跳到主要内容
跳到主要内容

统计信息

从 2.0 版本开始,Doris 在优化器中加入了 CBO 的能力。统计信息是 CBO 的基石,其准确性直接决定了代价估算的准确性,对于选择最优 Plan 至关重要。本文是 Doris 2.1 版本的统计信息使用指南,主要介绍统计信息的收集和管理方法、相关配置项以及常见问题。

统计信息的收集

从当前版本开始,Doris 收集统计信息的对象是列。它会在表级别收集每一列的统计信息,收集的内容包括:

信息描述
row_count总行数
data_size列的总数据量
avg_size_byte列的平均每行数据量
ndv不同值数量
min最小值
max最大值
null_count空值数量

目前,系统仅支持收集基本类型列的统计信息,包括 BOOLEAN、TINYINT、SMALLINT、INT、BIGINT、LARGEINT、FLOAT、DOUBLE、DATE、DATETIME、STRING、VARCHAR、TEXT 等。

复杂类型的列会被跳过,包括 JSONB、VARIANT、MAP、STRUCT、ARRAY、HLL、BITMAP、TIME、TIMEV2 等。

统计信息的收集方式有手动和自动两种,收集的结果会保存在 internal.__internal_schema.column_statistics 表中。下面将详细介绍这两种收集方式。

手动收集

Doris 支持用户通过提交 ANALYZE 语句来手动触发统计信息的收集和更新。

1. 语法

ANALYZE < TABLE table_name > | < DATABASE db_name > 
[ (column_name [, ...]) ]
[ [ WITH SYNC ] [ WITH SAMPLE PERCENT | ROWS ] ];

其中各参数解释如下:

  • table_name: 指定要收集统计信息的目标表。

  • column_name: 指定要收集统计信息的目标列。这些列必须存在于 table_name 中,多个列名称之间用逗号分隔。如果不指定列名,则会对表中的所有列进行统计信息的收集。

  • sync:选择同步收集统计信息。如果指定此选项,收集完成后才会返回结果;如果不指定,则会异步执行并返回一个 JOB ID,用户可以通过该 JOB ID 查看收集任务的状态。

  • sample percent | rows:选择抽样收集统计信息。可以指定抽样比例或者抽样行数。如果不指定 WITH SAMPLE,则会对表进行全量采样。对于较大的表(例如超过 5 GiB),从集群资源利用的角度出发,通常建议采用抽样收集。为了保证统计信息的准确性,采样的行数建议不低于 400 万行。

2. 示例

对 lineitem 表的所有列进行全量收集:

ANALYZE TABLE lineitem;

对 tpch100 数据库中所有表的所有列进行全量收集:

ANALYZE DATABASE tpch100;

对 lineitem 表的所有列按照 10% 的比例进行抽样收集(注意这里应更改为 PERCENT 以符合语法说明):

ANALYZE TABLE lineitem WITH SAMPLE ROWS 100000;

对 lineitem 表的 l_orderkeyl_linenumber 列按照采样 100000 行进行收集:

ANALYZE TABLE lineitem (l_orderkey, l_linenumber) WITH SAMPLE ROWS 100000;

自动收集

自动收集功能自 2.0.3 版本起开始支持,且默认全天开启。用户可以通过设置 ENABLE_AUTO_ANALYZE 变量来控制该功能的启用或停用:

SET GLOBAL ENABLE_AUTO_ANALYZE = TRUE; // 打开自动收集
SET GLOBAL ENABLE_AUTO_ANALYZE = FALSE; // 关闭自动收集

在启用状态下,后台线程会定期扫描集群中 InternalCatalog 下的所有库表。对于需要收集统计信息的表,系统会自动创建并执行收集作业,无需用户手动干预。

需要注意的是,为避免自动收集对大宽表造成过多资源占用,默认不收集宽度超过 100 列的表。用户可以通过修改 Session 变量 auto_analyze_table_width_threshold 的值来调整这一宽度上限,例如将其设置为 120:

SET GLOBAL auto_analyze_table_width_threshold = 120;

