整合StarRocks更新表全部知识点

总结StarRocks更新表的全部内容的集合（V3.2版本）

一、基本功能

• 聚合函数replace的聚合表
• 主键被主键表替代
• 采用Merge-On-Read的策略，读取时需要在线Merge多个版本的数据文件，谓词和索引无法下推至底层数据，会严重影响查询性能

创建更新表ddl

CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATETIME NOT NULL COMMENT "create time of an order",     shop_id BIGINT NOT NULL COMMENT "id of shop",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, shop_id) PARTITION BY date_trunc('day', create_time) DISTRIBUTED BY HASH(shop_id) PROPERTIES ( "replication_num" = "1" );   INSERT INTO unq_orders VALUES     ("2024-07-01 12:00:00", 2001, 3001, 1, 30),     ("2024-07-01 13:00:00", 2001, 3002, 1, 40),     ("2024-07-02 11:00:00", 2002, 3003, 1, 60),     ("2024-07-03 10:00:00", 2002, 3004, 1, 10),     ("2024-07-04 17:00:00", 2006, 3005, 1, 70);  

注意事项

• UNIQUE KEY是更新表的标识，同时也是排序键
• 必须使用 DISTRIBUTED BY HASH 子句指定分桶键（也就是必须使用hash分桶）

二、分区（分区键必须为key键）

starrocks支持分区+分桶的数据分布，分区可以是单个分区，也可以是多个分区，分区是左闭右开的范围。
分区的方式：

• 表达式分区：自动创建分区，适用于时间范围或者枚举值分区，数据导入自动创建分区（很强大）
• Range分区：对于简单有序的数据分区（连续1天，连续6天，1-3等），动态、批量或者手动创建
• List分区：适用于枚举值分区（比如按照国家，城市分区），手动创建

List分区不支持动态和批量创建
异步物化视图暂不支持基于使用List分区的基表创建
Range分区只支持时间类型/整数类型的字段
List分区支持字符串/时间/整数/布尔值类型字段

各个分区的创建的标识

• range分区：PARTITION BY RANGE(dt) （支持日期/整型）
• list分区：PARTITION BY LIST (city) （支持多种类型）
• 时间表达式分区：PARTITION BY date_trunc/time_slice(‘day’, create_time) （支持时间）(特殊的Range分区功能）
• 列表达式分区：PARTITION BY (dt, merchant_id) （支持多种类型）（特殊的List分区功能）

2.1 手动创建Range分区（仅支持分区键的数据类型为日期和整数类型）

-- 日期 CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATE NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY RANGE(create_time)(     PARTITION p1 VALUES LESS THAN ("2020-01-31"),     PARTITION p2 VALUES LESS THAN ("2020-02-29"),     PARTITION p3 VALUES LESS THAN ("2020-03-31") ) DISTRIBUTED BY HASH(order_id) PROPERTIES ( "replication_num" = "3" );   --整数 CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATE NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY RANGE(order_id)(     PARTITION p1 VALUES LESS THAN ("4"),     PARTITION p2 VALUES LESS THAN ("9"),     PARTITION p3 VALUES LESS THAN ("20") ) DISTRIBUTED BY HASH(order_id) PROPERTIES ( "replication_num" = "1" );   --联合分区 CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATE NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY RANGE(create_time, order_id)(     PARTITION p1 VALUES LESS THAN ("2020-01-31", "1"),     PARTITION p2 VALUES LESS THAN ("2020-02-29", "2"),     PARTITION p3 VALUES LESS THAN ("2020-03-31", "3") ) DISTRIBUTED BY HASH(order_id) PROPERTIES ( "replication_num" = "1" );  

