数据分片（Sharding）是分布式数据库分而治之 (Divide And Conquer) 这一设计思想的体现。过去的单机数据库在大数据量下往往面临存储和 IO 的限制，而分布式数据库则通过数据划分的规则，将数据打散分布至不同的机器或节点上，形成分布式存储，因此突破了单机存储空间和 IO 的瓶颈、使库表数据量可以无限拓展。
数据分片主要有范围分片或哈希分片这两种方式，而在实际数据库的实现中，往往呈现为分区和分桶两种形式。分区一般是按照时间或其他连续值对数据进行划分，在执行查询操作时可以通过分区裁剪过滤不必要的范围扫描，提升执行效率，同时也使得对分区数据的增删改等管理操作更为便捷。而分桶则是按照某个关键字执行哈希运算，将相同哈希值的数据放到一起，这样可以有效定位数据、避免数据倾斜。
在 Apache Doris 中，同样也遵从一定的数据分布规则。数据以关系表（Table）的形式进行呈现，会依次按照先分区（Partition）、再分桶（Bucket）的方式划分，最终在同一个分桶中的数据会形成数据分片（Tablet）。Tablet 是 Apache Doris 中多副本高可用、集群间数据调度与均衡的最小物理存储单位。
图1：Table-Partition-Tablet 之间的关系
# 现状与问题
在 Doris 中，分区与分桶是如何创建的？我们以一个网站站点的建表实例说明分区与分桶的创建方式，该网站的站点建表语句如下：
-- 该表记录了某个时间点，在某个站点上各个用户的pv数据CREATE TABLE demo.test_tbl( sdate DATE, -- 日期 site INT, -- 站点id city VARCHAR(64), -- 城市 user VARCHAR(32) DEFAULT '', -- 用户名 pv BIGINT -- pv量) ENGINE=olap DUPLICATE KEY(sdate, site, city)[PARTITION_DESC][BUCKET_DESC]PROPERTIES ("replication_num" = "1");
其中 [PARTITION_DESC] 表示创建分区的详细语句，[BUCKET_DESC] 表示创建分桶的语句。
创建分区
Apache Doris 支持两种分区形式，List Partition 与 Range Partition。
List Partition
List Partition 相当于对分区的列值进行枚举，因此选择的分区列最好是有区分度的可枚举值，例如本例中的 city。根据 city 列的枚举值创建多个 List Partition，则 PARTITION_DESC可以写为：
-- 以city作为分区列，创建华北、东北、华中、西南等分区PARTITION BY LIST(city)( PARTITION `p_huabei` VALUES IN ("beijing", "tianjin", "shijiazhuang"), PARTITION `p_dongbei` VALUES IN ("shenyang", "dalian"), PARTITION `p_huazhong` VALUES IN ("wuhan", "changsha") PARTITION `p_xinan` VALUES IN ("chengdu", "chongqing"))
Range Partition
创建 Range partition 一般使用时间列，Range Partition 又可以分为静态和动态两种方式：
- 静态 Range Partition
此类 Partition 的创建会生成一个左闭右开的区间，定义一个分区只需要指定右边界，该分区的左边界由上一个分区的右边界确定，PARTITION_DESC可以写为：
-- 以sdate这个时间列作为分区列，-- 日期处于[min, 2023-01-01)的数据，都放到名为p2022的分区下；-- 日期处于[2023-01-01, 2023-01-02)的数据，都放到名为p20230101的分区下；-- 日期处于[2023-01-02, 9999-12-31)的数据，都放到名为pmax的分区下；PARTITION BY RANGE(sdate)( PARTITION `p2022` VALUES LESS THAN ("2023-01-01"), PARTITION `p20230101` VALUES LESS THAN ("2023-01-02"), PARTITION `pmax` VALUES LESS THAN ("9999-12-31"))
可以看出，p20230101 这个分区的左边界由 p2022 分区的右边界确定，而 pmax 的左边界由 p20230101 的右边界确定。需注意的是，此处为了举例说明动态分区，使用了一个很大的边"9999-12-31"，实际业务中很少会直接创建从 2023-01-02 到 9999-12-31 的分区。
- 动态 Range Partition
上述静态的分区需要手动指定边界，分区个数太多使用起来也不方便。动态 Range Partition 帮助我们解决了这个问题，只需指定一些分区的参数即可动态创建，PARTITION_DESC 相对更简单，只需指定哪个列作为分区列即可：
