 下载 MinIO：访问[ MinIO 下载页面](https://min.io/open-source/download?platform=linux&product=minio-client&package=bin)，选择适合的版本和操作系统。 ```Bash wget https://dl.min.io/server/minio/release/linux-amd64/minio chmod +x minio ``` 2. 在每个节点上启动 MinIO 服务器： ```Bash export MINIO_REGION_NAME=us-east-1 export MINIO_ROOT_USER=minio export MINIO_ROOT_PASSWORD=minioadmin mkdir -p /mnt/disk{1..4}/minio nohup minio server --address :9000 --console-address :9001 http://172.20.1.{2...5}:9000/mnt/disk{1...4}/minio 2>&1 & ``` 3. 配置 MinIO 客户端： ```Bash wget https://dl.min.io/client/mc/release/linux-amd64/mc chmod +x mc ./mc alias set myminio http://127.0.0.1:9000 minio minioadmin ./mc mb myminio/doris ``` > **注意**：如果 MinIO 部署在本地网络且未启用 TLS，需在 endpoint 中显式添加“http://”。 ### 04 部署 Doris Manager 1. 下载 Doris Manager ```Bash wget https://enterprise-doris-releases.oss-accelerate.aliyuncs.com/doris-manager/velodb-manager-25.0.0-x64-bin.tar.gz ``` 2. 解压并启动服务 ```Bash tar -zxf velodb-manager-25.0.0-x64-bin.tar.gz cd velodb-manager-25.0.0-x64-bin/webserver/bin bash start.sh ``` 3. 服务启动后，通过浏览器访问 *http://<Doris-Manager-IP>:8004* 即可进入管理界面并根据指引创建账号  ### 05 部署 Doris 1. 下载 Doris ```Bash wget https://apache-doris-releases.oss-accelerate.aliyuncs.com/apache-doris-3.0.6.2-bin-x64.tar.gz mv apache-doris-3.0.6.2-bin-x64.tar.gz /opt/downloads/doris ``` 2. 进入主界面，根据指引创建集群  3. 选择指定版本并设置 root 密码  4. 填写 MinIO 信息  5. 填写节点信息 1. 分别在每个节点执行以下命令 ```Bash wget http://172.20.1.2:8004/api/download/deploy.sh -O deploy_agent.sh && chmod +x deploy_agent.sh && ./deploy_agent.sh ``` 2. 在界面上填写节点 IP  6. 配置 FE 节点  7. 配置 BE 节点  8. 部署你的集群   ## 开始查询 ### 01 准备数据 1. 进入查询页面   2. 创建 Doris 表： ```sql CREATE DATABASE IF NOT EXISTS `test`; USE `test`; CREATE TABLE `amazon_reviews` ( `review_date` int(11) NULL, `marketplace` varchar(20) NULL, `customer_id` bigint(20) NULL, `review_id` varchar(40) NULL, `product_id` varchar(10) NULL, `product_parent` bigint(20) NULL, `product_title` varchar(500) NULL, `product_category` varchar(50) NULL, `star_rating` smallint(6) NULL, `helpful_votes` int(11) NULL, `total_votes` int(11) NULL, `vine` boolean NULL, `verified_purchase` boolean NULL, `review_headline` varchar(500) NULL, `review_body` string NULL ) ENGINE=OLAP DUPLICATE KEY(`review_date`) COMMENT 'OLAP' DISTRIBUTED BY HASH(`review_date`) BUCKETS 16 PROPERTIES ( "compression" = "ZSTD" ); ``` 3. 下载亚马逊评论数据： ```Bash wget https://datasets-documentation.s3.eu-west-3.amazonaws.com/amazon_reviews/amazon_reviews_2010.snappy.parquet ``` 4. 导入数据到 Doris： ```Bash curl --location-trusted -u root:<your password> \ -T amazon_reviews_2010.snappy.parquet \ -H "format:parquet" \ http://127.0.0.1:8030/api/test/amazon_reviews/_stream_load ``` 5. 登录 MinIO 控制台，查看数据大小  ### 02 查询 ```sql SELECT product_id, AVG(product_title), AVG(star_rating) AS rating, COUNT() AS count FROM amazon_reviews WHERE review_body LIKE '%is super awesome%' GROUP BY product_id ORDER BY count DESC, rating DESC, product_id LIMIT 5; ``` ## 总结 在导入相同数据（3 副本配置）方面，相较于存算一体模式 3.98 GB 的存储占用，采用 MinIO 的存算分离模式仅占用 1.3 GB，**存储占用是存算一体模式的 1/3**；与此同时，在数据导入速度方面，采用 MinIO 仅需 15 秒，而存算一体模式需要 61 秒，**导入速度快 4 倍**。 通过结合 MinIO 和 Apache Doris 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。这种架构不仅提升了系统的可扩展性和灵活性，还显著降低了存储成本，同时确保了业务负载的隔离和稳定性。希望本教程能帮助您快速部署并体验这一高效的数据处理解决方案。