2.2 批量创建Range分区（仅支持分区键的数据类型为日期和整数类型）

方法：START、END 指定批量分区的开始和结束，EVERY子句指定分区增量值，时间指定单位HOUR（3.0V）、DAY、WEEK、MONTH、YEAR

--日期 CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATE NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY RANGE(create_time)(     START ("2021-01-01") END ("2021-01-04") EVERY (INTERVAL 1 DAY) ) DISTRIBUTED BY HASH(order_id) PROPERTIES ( "replication_num" = "1" );   --整数 CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATE NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY RANGE(order_id)(     START ("1") END ("5") EVERY (1) ) DISTRIBUTED BY HASH(order_id) PROPERTIES ( "replication_num" = "1" );   

2.3 动态创建Range分区（仅支持分区键的数据类型为日期类型）

动态分区通过PROPERTIES进行配置

表达式分区与动态分区创建分区的区别：表达式分区会根据导入数据自动创建分区，而动态分区是根据动态分区属性，定期提前创建一些分区，如果导入数据不属于任何存在的分区，则会报错。
动态分区：⾃动提前创建新的分区，删除过期分区（可以设置TTL）

--日期 CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATE NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY RANGE(create_time)(     PARTITION p20200321 VALUES LESS THAN ("2020-03-22"),     PARTITION p20200322 VALUES LESS THAN ("2020-03-23") ) DISTRIBUTED BY HASH(order_id) PROPERTIES (     "replication_num" = "1",     "dynamic_partition.enable" = "true",     "dynamic_partition.time_unit" = "DAY",     "dynamic_partition.start" = "-3",     "dynamic_partition.end" = "3",     "dynamic_partition.prefix" = "p",     "dynamic_partition.history_partition_num" = "0" );  

表示依照当天时间为基准，删除3天前的分区，同时创建3天后的分区
dynamic_partition_check_interval_seconds：FE 配置项，动态分区检查的时间周期，默认为 600, 周期检查是否删除分区与创建分区
其他配置项见官网（动态分区）
动态分区只能创建时间类型的分区

2.4 手动创建List分区（V3.1支持）

分区键支持字符串/时间/整数/布尔值类型字段
分区键不可以为null

--列多个值放在一分区 CREATE TABLE test.unq_orders1000 (     id bigint, 	city varchar(20) not null,     user_id bigint,     recharge_money decimal(32,2),      dt varchar(20) not null ) UNIQUE KEY(id,city) PARTITION BY LIST (city) (    PARTITION pCalifornia VALUES IN ("Los Angeles","San Francisco","San Diego"), -- 这些城市同属一个州    PARTITION pTexas VALUES IN ("Houston","Dallas","Austin") ) DISTRIBUTED BY HASH(`id`);  --联合分区（列多个值放在一分区） CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATE NOT NULL COMMENT "create time of an order",     city varchar(20) NOT NULL COMMENT "",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, city) PARTITION BY LIST (create_time, city) (    PARTITION p202204_California VALUES IN (        ("2022-04-01", "Los Angeles"),        ("2022-04-01", "San Francisco"),        ("2022-04-02", "Los Angeles"),        ("2022-04-02", "San Francisco")     ),    PARTITION p202204_Texas VALUES IN (        ("2022-04-01", "Houston"),        ("2022-04-01", "Dallas"),        ("2022-04-02", "Houston"),        ("2022-04-02", "Dallas")    ) ) DISTRIBUTED BY HASH(city) PROPERTIES ( "replication_num" = "1" );  

2.5 表达式分区

• 根据表达式的值可以自动创建对应分区，不需要提前创建分区
• 基本适用于多数场景（覆盖大部分range分区与list分区功能，但是部分场景可能需要独立使用Range或者List分区）
• 自动创建分区数量上限默认为 4096

2.5.1 时间函数表达式分区

• 分区列只能有一个，而且数据类型必须是时间类型
• 分区粒度：hour、day、month 或 year
• 仅支持date_trunc和time_slice函数，应用到分区列上
• 分区列值可以为null

-- 天级别分区 CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATETIME NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY date_trunc('day', create_time) DISTRIBUTED BY HASH(order_id) PROPERTIES ( "replication_num" = "1" );   --时间分片，7天内的放在一个分区 CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATETIME NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY time_slice(create_time, INTERVAL 7 day) DISTRIBUTED BY HASH(order_id) PROPERTIES ( "replication_num" = "1" );  

