Databend 是一个开源的、完全面向云架构的新式数仓，它提供快速的弹性扩展能力，并结合云的弹性、简单性和低成本，使 Data Cloud 构建变得更加容易。 Databend 把数据存储在像 AWS S3 ，Azure Blob 这些云上的存储系统，可以使不同的计算节点挂载同一份数据，从而做到较高的弹性，实现对资源的精细化控制。
Databend architecture
Databend 是一个开源的、完全面向云架构的新式数仓，它提供快速的弹性扩展能力，并结合云的弹性、简单性和低成本，使 Data Cloud 构建变得更加容易。 Databend 把数据存储在像 AWS S3 ，Azure Blob 这些云上的存储系统，可以使不同的计算节点挂载同一份数据，从而做到较高的弹性，实现对资源的精细化控制。 Databend 在设计上专注以下能力：
- 弹性 在 Databend 中，存储和计算资源可以按需、按量弹性扩展。
- 安全 Databend 中数据文件和网络传输都是端到端加密，并在 SQL 级别提供基于角色的权限控制。
- 易用 Databend 兼容 ANSI SQL，并可以使用 MySQL 和 ClickHouse 客户端接入，几乎无学习成本。
- 成本 Databend 处理查询非常高效，用户只需要为使用的资源付费。
上图是 Databend 的整体架构图，整个系统主要由三大部分组成：Meta service layer、Compute Layer 和 Storage Layer。
1、Meta Service Layer
- Meta Service 是一个多租户、高可用的分布式 key-value 存储服务，具备事务能力，主要用于存储：
- Metadata : 表的元信息、索引信息、集群信息、事务信息等。
- Administration：用户系统、用户权限等信息。
- Security ：用户登录认证、数据加密等。
2、Compute Layer
计算层由多个集群（cluster）组成，不同集群可以承担不同的工作负载，每个集群又有多个计算节点（node）组成，你可以轻松的添加、删除节点或集群，做到资源的按需、按量管理。 计算节点是计算层的最小构成单元，其中每个计算节点包含以下几个组件： 执行计划 （Planner） 根据用户输入的 SQL 生成执行计划，它只是个逻辑表达，并不能真正的执行，而是用于指导整个计算流水线（Pipeline）的编排与生成。 比如语句
SELECT number + 1 FROM numbers_mt(10) WHERE number > 8 LIMIT 2
执行计划：
databend :) EXPLAIN SELECT number + 1 FROM numbers_mt(10) WHERE number > 8 LIMIT 2
┌─explain────────────────────────────────────────────────────────────────────────────────────────────┐
│ Limit: 2 │
│ Projection: (number + 1):UInt64 │
│ Expression: (number + 1):UInt64 (Before Projection) │
│ Filter: (number > 8) │
│ ReadDataSource: scan partitions: [1], scan schema: [number:UInt64], statistics: [read_rows: 10, read_bytes: 80] │
└────────────────────────────────────────────────────────────────────────────────────────────────┘
这个执行计划自下而上分别是 ：
ReadDataSource：表示从哪些文件里读取数据
Filter: 表示要做 (number > 8) 表达式过滤
Expression: 表示要做 (number + 1) 表达式运算
Projection: 表示查询列是哪些
Limit: 表示取前 2 条数据
优化器 （Optimizer）
对执行计划做一些基于规则的优化（A Rule Based Optimizer）, 比如做一些谓词下推或是去掉一些不必要的列等，以使整个执行计划更优。
处理器 （Processors）
处理器（Processor）是执行计算逻辑的核心组件。根据执行计划，处理器们被编排成一个流水线（Pipeline），用于执行计算任务。 整个 Pipeline 是一个有向无环图，每个点是一个处理器，每条边由处理器的 InPort 和 OutPort 相连构成，数据到达不同的处理器进行计算后，通过边流向下一个处理器，多个处理器可以并行计算，在集群模式下还可以跨节点分布式执行，这是 Datafuse 高性能的一个重要设计。
例如，我们可以通过 EXPLAIN PIPELINE 来查看：
databend :) EXPLAIN PIPELINE SELECT number + 1 FROM numbers_mt(10000) WHERE number > 8 LIMIT 2
┌─explain───────────────────────────────────────────────────────────────┐
│ LimitTransform × 1 processor │
│ Merge (ProjectionTransform × 16 processors) to (LimitTransform × 1) │
│ ProjectionTransform × 16 processors │
│ ExpressionTransform × 16 processors │
│ FilterTransform × 16 processors │
│ SourceTransform × 16 processors │
└───────────────────────────────────────────────────────────────────────┘
同样，理解这个 Pipeline 我们自下而上来看：
- SourceTransform：读取数据文件，16 个物理 CPU 并行处理
- ilterTransform：对数据进行 (number > 8) 表达式过滤，16 个物理 CPU 并行处理
- pressionTransform：对数据进行 (number + 1) 表达式执行，16 个物理 CPU 并行处理
- ojectionTransform：对数据处理生成最终列
- LimitTransform：对数据进行 Limit 2 处理，Pipeline 进行折叠，由一个物理 CPU 来执行
- Databend 通过 Pipeline 并行模型，并结合向量计算最大限度的去压榨 CPU 资源，以加速计算。
缓存 ( Cache )
计算节点使用本地 SSD 缓存数据和索引，以提高数据亲和性来加速计算。 缓存的预热方式有： LOAD_ON_DEMAND - 按需加载索引或数据块（默认）。 LOAD_INDEX - 只加载索引。 LOAD_ALL - 加载全部的数据和索引，对于较小的表可以采取这种模式。
3. Storage Layer
Databend 使用 Parquet 列式存储格式来储存数据，为了加快查找（Partition Pruning），Databend 为每个 Parquet 提供了自己的索引（根据 Primary Key 生成）： min_max.idx Parquet 文件 minimum 和 maximum 值 sparse.idx 以 N 条记录为颗粒度的稀疏索引 通过这些索引， 我们可以减少数据的交互，并使计算量大大减少。 假设有两个Parquet 文件：f1, f2，f1 的 min_max.idx: [3, 5] ；f2 的 min_max.idx: [4, 6] 。如果查询条件为：where x < 4 ， 我们只需要 f1 文件就可以，再根据 sparse.idx 索引定位到 f1 文件中的某个数据页。
项目地址
代码地址： https://github.com/datafuselabs/databend
项目官网： https://datafuse.rs
想了解我们更多可以关注公众号： Databend .