PARTITION BY RANGE(sdate)()
剩余参数需要在PARTITION进行配置：
PROPERTIES ( "dynamic_partition.enable" = "true", "dynamic_partition.time_unit" = "DAY", "dynamic_partition.start" = "-30", "dynamic_partition.end" = "3", "dynamic_partition.prefix" = "p", "dynamic_partition.create_history_partition"="true", "replication_num" = "1");
动态分区参数说明如下：
创建分桶
分桶在物理层面即数据分片（Tablet）。在数据表完成分区后，指定部分列作为分桶列，将这些列数据中相同哈希值的数据合到一起，形成了 Tablet。一个表中 Tablet 总数量 = 分区数（Partition num）x 分桶数（Bucket num）x 数据副本数（Replication_num）。
[BUCKET_DESC] 语句非常简单，只需要一句：
DISTRIBUTED BY HASH(site) BUCKETS 20
此时指定以 site 列的哈希值作为分桶，并且分桶个数设置为 20 个，需要注意的是这里的 20 仅作为示例，合适的分桶个数需要根据分区大小来确定。实际上单个分桶即 Tablet 的数据量理论上没有上下界，但建议在 1GB - 10GB 的范围内，即假设分区大小为 20GB，那么分桶个数设置为 10-20 个是合适的。
不足与思考
从以上对分区分桶的介绍，相信有不少用户和读者仍能发现其中一些不足之处：
- 分区数量过多的情况下，使用 List Partition 或者静态 Range Partition 会使得 SQL 较为繁琐，编写起来费时费力；
- 若是使用动态 Range Partition，则需要掌握多个参数，使用方式不友好且学习成本较高；而当存在大量历史冷数据来说，动态 Range Partition 只能指定单一粒度，无法灵活组合不同的分区粒度；
- 分桶个数的设置十分依赖用户对 Apache Doris 数据分布机制和业务数据本身的理解，使用门槛较高。不合理的分桶设置将对系统性能和稳定性造成一定程度冲击：分桶数太多将导致单个 Tablet 的数据量过小，数据聚合效果不佳、查询性能不能得到有效发挥，并且元数据管理压力大；个数太少则单个 Tablet 包含的数据量过大，不利于副本的迁移、补齐，且会增加 Schema Change 或者 Rollup 操作失败重试的代价。
# ****批量分区与Auto Bucket的设计与实现
克服数据库的复杂性是 Apache Doris 一直追求的目标之一，针对以上分区分桶存在的易用性问题，在 Apache Doris 最新的版本中已经得到解决。在 Apache Doris 1.2.1 版本中，我们新增了批量创建分区功能，简洁的语法和灵活的使用方式让批量创建历史分区更加得心应手；而针对分桶设置带来的学习成本，Apache Doris 在即将发布的 1.2.2 版本中新增了 Auto Bucket 自动分桶推算功能，分桶个数不再依赖于人工设置，通过规则的智能计算即可保证合理的数据划分，降低用户学习成本的同时还可以最大化提升用户开发效率。
批量创建分区
批量创建分区功能在前期充分调研了用户的需求，本着简洁、强大、易用的设计目标，将设计核心锁定在几个要素中：
- 时间区间范围（会考虑开闭问题）
- 时间跨度（即每个分区的时间维度的大小）
- 时间单位（年、月、日、时、周等）
结合前面提到的网站站点模型，假设其数据包含从几年前直到现在的全量信息，想要将十年内的数据按每一天一个分区进行创建。在批量分区功能中，PARTITION_DESC只需要一句，并且不用在PARTITION中设置分区相关参数：
-- 当然，分区创建个数受到max_multi_partition_num参数控制，该值默认为4096，有需求可以修改PARTITION BY RANGE(sdate)( FROM ("2013-01-01") TO ("2023-01-01") INTERVAL 1 DAY)从这个 case 来看，批量分区功能的语法更为简洁，但该功能的易用性和灵活性远不止于此。
从这个 case 来看，批量分区功能的语法更为简洁，但该功能的易用性和灵活性远不止于此。
假设有另一批数据：公司前几年的数据量较大且为冷数据，故可以将一年的数据合到一个分区里面；而后来因为业务迅速发展，需要将每一月的数据作为一个分区；随着公司业务进一步发展，按月分区已经不能满足快速增长的数据需求，需要按周进行分区；……；时至今日，公司每天产生海量数据，可能需要按小时分区才能符合需求。根据这个场景，不难写出批量分区创建的 PARTITION_DESC：