2.5.2 列表达式分区（V3.1）

• 分区列可以多个，数据类型包括字符串、日期、整数和布尔值
• 分区值不支持null
• 每个列值都会创建一个分区

CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATE NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY (create_time, order_id) DISTRIBUTED BY HASH(order_id) PROPERTIES ( "replication_num" = "1" );  

2.6 建表后创建分区

--Range分区批量日期 ALTER TABLE unq_orders ADD PARTITIONS START ("2021-01-10") END ("2021-01-20") EVERY (INTERVAL 1 DAY);  --Range分区批量整数 ALTER TABLE unq_orders ADD PARTITIONS START ("100") END ("200") EVERY (50);  --List分区不支持批量创建，只能手动单个分区 ALTER TABLE unq_orders ADD PARTITION p202205_California VALUES IN (        ("2022-05-03", "Los Angeles"),        ("2022-05-03", "San Francisco"),        ("2022-05-04", "Los Angeles"),        ("2022-05-05", "San Francisco") );  --Range分区创建单个日期分区 ALTER TABLE unq_orders  ADD PARTITION p20200130 VALUES LESS THAN ("2021-01-22")  --Range分区创建单个整数分区 ALTER TABLE unq_orders ADD PARTITION p300 VALUES LESS THAN ('300'); 

2.7 管理分区

2.7.1 删除分区(默认会保留一天，误删可以使用恢复分区恢复）

测试发现LIST分区无法删除 Range分区可以删除 ALTER TABLE unq_orders DROP PARTITION p1; 

2.7.2 恢复分区

RECOVER PARTITION p1 FROM unq_orders; 

2.7.3 查看分区

SHOW PARTITIONS FROM unq_orders; 

三、分桶

3.1 哈希分桶

• 分区内部的数据按照分桶键存放数据
• 支持多个分桶键，更新表分桶键必须为key键
• 分桶键值尽量多基数，避免数据倾斜
• 分桶键支持的数据类型：整型、字符串、日期时间
• 建表后可以修改分桶键（V3.2）

CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATE NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY RANGE(create_time)(     PARTITION p1 VALUES LESS THAN ("2020-01-31"),     PARTITION p2 VALUES LESS THAN ("2020-02-29"),     PARTITION p3 VALUES LESS THAN ("2020-03-31") ) DISTRIBUTED BY HASH(create_time, order_id) PROPERTIES ( "replication_num" = "1" );  

3.2.1 哈希分桶数

• 每个分桶的数据规模最好不要超过10G
• 单个分区数据超过100G，建议手动设置分区，其他建议系统自动分桶数

--显示指定分桶数 --一个分区的原始数据量为 300 GB，则按照每 10 GB 原始数据一个 Tablet，则分区中分桶数量可以设置为 30 CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATE NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY RANGE(create_time)(     PARTITION p1 VALUES LESS THAN ("2020-01-31"),     PARTITION p2 VALUES LESS THAN ("2020-02-29"),     PARTITION p3 VALUES LESS THAN ("2020-03-31") ) DISTRIBUTED BY HASH(create_time, order_id) BUCKETS 30 PROPERTIES ( "replication_num" = "1" );  

建表后设置分桶数

-- 手动指定所有分区中分桶数量 ALTER TABLE unq_orders DISTRIBUTED BY HASH(create_time, order_id) BUCKETS 20;  -- 手动指定部分分区中分桶数量 ALTER TABLE unq_orders partitions p20210102 DISTRIBUTED BY HASH(create_time, order_id) BUCKETS 30; 

查看分桶数

SHOW PARTITIONS from unq_orders 

三、索引

starrocks内部自动创建的索引（内部索引）：前缀索引、Ordinal索引、ZoneMap 索引
需要用户手动创建的索引：Bitmap 索引和 Bloom filter 索引

