第3.1章：StarRocks数据导入——Insert into 同步模式-Toy模板网

这篇具有很好参考价值的文章主要介绍了第3.1章：StarRocks数据导入——Insert into 同步模式。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一、概述

在StarRocks中，insert的语法和mysql等数据库的语法类似，并且每次insert into操作都是一次完整的导入事务。

主要的 insertInto 命令包含以下两种：

insert into tbl select ...
insert into tbl (col1, col2, ...) values (1, 2, ...), (1,3, ...);

其中第二种命令仅用于demo，不要使用在测试或生产环境中。在StarRocks中，例如使用JDBC或者insertInto导入时，插入1000条左右时很快有类似报错：close index channel failed，主要原因是导入太频繁了，需要降频率攒批导入。

二、高频insert 报错的原因

StarRocks中的数据组织图如下：

第3.1章：StarRocks数据导入——Insert into 同步模式,# StarRocks,sql,数据库

StarRocks中的分区分桶与tablet之间的关系为： table -- > partition --> tablet(物理描述，tablet数据分片是数据划分的最小逻辑单元)

分区是逻辑上的概念，只记录在表的元数据中，每个分区的数据会按照分桶键进行hash分桶，表中的数据经过分区分桶后，就会形成一个个的tablet，且尽量均匀分布在集群的各个BE中。 tablet是StarRocks中数据均衡的最小单位，默认的三副本是指同一个 tablet会在集群中保留三份，每个tablet之间的数据没有交集，在物理上独立存储。集群的副本修复或磁盘均衡，均是以tablet为单位移动或者克隆的。且每次的数据导入、更新或者删除，本质上也是对一个个tablet中的数据进行操作。

StarRocks中的分区分桶见：

第2.4章 StarRocks表设计——分区分桶与副本数-CSDN博客文章浏览阅读504次，点赞21次，收藏9次。2.4 StarRocks表设计——分区分桶与副本数https://blog.csdn.net/SHWAITME/article/details/136140126?spm=1001.2014.3001.5501

一个tablet中包含若干连续的rowset(rowset是逻辑概念)，rowset代表tablet中一次数据变更的数据集合（数据变更包括了数据新增，更新或删除等），它是按版本信息进行记录的，每次变更就会生成一个新版本的rowset。一个rowset底层可能会包含多个segment，执行数据导入时，每成功写入一个segment就会增加一个文件块对应。

Segment的概念比较底层（这里不展开），可以借鉴Doris底层存储结构：

https://blog.csdn.net/SHWAITME/article/details/136155008?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22136155008%22%2C%22source%22%3A%22SHWAITME%22%7D文章浏览阅读340次，点赞7次，收藏6次。Doris存储层设计介绍1——存储结构设计解析（索引底层结构）https://blog.csdn.net/SHWAITME/article/details/136155008?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22136155008%22%2C%22source%22%3A%22SHWAITME%22%7D

对上文提到的数据导入报错close index channel failed进一步解析。在StarRocks中，每次insert into本质都是一次完整的导入事务，即：insert into实际上会在tablet内部生成一个个连续版本号的rowset，对于新增的rowset，起始版本和终止版本是一样的，表示为[ 6-6]、[ 7-7]....[999-999]等。多个 rowset经过compaction会形成一个大的rowset。合并后的起始版本和终止版本是多个版本的并集，如[ 6-6]、[ 7-7]、[8-8]合并后变成 [6-8]。一旦表的某个tablet中同时存在rowset个数达到1000，就会到达阈值，即触发上述报错。

三、降低导入频率

单个tablet中的rowset版本个数过多会什么影响？主要影响两个方面，一个是内存的占用，当rowset的版本过多时，be节点的table_meta部分（主要是其中的rowset元数据部分）占用的内存可能非常多。同时compaction合并消耗内存也会比较大，容易引起oom，影响集群稳定性；二是查询会变慢，因为查询的过程中是需要对tablet中的数据进行解压的，当rowset版本很多，解压会变慢，导致查询scan的耗时增加。综上考虑，StarRocks设置了单表中每个tablet最大阈值为1000的限制。

针对insert into 数据频繁导入引发的rowset版本过多的问题，StarRocksc是利用compaction解决的。compaction可以认为是一个后台的常驻线程，不断的将tablet中的rowset版本进行合并，将小文件合并成有序的大文件。

StarRocks中的compaction操作，分为base compaction（BC）和cumulative compaction

（CC）。其中cumulative compaction（简称CC）负责将多个最新导入的增量数据进行合并，当增量数据合并后的大小达到一定阈值后，base compaction（简称BC）将基线版本（起始版本start version为0的数据）和与该增量数据版本合并。BC操作因为涉及到基线数据，而基线数据通常比较大，所以操作耗时会比CC长。