自动收集的默认轮询间隔为 5 分钟(此间隔可通过 fe.conf 中的 auto_check_statistics_in_minutes 配置项进行调整)。默认情况下,集群启动 5 分钟后开始第一轮遍历。当所有需要收集的表完成收集后,后台线程会休眠 5 分钟,然后开启第二轮遍历,以此类推。因此不能保证一张表在 5 分钟内一定能收集到统计信息,因为遍历一轮库表的时间是不确定的。在表较多且数据量较大的情况下,遍历一轮的时间可能会较长。

当轮询到一张表时,系统会首先判断该表是否需要收集统计信息。如果需要,则创建收集作业并开始收集;否则,跳过该表并继续轮询下一张。以下任意条件满足时,表明该表需要重新收集统计信息:

  1. 表中存在无统计信息的列;

  2. 表的健康度低于阈值(默认为 60,可通过 table_stats_health_threshold 变量进行调整)。健康度表示从上次收集统计信息到当前时刻,表中数据保持不变的比例:100 表示完全没有变化;0 表示全部改变;当健康度低于 60 时,表示当前的统计信息已有较大偏差,需要重新收集。通过健康度评估,可以降低不必要的重复收集,从而节省系统资源。

为了降低后台作业的开销并提高收集速度,自动收集采用采样收集方式,默认采样 4194304(2^22)行。如果用户希望采样更多行以获得更准确的数据分布信息,可通过调整参数 huge_table_default_sample_rows 来增加采样行数。

如果担心自动收集作业会对业务造成干扰,可根据自身需求通过设置参数 auto_analyze_start_timeauto_analyze_end_time 来指定自动收集作业在业务负载较低的时间段内执行。此外,也可以通过将参数 enable_auto_analyze 设置为 false 来完全停用此功能。

SET GLOBAL auto_analyze_start_time = "03:00:00"; // 把起始时间设置为凌晨3点
SET GLOBAL auto_analyze_end_time = "14:00:00"; // 把终止时间设置为下午2点

外表收集

外表通常为 Hive、Iceberg、JDBC 以及其他类型的表。

  • 在手动收集方面,Hive, Iceberg 和 JDBC 表均支持手动收集统计信息。其中,Hive 表支持手动进行全量和采样收集,而 Iceberg 和 JDBC 表则仅支持手动全量收集。其他类型的外表则不支持手动收集统计信息。

  • 在自动收集方面,当前仅 Hive 表提供支持。

需要注意的是,外部 Catalog 默认情况下不参与自动收集。这是因为外部 Catalog 通常包含大量历史数据,如果进行自动收集,可能会占用过多资源。然而,你可以通过设置 Catalog 的属性来启用或禁用外部 Catalog 的自动收集功能。

ALTER CATALOG external_catalog SET PROPERTIES ('enable.auto.analyze'='true'); // 打开自动收集
ALTER CATALOG external_catalog SET PROPERTIES ('enable.auto.analyze'='false'); // 关闭自动收集

外表没有健康度的概念。在启用了 Catalog 的自动收集属性后,为了避免频繁收集,对于一张外表,系统默认在 24 小时之内只对其进行一次自动收集。你可以通过 external_table_auto_analyze_interval_in_millis 变量来控制外表的最小收集时间间隔。

在默认状态下,外表不会收集统计信息。但是对于 Hive 和 Iceberg 表,系统会尝试通过 Hive Metastore 和 Iceberg API 来获取行数信息。

1. 对于 Hive 表

系统首先尝试从 Hive 表的 Parameters 中获取 numRowstotalSize 的信息:

  • 如果找到 numRows,则将其值作为表的行数。

  • 如果没有找到 numRows,但找到了 totalSize 信息,则根据表的 Schema 和 totalSize 来估算表的行数。

  • 如果 totalSize 也没有,则默认情况下无法获取行数。用户可以通过设置以下变量(默认为 false)来启用这一功能:

    SET GLOBAL enable_get_row_count_from_file_list = TRUE

    在 2.1.5 版本之后,该参数的默认值变为 true。但是从旧版本升级后,其值不会自动更改,如果需要,可以手动修改。启用后,系统会根据 Hive 表对应的文件大小和 Schema 来估算行数。由于获取所有文件大小是一个较重的操作,为了避免过度占用系统资源,这个开关默认是关闭的。

2. 对于 Iceberg 表

系统会调用 Iceberg 的 snapshot API 来获取 total-recordstotal-position-deletes 信息,以计算表的行数。

3. 对于其他外表

系统目前不支持行数的自动获取和估算。

用户可以通过以下命令来查看外表估算的行数(见 2.4 查看表信息概况):