3.1 Ordinal索引（列级索引）

starrocks采用列式存储，每一列数据以Date Page（64*1024 个字节，64KB）为单位分块存储，每个Date Page的起始行号作为Ordinal索引项。所以其他所有的索引都要通过Ordinal索引找到数据的物理地址。

3.2 ZoneMap索引

ZoneMap索引存储了每块数据统计信息，统计信息包括 Min 最大值、Max 最小值、HasNull 空值、HasNotNull 不全为空的信息。
在查询时，StarRocks 可以根据这些统计信息，快速判断这些数据块是否可以过滤掉，从而减少扫描数据量，提升查询速度。
ZoneMap索引有两种：一种是存每个 Segment 的统计信息，另一种是存每个 Data Page 的统计信息

3.3 前缀索引

按照UNIQUE KEY顺序建立前缀索引，也就是排序键
前缀索引每1024行数据创建一个索引项，所以前缀索引一般都可以全部加载到内存，加速查询速度。
一个表只能有一个前缀索引
更新表在建表后不能修改排序键
注意事项：

• 排序列不宜过多，一般为3个，建议不超过4个
• 前缀索引项的最大长度为36字节，超过部分会被截断
• 前缀字段中CHAR、VARCHAR、STRING类型的列只能出现一次，并且处在末尾位置，而且超过部分会被截断

3.4 Bitmap索引

原理：bitmap即为一个bit数组，一个bit的取值有两种：0或1。每一个bit对应数据表中的一行，并根据该行的取值情况来决定bit的取值是0还是1。
适用场景：

• 于较高基数列的查询
• 多个低基数列的组合查询

劣势：

• 查询时加载Bitmap索引的开销
• 写入数据可能会影响损耗性能

查询有Bitmap索引的自适应选择机制
原因：由于查询bitmap可能有性能损耗，所以建立bitmap索引是否使用，由starrocks自动控制（也可以强制使用）
原则：查询条件涉及的列值数量/基数 是否小于 1/1000

SELECT * FROM employees WHERE gender = 'male' 由于 gender 基数 只用两个，查询只查询其中一个， 1/2 > 1/1000 所以不使用对应的bitmap索引  SELECT * FROM employees WHERE gender = 'male' AND city IN ('北京', '上海'); 假设city列的基数为10000，查询条件涉及其中2个值，结合gender，则(1*2)/(2*10000) < 1/1000 所以使用对应的bitmap索引 

3.4.1 创建bitmap索引

• 更新表只有Key列支持创建Bitmap索引
• 每个索引只能一个列
• 常见的数据类型都支持

CREATE TABLE IF NOT EXISTS unq_orders (     create_time DATETIME NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order",     INDEX i_order_id (order_id) USING BITMAP ) UNIQUE KEY(create_time, order_id) PARTITION BY date_trunc('day', create_time) DISTRIBUTED BY HASH(order_id) PROPERTIES ( "replication_num" = "1" );  

3.4.2 管理bitmap索引

--创建索引 CREATE INDEX i_order_id ON unq_orders(order_id) USING BITMAP;  --查看创建进度 SHOW ALTER TABLE COLUMN FROM db;  --查看索引 SHOW INDEX FROM unq_orders;  --删除索引 DROP INDEX i_user_id ON unq_orders; 

3.5 Bloom filter索引

原理：快速判断表的数据文件中是否可能包含要查询的数据，如果不包含就跳过。

3.5.1 创建Bloom filter索引

• 更新表只有Key可以创建Bloom filter索引
• 每个索引只能一个列，可以同时创建多个索引，用,分隔
• 常见的数据类型都支持

CREATE TABLE IF NOT EXISTS test.unq_orders (     create_time DATETIME NOT NULL COMMENT "create time of an order",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     total_price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, order_id) PARTITION BY date_trunc('day', create_time) DISTRIBUTED BY HASH(order_id) PROPERTIES ( "replication_num" = "1", "bloom_filter_columns" = "order_id" );  

