深入理解 Doris Compaction：提升查询性能的幕后功臣

在 Doris 的数据存储与查询体系里，Compaction 是保障查询效率、优化存储结构的关键机制。如果你好奇 Doris 如何在高频写入后仍能高效响应查询，或是想解决数据版本膨胀带来的性能问题，这篇关于 Compaction 的深度解析值得收藏 👇

一、为什么需要 Compaction？

Doris 采用类 LSM - Tree 的存储结构，每次数据导入会生成新的 Rowset（可理解为数据版本片段 ），每个rowset由0到n个sgement组成。segment实际对应这个磁盘上的一个文件。单个sgement文件是有序的。

随着导入操作增多，Rowset 数量不断累积，会引发两大核心问题：

（一）查询效率下降

查询时，Doris 需要对多个 Rowset 执行 “多路归并” 操作来整合结果。Rowset 数量越多，归并的路数就越多，查询耗时呈几何级增长。例如，若一个查询需要合并 10 个 Rowset，归并过程就像同时梳理 10 条杂乱的线，难度和耗时远大于合并 2 - 3 个 Rowset。

（二）存储成本上升

大量零散的 Rowset 会占用更多磁盘空间，还可能存储重叠和无效数据。比如多次导入同一范围的数据，会生成多个有重叠的 Rowset，不仅浪费存储，还会让查询时的归并逻辑更复杂。

Compaction 的核心目标

• 减少查询归并成本：将多个小 Rowset 合并为大 Rowset，降低查询时的合并路数。
• 消除无效数据：将标记删除（Delete）、更新（Update）的数据真正清理，避免查询时的无效扫描。
• 优化存储：在 Aggregate 模型中预聚合相同 Key 的数据，在 Unique 模型中保留最新版本，进一步提升查询效率。

compaction的粒度是tablet，下图是一个tablet compaction过程的示意图

二、Compaction 关键概念解析

1. Compaction Score：优先级调度指标

Compaction Score 是 Doris 判断 Tablet 做Compaction优先级的核心指标，值越高，优先级越高。

（一）本质

反映查询时 Rowset 参与 “多路归并” 的路数。路数越多，查询效率越低，越需要优先compaction。

（二）计算逻辑

遍历 Tablet 的 Rowset，根据其数据重叠情况统计归并路数：

若某 Tablet 的 Rowset 分布如下：

"rowsets": ["[0-100] 3 DATA NONOVERLAPPING ...", // 无重叠，归并占 1 路 "[101-101] 2 DATA OVERLAPPING ...",  // 有重叠，归并占 2 路 "[102-102] 1 DATA NONOVERLAPPING ..." // 无重叠，归并占 1 路 
]

• 无重叠 Rowset：如 [0-100] 范围的 Rowset 由 3 个Segment 组成，但是没有但是没有overlap，查询归并时仅占 1 路；

• 有重叠 Rowset：如 [101-101] 范围的 Rowset 由 2 个Segment 组成，但是有但是有overlap，查询归并时占 2 路。

则 Compaction Score = 1（第一行） + 2（第二行） + 1（第三行） = 4。

2. Base & Cumulative Compaction：分层合并策略

为了平衡 “压缩效率” 和 “数据合并成本”，Doris 采用分层压缩思路：

（1）Cumulative Compaction

• 作用：优先合并新写入的小 Rowset，避免直接与大 Rowset 合并导致效率低下。新导入的零散数据（如实时写入的小批次数据 ），先通过Cumulative Compaction逐步 “攒大”，减少后续 Base Compaction 的压力。

（2）Base Compaction

• 作用：当Cumulative Rowset 合并到一定规模后，再与 ** 历史大 Rowset（Base Rowset）** 合并，最终形成更紧凑的大 Rowset，彻底优化查询路数。

（3）Cumulative Point：分层 “临界点”

用来划分 “Cumulative Rowset” 和 “Base Rowset” 的边界。比如某 Tablet 的 Cumulative Point 为 293，意味着：

• Rowset 范围 293+ 做的是 Cumulative Compaction；

• Rowset 范围 0-292 做的是 Base Compaction。

三、Compaction 工作流程：生产者 - 消费者模式

Doris 的 Compaction 流程遵循生产者 - 消费者模型，可拆解为 4 大核心步骤，每个步骤都蕴含精细的设计逻辑：

1. 扫描与优先级计算（生产者线程）

BE 的 Compaction 生产者线程定时（可配置扫描间隔）扫描所有 Tablet，执行以下操作：

（一）计算 Compaction Score

遍历 Tablet 的 Rowset，统计每个 Rowset 在查询时的归并路数，累加得到 Compaction Score，确定compaction优先级。

（二）分层任务调度

Doris 通过轮询策略平衡 Base 和 Cumulative Compaction 的资源占用：

• 默认每 10 轮扫描选 1 次 Base Compaction 任务（处理历史大 Rowset 合并 ）；

• 其余 9 轮选 Cumulative Compaction 任务（快速合并新写入的小 Rowset ）。

  这样设计的原因是：Base Compaction 通常涉及更大数据量，资源消耗更高，需控制执行频率；而 Cumulative Compaction 处理小数据，可高频执行以快速优化查询。

2. 并发控制：避免磁盘过载

磁盘的 IO 带宽和处理能力是有限的，若同时执行过多 Compaction 任务，会导致磁盘性能雪崩（比如磁盘 IO 利用率瞬间 100%，其他读写操作阻塞 ）。因此，Doris 会：

（一）检查当前任务数

查询磁盘当前运行的 Compaction 任务数，与配置的compaction的线程数对比。

（二）动态跳过机制

若任务数已达阈值，跳过该 Tablet，等待下一轮扫描；若未超限，允许任务继续，确保磁盘资源合理利用。

3. Rowset 筛选策略

并非所有 Rowset 都会被选中压缩，筛选逻辑聚焦两点，这直接影响 Compaction 的效率和效果：

（一）连续性优先

优先选择连续的 Rowset（如按时间或数据范围连续 ），因为零散的 Rowset 合并后，能减少查询时归并的 “碎片问题”。例如，连续的 Rowset 合并后，查询时可一次性归并，而零散 Rowset 可能需要多次跳转磁盘读取。

（二）数据量均衡

避免合并 “大小差距极大” 的 Rowset。在多路归并排序中，若 Rowset 数据量差距过大，归并时小 Rowset 会快速处理完，大 Rowset 仍需大量时间，整体效率会断崖式下跌。因此，筛选时会优先选数据量相近的 Rowset，保证归并过程的高效性。

4. 任务分发：分线程池执行

为了隔离 Base Compaction ·和 Cumulative Compaction 的资源，Doris 设计了两个独立线程池。

Base compaction线程池和cumulative compaction线程池分别从队列中取出compaction task任务后，执行多路归并排序：将多个 Rowset 的数据按顺序合并，生成一个新的大 Rowset。

四、总结：Compaction 是效率与成本的平衡艺术

理解 Compaction 的逻辑后，再面对 “查询变慢”“存储膨胀” 等问题时，就能从 “数据版本管理” 的视角切入，精准定位与解决。下次遇到 Doris 性能瓶颈，不妨先看看 Compaction 是否在 “默默加班”，是否因配置或数据模式问题导致其 “有心无力”～

如果觉得内容有帮助，欢迎点赞、在看、分享，让更多人了解 Doris 性能优化的幕后逻辑～ 有疑问或补充，也可在评论区交流，一起深入了解 Doris 技术细节 🌱