大家好，今天分享的文章是Doris在各大公司生产实践的一些总结。
Doris经过多年的持续深耕，从最初的单纯的OLAP能力上逐步取代上一代的查询引擎，并且在跟ES、ClickHouse等同一生态位的竞品竞争中也表现出色。
今天的文章我们站在一个用户的角度，总结Doris社区在过去上半年各大公司的分享，总这些分享中汲取有用的经验。
落地场景总结
在笔者查阅的数十篇各大公司的分享中，2025年上半整个行业内各家公司对于Doris的使用也从最初的单纯OLAP，持续向准实时调度、湖仓一体等场景深入。
湖仓一体方案
自2.1版本以来，Apache Doris在湖仓一体场景的能力得到了显著提升与完善。很多公司在湖仓一体场景进行了落地尝试。
数据通过Kafka进行采集，并使用Flink和Spark实现数据加工处理，依据数据时效性的需求，数据被接入数据湖表或Doris表中。
Doris本身支持非常多的连接器，包括Hive、Iceberg、Hudi、Paimon，以及JDBC协议的数据库系统。
此外Doris支持可扩展的连接器框架，Doris 定义了标准的数据目录（Catalog）、数据库（Database）、数据表（Table）三个层级，开发人员可以方便的映射到所需对接的数据源层级。Doris 同时提供标准的元数据服务和数据读取服务的接口，开发人员只需按照接口定义实现对应的访问逻辑，即可完成数据源的对接。
Doris与Paimon、IceBerg等数据湖框架深度融合，能够直接访问湖表中数据，可以实现湖中数据的加速查询。分析结果不仅可以展示给应用层，Doris同时提供了湖表回写的能力，结果可以通过Doris写回到Iceberg中进行存储。
这个我们不赘述了。在下文的优化环节会提到。
Doris可以作为统一SQL查询引擎，连接不同数据源进行联邦分析。
Doris可以通过创建多个Catalog连接不同的数据源，并且在SQL中可以通过catalog.db.table的方式对不同数据源中的数据进行任意关联查询。
最后我们贴几张截图，大家可以参考各大公司湖仓架构中Doris所处的位置和作用。
Doris+定时调度构建准实时数仓
第二类大的落地应用是通过定时调度的方式构建基于Doris的准实时数仓。
在很多情况，我们不需要数据秒级时效，这时候就可以通过Doris+分钟/小时级调度，实现数据的准实时处理。
例如在美团、抖音等公司的分享中，通过引入Doris引擎，结合定时调度构建了准实时生产数仓。
在该架构中，利用Doris的实时写入能力(如KafkaToDoris实现秒级延迟写入)，配合可靠的 5、10、15、30分钟的调度保障能力，实现了业务数据的微批处理。
同时，通过将实时数据与离线数据在Doris中进行融合，利用Doris的高效OLAP交互能力，支撑业务的灵活查询访问。
业务层通过视图进行逻辑封装，直接复用汇总层多维模型，提高了开发效率，减少了运维成本。实践证明，以Doris引擎为驱动的准实时数仓模式，有效解决了数据生产和查询的难题，同时满足业务对数据时效性和灵活性的需求。
这里我们必须要提一个能力，Doris在2.1版本中引入了 Job Scheduler 功能，实现了自主任务调度能力，调度的精准度可达到秒级，这个能力大家可以谨慎评估接入使用，更推荐的是结合第三方的调度框架使用。
替代ES，多维分析
Elasticsearch这个框架在很多公司都有使用，广泛应用于实时分析、日志分析、全文搜索和数据监控等领域。在过去一段时间里，ES因为独有的DSL查询语音，比较高的成本受到诟病，因此有相当多的场景可以用Doris替代。
关于ES和Doris的一些对比，我们之前写过一篇文章可以参考：
「精华版」Doris VS Elasticsearch全方位对比和落地实践指导
Doris优化
关于Doris的优化，不同公司的关注点不同。但是基本都集中在读、写、compaction等。
我们在早些时候总结过，可以参考：
其他
此外，不同公司在使用Doris上有自己的一些「奇技淫巧」。这里我们不一一列举，大体上属于”旁门左道”，是基于自身业务特点和内部平台做的定制化的优化。
我们今天的分享就到这里。后面会继续更新其他组件在各大公司生产环境的最佳实践，欢迎持续关注。
暂无评论内容