3.5.2 管理Bloom filter索引

--创建索引 ALTER TABLE aggregate_tbl SET ("bloom_filter_columns" = "order_id,create_time");  --查看索引 SHOW CREATE TABLE aggregate_tbl;  --删除索引 ALTER TABLE aggregate_tbl SET ("bloom_filter_columns" = ""); 

四、同步物化视图（Rollup）

官网说明可以使用同步物化视图视图，但是操作发现不可以创建同步物化视图，

CREATE MATERIALIZED VIEW shop_id_amount AS SELECT shop_id, SUM(price) FROM test.unq_orders GROUP BY shop_id;  --由于更新表，非key都是replace函数，索引不可以使用sum等其他聚合函数 The aggregation type of column[mv_sum_price] must be same as the aggregate type of base column in aggregate table 

五、异步物化视图

异步物化视图优势：

• 支持外部表，多表关联查询
• 支持部分分区刷新，定时刷新与手动刷新 （异步机制）
• 支持查询改写：直接查询基表，可以自动从对应物化视图获取数据
• 支持直接查询异步物化视图
• 异步物化视图可以与其基表设置不同的分区和分桶策略，并且可以为分区指定TTL
• 异步物化视图支持分区上卷
• 支持单批次最大刷新分区数与只刷新最近N个分区

异步物化视图局限性：

• 基表发生变化，物化视图可能还没有发生变化
• 只能对有分区的基表创建异步物化视图
• 不支持List分区的基表创建物化视图，同时不能创建List分区的异步物化视图

5.1 创建异步物化视图

CREATE MATERIALIZED VIEW merchant_mv_6 PARTITION BY create_date DISTRIBUTED BY HASH(shop_id) REFRESH IMMEDIATE ASYNC START('2024-07-01 00:00:00') EVERY (interval 1 minute) PROPERTIES(   "partition_ttl_number" = "5",   "auto_refresh_partitions_limit" = "2",   "partition_refresh_number" = "2" ) AS  SELECT     date_trunc('day', create_time) as create_date,     shop_id,     sum(price) as total_price FROM unq_orders  GROUP BY create_time, shop_id; 

基表的查询尽量不要使用order by 可能导致查询改写失败

5.2 设置分区

由于starrocks的range分区与表达式分区，基本都是针对时间类型的字段，而且基本都是单字段分区，所以异步物化视图的分区基本只能是时间类型的字段单分区。

• 物化视图分区键必须是基表的分区键

• 物化视图的分区字段可以是基表的String类型的时间格式字段，创建分区的时候转换成时间类型即可（str2date）

PARTITION BY str2date(datekey, '%Y-%m-%d') 

• 增量更新：如果物化视图分区内的基表数据没有发生变化，则对应的物化视图分区数据不会刷新

• partition_ttl_number: 需要保留的最近的物化视图分区数量，也就是ttl，比如上例子中"partition_ttl_number" = "5"，表示保留最近5个分区，其他分区会定时删除。

• partition_refresh_number：表示单批次最大刷新分区数，当多个分区数据都发生变化，则会分批次刷新数据，每批次都刷新对应的分区数，避免资源过多消耗。

• auto_refresh_partitions_limit: 表示需要刷新的最近的物化视图分区数量，比如上例子中"auto_refresh_partitions_limit" = "2"，表示只刷新最近2个分区，其他的分区数据当发生变化也不再刷新，但是在数据查询改写中，对于不刷新的分区，查询会直接查询基表的数据（有数据变化）

5.3 设置刷新模式

5.3.1 自动刷新

REFRESH ASYNC : 每当基表数据发生变化时，物化视图会自动刷新

5.3.2 定时刷新

ASYNC [START (<start_time>)] EVERY(INTERVAL <interval>)

day/hour/minute/second

--从当前时间开始 REFRESH ASYNC EVERY (interval 1 minute)  --指定开始时间 REFRESH ASYNC START('2024-07-01 00:00:00') EVERY (interval 1 minute) 