-- 此处需要注意，如果要使用小时级别的分区，则分区列必须是datetime类型-- 同样的，分区创建个数也受到max_multi_partition_num参数控制PARTITION BY RANGE(sdate)( FROM ("2000-01-01") TO ("2021-01-01") INTERVAL 1 YEAR, FROM ("2021-01-01") TO ("2022-01-01") INTERVAL 1 MONTH, FROM ("2022-01-01") TO ("2023-01-01") INTERVAL 1 WEEK, FROM ("2023-01-01") TO ("2023-02-01") INTERVAL 1 DAY, FROM ("2023-02-01 00") TO ("2099-12-31 23") INTERVAL 1 HOUR)
除了上述不同时间粒度的分区可以灵活组合外，还可以将静态 Range Partition 和批量分区功能结合起来。
例如需要将该公司 2022-01-01 到 2023-01-01 的数据按天创建分区，2022-01-01 之前的数据归到一个名为"pold"分区中，我们可以将静态分区和批量分区组合起来，PARTITION_DESC如下：
PARTITION BY RANGE(sdate)( PARTITION pold VALUES LESS THAN ("2022-01-01"), FROM ("2022-01-01") TO ("2023-01-01") INTERVAL 1 DAY)
批量分区创建功能支持不同时间粒度，其语法简洁有力，且各种类型分区可以灵活组合，在面对大量历史分区和部分特殊分区的需求时，该功能显得游刃有余，可以极大提高开发效率。批量分区功能 PR：
https://github.com/apache/doris/pull/13772
Auto Bucket 自动分桶推算
以往创建分桶时需要手动设定分桶数，而自动分桶推算功能是 Apache Doris 可以动态地推算分桶个数，使得分桶数始终保持在一个合适范围内，让用户不再操心桶数的细枝末节。首先说明一点，为了方便阐述该功能，该部分会将桶拆分为两个时期的桶，即初始分桶以及后续分桶。（这里的初始和后续只是本文为了描述清楚该功能而采用的术语，Apache Doris 分桶本身没有初始和后续之分）从上文中创建分桶一节我们知道，BUCKET_DESC非常简单，但是需要指定分桶个数；而在自动分桶推算功能上，BUCKET_DESC的语法直接将分桶数改成"Auto"，并新增一个 Properties 配置即可：
-- 旧版本指定分桶个数的创建语法DISTRIBUTED BY HASH(site) BUCKETS 20-- 新版本使用自动分桶推算的创建语法DISTRIBUTED BY HASH(site) BUCKETS AUTOproperties("estimate_partition_size" = "100G")
新增的配置参数estimate_partition_size表示一个单分区的数据量。该参数是可选的，如果没有给出则 Doris 会将 estimate_partition_size 的默认值取为 10GB。从上文中已经得知，一个分桶在物理层面就是一个Tablet，为了获得最好的性能，建议 Tablet 的大小在**1GB - 10GB **的范围内。那么自动分桶推算是如何保证 Tablet 大小处于这个范围内的呢？总结起来不外乎几个原则：
- 若是整体数据量较小，则分桶数不要设置过多
- 若是整体数据量较大，则应使桶数跟总的磁盘块数相关，充分利用每台 BE 机器和每块磁盘的能力
初始分桶推算
从原则出发，理解自动分桶推算功能的详细逻辑就变得简单了：首先来看初始分桶：
1. 先根据数据量得出一个桶数 N。首先使用 estimate_partition_size 的值除以 5（按文本格式存入 Doris 中有 5 比 1 的数据压缩比计算），得到的结果为：
- < 100MB，则取 N=1
- < 1GB，则取 N=2
= 1GB，则每一个 GB 一个分桶
2. 根据 BE 节点数以及每个 BE 节点的磁盘容量，计算出桶数 M。其中每个 BE 节点算 1，每 50G 的磁盘容量算 1，那么 M 的计算规则为：*M = BE 节点数 ( 一块磁盘块大小 / 50GB) * 磁盘块数，例如有 3 台 BE，每台 BE 都有 4 块 500GB 的磁盘，那么 M = 3 * (500GB / 50GB) * 4 = 1203. 得到最终的分桶个数计算逻辑：
- 先计算一个中间值 x = min(M, N, 128)，
- 如果 x < N并且x < BE节点个数，则最终分桶为 y 即 BE 节点个数；否则最终分桶数为 x
上述过程伪代码表现形式为：
int N = 计算N值;int M = 计算M值;int y = BE节点个数;int x = min(M, N, 128);if (x < N && x < y) { return y;}return x;
有了上述算法，咱们再引入一些例子来更好地理解这部分逻辑：
case 1:
*数据量 100 MB，10 台 BE 机器，2TB * 3 块盘 *
*数据量 N = 1 *
BE 磁盘 M = 10 * (2TB/50GB) * 3 = 1230
*x = min(M, N, 128) = 1 *
最终: 1