SHOW table stats table_name;
  • 如果 row_count 显示为 -1,则表示未能获取到行数信息。

  • 如果 row_count 显示为 0,但表不为空,用户可以多次执行上述命令以获取最终结果。因为这个操作是从缓存中获取数值,如果缓存为空,则需要异步执行 Hive 和 Iceberg 表的估算逻辑。在估算完成之前,row_count 会显示为 0。

统计信息作业管理

查看统计作业

通过 SHOW ANALYZE 来查看统计信息收集作业的信息。目前,系统仅保留 20000 个历史作业的信息。请注意,仅异步作业的信息可通过该命令查看,同步作业(使用 WITH SYNC)不保留历史作业信息。

1. 语法:

SHOW [AUTO] ANALYZE < table_name | job_id >
[ WHERE STATE = < "PENDING" | "RUNNING" | "FINISHED" | "FAILED" > ];
  • AUTO:展示自动收集历史作业信息。如果不指定,则展示手动 ANALYZE 历史作业信息。

  • table_name:表名,指定后可查看该表对应的统计作业信息。可以是 db_name.table_name 形式。不指定时返回所有统计作业信息。

  • job_id:统计信息作业 ID,执行 ANALYZE 异步收集时得到。不指定 ID 时,此命令返回所有统计作业信息。

2. 输出结果

包含以下列:

列名说明
job_id统计作业 ID
catalog_nameCatalog 名称
db_name数据库名称
tbl_name表名称
col_name列名称列表(index_name:column_name)
job_type作业类型
analysis_type统计类型
message作业信息
state作业状态
progress作业进度
schedule_type调度方式
start_time作业开始时间
end_time作业结束时间

3. 示例:

mysql show analyze 245073\G;
*************************** 1. row ***************************
job_id: 93021
catalog_name: internal
db_name: tpch
tbl_name: region
col_name: [region:r_regionkey,region:r_comment,region:r_name]
job_type: MANUAL
analysis_type: FUNDAMENTALS
message:
state: FINISHED
progress: 3 Finished | 0 Failed | 0 In Progress | 3 Total
schedule_type: ONCE
start_time: 2024-07-11 15:15:00
end_time: 2024-07-11 15:15:33

查看统计任务

每个收集作业可包含一到多个任务,且每个任务对应一列的收集。用户可通过以下命令查看具体每列的统计信息收集完成情况。

1. 语法

SHOW ANALYZE TASK STATUS [job_id]

2. 示例

mysql> show analyze task status 93021;
+---------+-------------+------------+---------+------------------------+-----------------+----------+
| task_id | col_name | index_name | message | last_state_change_time | time_cost_in_ms | state |
+---------+-------------+------------+---------+------------------------+-----------------+----------+
| 93022 | r_regionkey | region | | 2024-07-11 15:15:33 | 32883 | FINISHED |
| 93023 | r_comment | region | | 2024-07-11 15:15:33 | 32883 | FINISHED |
| 93024 | r_name | region | | 2024-07-11 15:15:33 | 32883 | FINISHED |
+---------+-------------+------------+---------+------------------------+-----------------+----------+

查看统计信息

用户可以通过 SHOW COLUMN STATS 命令来查看已经收集的列统计信息。

1. 语法

SHOW COLUMN [cached] STATS table_name [ (column_name [, ...]) ];

其中:

  • cached: 展示当前 FE 内存缓存中的统计信息。

  • table_name: 收集统计信息的目标表,可以是 db_name.table_name 形式。

  • column_name: 指定的目标列,必须是 table_name 中存在的列,多个列名称用逗号分隔。如不指定,则展示所有列的信息。

2. 示例

mysql> show column stats region (r_regionkey)\G
*************************** 1. row ***************************
column_name: r_regionkey
index_name: region
count: 5.0
ndv: 5.0
num_null: 0.0
data_size: 20.0
avg_size_byte: 4.0
min: 0
max: 4
method: FULL
type: FUNDAMENTALS
trigger: MANUAL
query_times: 0
updated_time: 2024-07-11 15:15:33
1 row in set (0.36 sec)

查看表信息概况

通过 SHOW TABLE STATS 查看表的统计信息收集概况。

1. 语法

SHOW TABLE STATS table_name;