5.3.3 设置成手动刷新

REFRESH MANUAL: 设置成手动刷新

-- 异步调用刷新任务 REFRESH MATERIALIZED VIEW order_mv;  -- 同步调用刷新任务 REFRESH MATERIALIZED VIEW order_mv WITH SYNC MODE; 

5.3.4 创建异步物化视图是否立即执行刷新

IMMEDIATE：异步物化视图创建成功后立即刷新
DEFERRED：异步物化视图创建成功后不进行刷新，您可以通过手动调用或创建定时任务触发刷新

5.3.4 查询异步物化视图

可以直接查询异步物化视图，同时也支持查询基表的查询改写

5.4 管理异步物化视图

5.4.1 修改异步物化视图

-- 启用被禁用的异步物化视图 ALTER MATERIALIZED VIEW order_mv ACTIVE;  -- 重命名 ALTER MATERIALIZED VIEW order_mv RENAME order_total;  -- 修改刷新机制 ALTER MATERIALIZED VIEW order_mv REFRESH ASYNC EVERY(INTERVAL 2 DAY); 

5.4.2 查看异步物化视图

-- 查看所有的物化视图 SHOW MATERIALIZED VIEWS;  -- 按条件查询 SHOW MATERIALIZED VIEWS WHERE NAME LIKE "order%";  -- 查看物化视图的创建语句 SHOW CREATE MATERIALIZED VIEW merchant_mv_3; 

5.4.3 查询物化视图执行状态与异步刷新情况

-- 找到 物化视图的任务 task_name select * from information_schema.tasks  order by CREATE_TIME desc  -- 通过task_name 获取 物化视图执行与刷新情况 select * from information_schema.task_runs where task_name='mv-11576' order by CREATE_TIME 

5.4.4 删除物化视图

DROP MATERIALIZED VIEW order_mv; 

六、数据去重

starrocks是mpp架构的引擎，所以在数据去重方面，就需要把各个BE节点上的数据进行shuffle，所以如果大规模的数据会导致计算资源紧张，所以对于数据去重，starrcoks提供两种特殊的额外的方式，但是都是有局限性的。

6.1 常规去重

对于数据集基数在百万、千万量级，并拥有几十台机器，那么您可以直接使用count distinct方式

select date_trunc('day', create_time) as create_date, count(distinct shop_id) as cnt from unq_orders group by create_date 

6.2 Bitmap精确去重

更新表不支持：UNIQUE_KEYS table should not specify aggregate type for non-key column[order_id].

6.3 HyperLogLog近似去重

更新表不支持

七、Colocate Join

功能：Colocate Join 功能是分布式系统实现 Join 数据分布的策略之一，能够减少数据多节点分布时 Join 操作引起的数据移动和网络传输，从而提高查询性能。

原理：同一CG内，所有表的数据分布在相同一组 BE 节点上。当 Join 列为分桶键时，计算节点只需做本地 Join，从而减少数据在节点间的传输耗时，提高查询性能（把相同数据放在同一个BE上，数据本地join）， 所以当数据迁移都是一起均衡操作，在数据迁移过程中，查询退回普通的join（shfflue）

条件：

• 表具有相同数据类型的分桶键（名字可以不一样），而且顺序要保持一致，桶数一致
• 表具有相同的副本数
• 查询只支持等值查询（其他比较都失效，退化成普通的join）

使用方式：在表PROPERTIES中指定属性"colocate_with" = “group_name”

如果指定的 CG 不存在，StarRocks 会自动创建一个只包含当前表的 CG，并指定当前表为该 CG 的 Parent Table。如果 CG 已存在，StarRocks 会检查当前表是否满足条件。如果满足，StarRocks 会创建该表，并将该表加入 Group。同时，StarRocks 会根据已存在的 Group 中的数据分布规则为当前表创建分片和副本。