BC和CC之间的分界线是cumulative point （cp），它是一个动态变化的版本号，比cp小的数据版本只能触发BC，而比CP大的数据版本，只会触发CC。如下图：

第3.1章：StarRocks数据导入——Insert into 同步模式,# StarRocks,sql,数据库

上述分析得出，在StarRocks集群运行时，对表的数据变更操作会不断地产生新版本rowset，后台的常驻线程compaction负责将tablet中的rowset版本进行合并，进而保证集群的整体稳定高效。

综上，快速insert into导致报错：close index channel failed的原因可以总结为：短时间内生成的rowset版本太快，如果compaction不及时，就会造成大量版本堆积，导致累计版本超过了超过了1000，进而触发阈值报错。故为了保障集群的稳定运行及查询效率，需要确保整体的compaction效率要大于rowset的生成速率。容易想到的解决思路一是：部分场景下通过调整compaction的几个参数来加速compaction，例如在be.conf中配置以下参数（配置后需重启BE）：

#==每个磁盘 Cumulative Compaction 线程的数目(默认是1)
cumulative_compaction_num_threads_per_disk = 4

#==每个磁盘 Base Compaction 线程的数目(默认是1)
base_compaction_num_threads_per_disk = 2

#==Cumulative Compaction 线程轮询的间隔(单位是秒，默认值是1)
cumulative_compaction_check_interval_seconds = 2

弊端是：compaction任务本身比较耗费cpu,内存和磁盘IO资源，compaction开启的过多会占用过多的机器资源，也会影响查询性能，还可能会造成OOM。上述报错还是需要从数据导入频率这个入手。

理论上，每次导入操作，不论是只导入一条还是十万、百万条，对于StarRocks来说，都是只生成一个新的roswet版本。那么在compaction效率有限的情况下，完全可以通过“攒微批+降频率”来规避roswet版本过多的问题。实际上，若业务实时性要求不高，在机器内存充足的情况下，攒批越大、导入频率越低，对StarRocks集群的稳定性及查询性能的影响就越小。

ps：在StarRocks中有更快的攒批导入方式，即Stream Load

从本地文件系统导入 | StarRocks

STREAM LOAD | StarRocks

compaction合并机制见文章：

第3.2章：Doris数据导入——Compaction机制（1）-CSDN博客文章浏览阅读342次，点赞11次，收藏9次。第3.2章：Doris数据导入——Compaction机制（1）https://blog.csdn.net/SHWAITME/article/details/136172846

四、insert替代用法

可以概括总结为以下几点：

高频率小数据：insert into或者JDBC的executeUpdate()方法就完全不要用；
低频率小数据：insert into导入几条测试数据可以用，但注意频率；
低频率较大数据：insert into tbl values(data1),(data2)……或者类似JDBC executeBatch()方法，可以用,但不推荐，因为有更快的实现方式；
StarRocks系统内部进行ETL，推荐使用 insert into select 语法；
便捷导入其他系统的数据，推荐使用外部表，例如：先构建mysql外部表去映射mysql系统中的数据，通过 insert into select 语法将外部表中的数据导入到 StarRocks表中。

五、insert使用与调优

5.1严格模式

insert into是一种同步的导入方式，导入成功会直接显示导入结果。如果导入失败，insert也会返回错误信息，例如我们导入错误时间格式的数据（数据漏加引号）：

第3.1章：StarRocks数据导入——Insert into 同步模式,# StarRocks,sql,数据库

（1）针对tracking_url，使用web或者curl命令访问tracking_url，可以查看更详细的错误信息：显示报错原因是：格式不对，强转为null引起的问题，接着可以去排查数据格式。

（2）严格模式enable_insert_strict：当该参数为false时（关闭严格模式），表示一次insert任务只要有一条或以上数据被正确导入，就返回成功。当该参数设置为true时，表示但凡有一条数据错误，则任务整体失败，该参数默认为true。例如：set global enable_insert_strict = false;

ps：当关闭严格模式后，insert即使有错误数据，但只要有一条数据是正常可用的，就会忽视脏数据，保证可用数据的正常导入。此外，enable_insert_strict参数是session参数（当前会话生效），断开当前session后，该参数就会失效，若需要全局修改，可以加上global。

5.2并行度

insert导入语句本质上还是sql，可以通过设置合适的并行度来进行加速。例如可以设置全局并行度为单个BE节点的cpu核数的一半。假设部署的BE服务器core数是16C，那set global parallel_fragment_exec_instance_num = 8。注意：有些场景下，例如：insert into select语句进行StarRocks系统内部的ETL或者通过外部表来拉取数据，当速度过快。一方面可能导致源库压力过大影响源库中的业务，另一方面会导致StarRocks BE的load内存和ColumnPool内存占用较高，影响集群稳定性。所以需要结合实际情况，来设置合适的并行度控制导入速率