其中:table_name: 目标表表名。可以是 db_name.table_name 形式。

2. 输出结果

包含以下列:

列名说明
updated_rows自上次 ANALYZE 以来该表的更新行数
query_times保留列,用于在后续版本中记录该表的查询次数
row_count表的行数(可能不反映命令执行时的准确行数)
updated_time上次统计信息的更新时间
columns已收集统计信息的列
trigger统计信息触发的方式
new_partition是否有新分区首次导入了数据
user_inject用户是否手动注入了统计信息

3. 示例

mysql> show column stats region (r_regionkey)\G
*************************** 1. row ***************************
column_name: r_regionkey
index_name: region
count: 5.0
ndv: 5.0
num_null: 0.0
data_size: 20.0
avg_size_byte: 4.0
min: 0
max: 4
method: FULL
type: FUNDAMENTALS
trigger: MANUAL
query_times: 0
updated_time: 2024-07-11 15:15:33
1 row in set (0.36 sec)

终止统计作业

通过 KILL ANALYZE 来终止当前正在运行的异步统计作业。

1. 语法

KILL ANALYZE job_id;

其中:job_id:表示统计信息作业的 ID。这是执行 ANALYZE 异步收集统计信息时返回的值,也可以通过 SHOW ANALYZE 语句获取。

2. 示例

终止 ID 为 52357 的统计作业。

mysql> KILL ANALYZE 52357;

删除统计信息

如果某个 Catalog、Database 或 Table 被删除,用户无需手动删除其统计信息,因为后台会定期清理这些信息。

然而对于仍然存在的表,系统不会自动清除其统计信息。此时需要用户手动进行删除操作,语法如下:

DROP STATS table_name

会话变量及配置项

会话变量

会话变量说明默认值
auto_analyze_start_time自动统计信息收集的开始时间0:00:00
auto_analyze_end_time自动统计信息收集的结束时间23:59:59
enable_auto_analyze是否开启自动收集功能TRUE
huge_table_default_sample_rows对大表进行采样时的行数4194304
table_stats_health_threshold取值范围 0-100,表示自上次统计信息收集后,数据更新达到 (100 - table_stats_health_threshold)%时,认为统计信息已过时60
auto_analyze_table_width_threshold控制自动统计信息收集处理的最大表宽度,超过此列数的表不参与自动统计信息收集100
enable_get_row_count_from_file_listHive 表是否通过文件大小来估算行数FALSE(2.1.5 之后默认为 TRUE)

FE 配置项

备注

以下 FE 配置项在通常情况下无需特别关注

FE 配置项说明默认值
analyze_record_limit控制统计信息作业执行记录的持久化行数20000
stats_cache_sizeFE 侧统计信息缓存的条数500000
statistics_simultaneously_running_task_num可同时执行的异步统计作业数量3
statistics_sql_mem_limit_in_bytes控制每个统计信息 SQL 可占用的 BE 内存大小2L 1024 1024 (2GiB)

常见 FAQ

Q1:如何查看一张表是否收集了统计信息以及内容是否正确?

首先,执行 show column stats table_name 查看是否有统计信息输出。

其次,执行 show column cached stats table_name 查看缓存中是否加载了该表的统计信息。

mysql> show column stats test_table\G
Empty set (0.02 sec)

mysql> show column cached stats test_table\G
Empty set (0.00 sec)

上图显示结果为空,说明 test_table 表目前没有统计信息。如果有统计信息,结果将类似以下内容:

mysql> show column cached stats mvTestDup;
+-------------+------------+-------+------+----------+-----------+---------------+------+------+--------+--------------+---------+-------------+---------------------+
| column_name | index_name | count | ndv | num_null | data_size | avg_size_byte | min | max | method | type | trigger | query_times | updated_time |
+-------------+------------+-------+------+----------+-----------+---------------+------+------+--------+--------------+---------+-------------+---------------------+
| key1 | mvTestDup | 6.0 | 4.0 | 0.0 | 48.0 | 8.0 | 1 | 1001 | FULL | FUNDAMENTALS | MANUAL | 0 | 2024-07-22 10:53:25 |
| key2 | mvTestDup | 6.0 | 4.0 | 0.0 | 48.0 | 8.0 | 2 | 2001 | FULL | FUNDAMENTALS | MANUAL | 0 | 2024-07-22 10:53:25 |
| value2 | mvTestDup | 6.0 | 4.0 | 0.0 | 24.0 | 4.0 | 4 | 4001 | FULL | FUNDAMENTALS | MANUAL | 0 | 2024-07-22 10:53:25 |
| value1 | mvTestDup | 6.0 | 4.0 | 0.0 | 24.0 | 4.0 | 3 | 3001 | FULL | FUNDAMENTALS | MANUAL | 0 | 2024-07-22 10:53:25 |
| mv_key1 | mv1 | 6.0 | 4.0 | 0.0 | 48.0 | 8.0 | 1 | 1001 | FULL | FUNDAMENTALS | MANUAL | 0 | 2024-07-22 10:53:25 |
| value3 | mvTestDup | 6.0 | 4.0 | 0.0 | 24.0 | 4.0 | 5 | 5001 | FULL | FUNDAMENTALS | MANUAL | 0 | 2024-07-22 10:53:25 |
+-------------+------------+-------+------+----------+-----------+---------------+------+------+--------+--------------+---------+-------------+---------------------+
6 rows in set (0.00 sec)

在有统计信息的情况下,可以通过手动执行 SQL 来验证统计信息的准确性。

Select count(1), ndv(col1), min(col1), max(col1) from table

如果 countndv 的误差在一个数量级以内,那么准确度基本可以接受。

Q2:为什么一张表一直没有自动收集统计信息?

首先,查看自动收集功能是否打开:

Show variables like "enable_auto_analyze"  // 如果是 false,需要设置为 true:
Set global enable_auto_analyze = true

如果已经是 true,再确认一下表的列数。如果超过auto_analyze_table_width_threshold的值,则这个表不会参与自动收集。此时,需要修改这个值,使其大于当前表的列数:

Show variables like "auto_analyze_table_width_threshold"  // 如果 Value 小于表的宽度,可以修改:
Set global auto_analyze_table_width_threshold=200

如果列数没有超过阈值,可以执行show auto analyze,检查是否有其他收集任务正在执行(处于 running 状态)。由于自动收集是单线程串行执行,会轮询所有库表,因此执行周期可能较长。

Q3:为什么部分列没有统计信息?

目前,系统仅支持收集基本类型列的统计信息。对于复杂类型的列,如 JSONV、VARIANT、MAP、STRUCT、ARRAY、HLL、BITMAP、TIME 以及 TIMEV2 等系统会选择跳过。

Q4:报错 "Stats table not available, please make sure your cluster status is normal"

出现这种报错通常意味着内部统计信息表处于不健康状态。

首先,需要检查集群中所有的 BE(Backend)是否都处于正常状态,确保所有 BE 都在正常工作。

其次,执行以下语句,以获取到所有的 tabletId(输出结果的第一列)。

show tablets from internal.__internal_schema.column_statistics;

接着,通过 tablet_id 逐一查看每个 tablet 是否正常:

ADMIN DIAGNOSE TABLET tablet_id

如果发现有不正常的 tablet,需要先进行修复,再重新收集统计信息。

Q5:如何解决统计信息收集不及时问题?

自动收集的时间间隔具有不确定性,它与系统中表的数量及表的大小均有关联。若情况紧急,建议对表进行手动 analyze 操作。

若在导入大量数据后仍未触发自动收集,可能需要调整 table_stats_health_threshold 参数。其默认值为 60,意味着表的数据变化量需超过 40%(即 100 - 60)才会触发自动收集。可适当提高此值,例如设为 80,这样当表中数据变化量超过 20% 时,便会重新收集统计信息。

Q6:自动收集时资源占用太多,该如何解决?

自动收集采用采样方式,无需全量扫描表数据,且自动收集任务以单线程串行执行,通常系统资源占用可控,不会对正常查询任务造成影响。

对于某些特殊表,如分区众多的表或单个 Tablet 体积庞大的表,可能会出现内存占用较多的情况。

建议用户在建表时合理规划 Tablet 数量,避免产生超大 Tablet。若 Tablet 结构不易调整,建议在系统低峰期开启自动收集,或于低峰期手动收集这些大表,以免在高峰期影响业务运行。在 Doris 3.x 系列中,我们将针对此类场景进行优化。