7.1 创建Colocate Join表

CREATE TABLE pri_orders_colocate (     order_id bigint NOT NULL,     create_time datetime NOT NULL,     merchant_id int NOT NULL,     user_id int NOT NULL,     good_name string NOT NULL,     cnt int NOT NULL,     revenue int NOT NULL,     state tinyint NOT NULL ) PRIMARY KEY (order_id, create_time, merchant_id) PARTITION BY date_trunc('day', create_time) DISTRIBUTED BY HASH (merchant_id) BUCKETS 8 ORDER BY (create_time, merchant_id) PROPERTIES (     "colocate_with" = "order_merchant_group",     "enable_persistent_index" = "true" );  CREATE TABLE IF NOT EXISTS test.unq_orders_colocate (     create_time DATETIME NOT NULL COMMENT "create time of an order",     shop_id INT NOT NULL COMMENT "id of shop",     order_id BIGINT NOT NULL COMMENT "id of an order",     order_state INT COMMENT "state of an order",     price BIGINT COMMENT "price of an order" ) UNIQUE KEY(create_time, shop_id) PARTITION BY date_trunc('day', create_time) DISTRIBUTED BY HASH(shop_id) BUCKETS 8 PROPERTIES (     "colocate_with" = "order_merchant_group",     "replication_num" = "1" );  ); 

7.2 修改表Colocate Join组

ALTER TABLE tbl SET ("colocate_with" = "group_name"); 

7.2 删除Colocate Join

-- 删除表的Colocate Join属性 ALTER TABLE tbl SET ("colocate_with" = ""); 

• 删除特定的Colocate Join组
  当所有的设置colocate_with的表都删除，并且真正后台清理掉后（默认保留一天），colocate_with设置的组才会真实的删掉

7.3 是否真实使用Colocate Join

-- 查看 colocation_group SHOW PROC '/colocation_group';  -- 查看特定group bucket分布的BE SHOW PROC '/colocation_group/11912.11916'; 

使用Colocate Join和使用普通的join是一样的，通过expain命令查看是否真实使用Colocate Join，如果Colocate Join失效或者不稳定，则会退化成普通的join查询。

explain  select *  from test.pri_orders_colocate as pri  INNER JOIN  test.unq_orders_colocate as unq  on (pri.merchant_id = unq.shop_id) and pri.create_time > "2024-07-01 12:00:00" 

八、Query Cache

8.1、Query Cache使用场景

query cache默认是关闭的。

• 查询多为宽表模型下的单表聚合查询或星型模型下简单多表 JOIN 的聚合查询。
• 聚合查询以非 GROUP BY 聚合和低基数 GROUP BY 聚合为主。
• 查询的数据以按时间分区追加的形式导入，并且在不同时间分区上的访问表现出冷热性。

8.2、Query Cache命中高效性

会对query判断是否语义等价

• 聚合语句的第一次聚合是语义等价就判定语义等价

q1: SELECT    sum(murmur_hash3_32(hour)), 0)) + sumvi AS fingerprint FROM (     SELECT         date_trunc('hour', ts) AS hour,         sum(v1) AS sumvi     FROM           t0     WHERE         ts BETWEEN '2022-01-03 00:00:00'         AND '2022-01-03 23:59:59'     GROUP BY         date_trunc('hour', ts) ) AS t;  q2:  SELECT     date_trunc('hour', ts) AS hour,     sum(v1) AS sumvi FROM       t0 WHERE     ts BETWEEN '2022-01-03 00:00:00'     AND '2022-01-03 23:59:59' GROUP BY     date_trunc('hour', ts) 

• 是否含有 ORDER BY 子句和 LIMIT 子句，不影响两个查询的语义等价
• where 条件的先后顺序， group by 先后顺序不影响语义等价

九、CBO 统计信息

CBO优化器（cost-based Optimizer)是查询优化的关键，CBO会统计starrcoks中表的信息，当一条Sql查询到达Starrocks后，会基于统计信息，选择一个最优的执行路径作为最终的物理查询计划。