**case 2: **
*数据量 1GB, 3 台 BE 机器，500GB * 2 块盘 **数据量 N = 2 **BE 磁盘 M = 3 * (500GB/50GB) * 2 = 60 **x = min(M, N, 128) = 2 **最终: 2 *
case 3:
*数据量 100GB，3 台 BE 机器，500GB * 2 块盘 **数据量 N = 20 **BE 磁盘 M = 3 * (500GB/50GB) * 2 = 60 **x = min(M, N, 128) = 20 **最终: 20 case 4:数据量 500GB，3 台 BE 机器，1TB * 1 块盘 **数据量 N = 100 **BE 磁盘 M = 3 * (1TB /50GB) * 1 = 60 **x = min(M, N, 128) = 63 **最终: 63 case 5:数据量 500GB，10 台 BE 机器，2TB * 3 块盘 **数据量 N = 100 **BE 磁盘 M = 10 * (2TB / 50GB) * 3 = 1230 **x = min(M, N, 128) = 100 **最终: 100 case 6:数据量 1TB，10 台 BE 机器，2TB * 3 块盘 **数据量 N = 205 **BE 磁盘 M = 10 * (2TB / 50GB) * 3 = 1230 **x = min(M, N, 128) = 128 **最终: 128 case 7:数据量 500GB，1 台 BE 机器，100TB * 1 块盘 **数据量 N = 100 **BE 磁盘 M = 1 * (100TB / 50GB) * 1 = 2048 **x = min(M, N, 128) = 100 **最终: 100 case 8:数据量 1TB, 200 台 BE 机器，4TB * 7 块盘 **数据量 N = 205 **BE 磁盘 M = 200 * (4TB / 50GB) * 7 = 114800 **x = min(M, N, 128) = 128 *最终: 200
可以看到，详细逻辑与原则是匹配的。
后续分桶推算
上述是关于初始分桶的计算逻辑，后续分桶数因为已经有了一定的分区数据，可以根据已有的分区数据量来进行评估。后续分桶数会根据最多前 7 个分区数据量的 EMA[1]（短期指数移动平均线）值，作为estimate_partition_size进行评估。此时计算分桶有两种计算方式，假设以天来分区，往前数第一天分区大小为 S7，往前数第二天分区大小为 S6，依次类推到 S1；
- 如果 7 天内的分区数据每日严格递增，则此时会取趋势值
有6个delta值，分别是S7 - S6 = delta1,S6 - S5 = delta2,...S2 - S1 = delta6由此得到平均的delta值：avg_delta = (delta1 + delta2 + ... + delta6) / 6 = (S7 - S1) / 6那么，今天的estimate_partition_size = S7 + avg_delta
- 非第一种的情况，此时直接取前几天的 EMA 平均值
今天的 estimate_partition_size = EMA(S1, ..., S7)
根据上述算法，初始分桶个数以及后续分桶个数都能被计算出来。跟之前只能指定固定分桶数不同，由于业务数据的变化，有可能前面分区的分桶数和后面分区的分桶数不一样，这对用户是透明的，用户无需关心每一分区具体的分桶数是多少，而这一自动推算的功能会让分桶数更加合理。
自动分桶推算功能 PR：https://github.com/apache/doris/pull/15250
效果
当我们有了合适的分区分桶时，导入数据导到 Doris 后，数据会依照建表语句中的分区分桶列进行存储。上述网站站点数据的存储示例如图示：
图2：Doris 分区分桶后的数据存储此时如果执行 SQL 查询：
select * from test_tbl where sdate = "2020-03-23" and site = 1
根据谓词 sdate = "2020-03-23" 可以定位到分区 p20200323，谓词 site = 1 能定位到该分区下的 bucket_1。假设有 30 天数据，自动分桶推算得到的分桶个数为 20 个。则经过明确的分区分桶谓词下推，则可以将数据全表扫描量变为原来的 1/600（30 天20 个桶 = 600），极大减少了数据的扫描范围、提高了查询的效率*。
# 总结
整体来看，批量创建分区功能语法简洁有力，解决了用户针对大量历史数据分区创建的难题，既避免了手动创建大量分区的低效语法，又避免了动态分区大量参数的学习使用成本，且方式灵活多变、随意搭配组合各种类型的分区，大大提升了 Doris 在建表过程中的易用性。自动分桶推断功能智能高效，用户不需再关心分桶的细枝末节，系统自动帮助用户扩缩不同分区的分桶数，真正做到桶随业务变，降低学习成本的同时更是提升了查询效率。在与社区用户持续沟通中，我们也不断收获着许多新的需求，例如分区列为非时间列等，因此后续我们仍将继续完善对其他分区列的支持，例如数字分区列的批量创建等。最后，我们期待倾听更多用户的声音，在不断回馈用户以极简易用的使用体验的同时，也期待有更多人参与到 Apache Doris 的建设中来，欢迎你的加入！