9.1、CBO统计信息的类别（列的粒度）

CBO统计表的信息主要分为两种：
第一种是统计表的列的基础统计信息，包括：

• row_count: 表的总行数
• data_size: 列的数据大小
• ndv: 列基数，即 distinct value 的个数
• null_count: 列中 NULL 值的个数
• min: 列的最小值
• max: 列的最大值

上面的信息存储在_statistics_.column_statistics表中，是按照表的分区内各个列进行统计的。

第二种是把表的列信息统计到直方图中（用直方图表达数据的情况）
直方图能方便的展示数据列的倾斜分布不均的情况。支持列的数据类型是数值类型、DATE、DATETIME 或字符串类型。
直方图目前只支持手动采样采集，采集的数据存储zai _statistics_.histogram_statistics表中，其中mcv表示列的值出现的次数

9.2、自动（全量/抽样）采集基础信息

自动全量采集基础信息可能消耗大量的系统资源，默认5分钟一次，默认开启自动全量采集基础信息。可以配置参数statistic_auto_analyze_start_time, statistic_auto_analyze_end_time设置每天的开始结束时间。

在自动全量采集基础信息中，如果表过大或者设置的健康度达到阈值，将把自动全量采集基础信息变更为自动抽样采集基础信息。具体信息见官网。

9.3、自定义自动（全量/抽样）采集基础信息

创建自动意自动采集任务，需要先关闭自动全量采集基础信息enable_collect_full_statistic=false，采集相关参数见官网。

语法： CREATE ANALYZE [FULL|SAMPLE] TABLE tbl_name (col_name [,col_name]) [PROPERTIES (property [,property])]  例子： -- 定期全量采集所有数据库的统计信息。 CREATE ANALYZE ALL;  -- 定期全量采集指定数据库下所有表的统计信息。 CREATE ANALYZE FULL DATABASE db_name;  -- 定期全量采集指定表、列的统计信息。 CREATE ANALYZE TABLE tbl_name(c1, c2, c3);   -- 定期抽样采集指定数据库下所有表的统计信息。 CREATE ANALYZE SAMPLE DATABASE db_name;  -- 自动采集所有数据库的统计信息，不收集`db_name.tbl_name`表。 CREATE ANALYZE SAMPLE DATABASE db_name PROPERTIES (    "statistic_exclude_pattern" = "db_name.tbl_name" );  

9.4、手动（全量/抽样）采集基础信息

手动任务创建后仅会执行一次，无需手动删除。

语法： ANALYZE [FULL|SAMPLE] TABLE tbl_name (col_name [,col_name]) [WITH SYNC | ASYNC MODE] [PROPERTIES (property [,property])]  例子： -- 手动全量采集指定表的统计信息，使用默认配置。 ANALYZE FULL TABLE tbl_name;  -- 手动全量采集指定表指定列的统计信息，使用默认配置。 ANALYZE TABLE tbl_name(c1, c2, c3);  -- 手动抽样采集指定表的统计信息，使用默认配置。 ANALYZE SAMPLE TABLE tbl_name;  -- 手动抽样采集指定表指定列的统计信息，设置抽样行数。 ANALYZE SAMPLE TABLE tbl_name (v1, v2, v3) PROPERTIES(     "statistic_sample_collect_rows" = "1000000" ); 

9.5、手动采集直方图信息

手动任务创建后仅会执行一次，无需手动删除。

-- 语法 ANALYZE TABLE tbl_name UPDATE HISTOGRAM ON col_name [, col_name] [WITH SYNC | ASYNC MODE] [WITH N BUCKETS] [PROPERTIES (property [,property])]  例子： -- 手动采集v1列的直方图信息，使用默认配置。 ANALYZE TABLE tbl_name UPDATE HISTOGRAM ON v1;  -- 手动采集v1列的直方图信息，指定32个分桶，mcv指定为32个，采样比例为50%。 ANALYZE TABLE tbl_name UPDATE HISTOGRAM ON v1,v2 WITH 32 BUCKETS  PROPERTIES(    "histogram_mcv_size" = "32",    "histogram_sample_ratio" = "0.5" );