大网数据广告活动
数据库部署与 SQL 参考

Routine Load导入原理及最佳实践

· 52CE 我爱测

本文将深入解析其实现原理,给出典型场景的最佳实践,并提供常见问题的排查思路,帮助用户快速上手并高效运维。

1. 概述

Routine Load 用于持续消费 Kafka 数据并写入 Apache Doris。用户可以通过创建 Routine Load Job,自动订阅指定的 Kafka Topic。其核心特性包括:

  • 高可用: 支持 7×24 小时不间断消费 Kafka 数据,且故障恢复后可自动恢复运行。
  • 低延迟: Kafka 消息可实现秒级可见。
  • Exactly Once 语义: 确保消费 Kafka 数据不丢不重,实现精确一次消费。

本文将深入解析其实现原理,给出典型场景的最佳实践,并提供常见问题的排查思路,帮助用户快速上手并高效运维。

阅读路径建议:

  1. 想了解工作机制 → 阅读 实现原理
  2. 想优化性能 → 阅读 最佳实践
  3. 遇到问题排查 → 阅读 常见问题排查

2. 实现原理

Kafka 数据以流形式存在,Doris 以「微批」(micro-batch)方式消费 Kafka 流式数据。创建 Routine Load Job 后,系统会根据配置的并发度将其拆分为多个 Task 并发执行,每个 Task 负责消费 Kafka Topic 中特定 Partition 的数据。每个 Task 对应一个事务,执行完成后会生成新的 Task 继续消费下一批数据。

下文从三个维度展开说明:

  • Job 与 Task 的调度机制
  • Exactly Once 语义的实现方式
  • 一流多表写入的执行流程

2.1 作业(Job)与任务(Task)调度

Routine Load 采用两级调度模型:

调度层级 职责
Job 调度 负责任务拆分、故障恢复与生命周期管理
Task 调度 负责将具体的数据拉取、转换与写入操作的任务分发到 BE 节点执行

2.1.1 Job 调度

Job 状态机

状态 含义
NEED_SCHEDULE 等待首次调度或需要重新调度
RUNNING 正常消费中
PAUSED 主动或异常暂停,可自动恢复
CANCELLED 因库/表被删除等不可恢复错误而终止
STOPPED 手动停止且不可恢复

调度行为

调度线程每周期(10s)根据 Job 状态执行以下动作:

  • NEED_SCHEDULE: 获取 Topic 元数据(Partition 数、起始 Offset),按以下公式拆分 Task,并将 Task 放入 needScheduleTasksQueue 等待 Task 调度线程开始调度:

    taskNum = min(topic_partition_num,
                  desired_concurrent_number,
                  max_routine_load_task_concurrent_num)
    
  • RUNNING: 周期获取 Topic 元数据,若 Partition 数变化立即重调度。

  • PAUSED: 为了确保作业的高可用性,引入了 auto-resume 机制。在非预期暂停的情况下,Routine Load Scheduler 调度线程会尝试自动恢复作业。对于 Kafka 侧的意外宕机或其他无法工作的情况,自动恢复机制可以确保在 Kafka 恢复后,无需人工干预,导入作业能够继续正常运行。需要注意的是,存在三种不会自动恢复的情况:

    1. 用户手动执行 PAUSE ROUTINE LOAD 命令。
    2. 数据质量存在问题。
    3. 无法自动恢复的情况,例如库表被删除。

    除上述三种情况外,其他暂停状态的作业都会尝试自动恢复。

  • CANCELLED / STOPPED: 延迟回收资源。

2.1.2 Task 调度

调度条件

Task 调度需要满足以下条件之一:

  • Task 未读到 Partition 末尾,即仍然还有数据可以消费,以避免无效占用资源。
  • 若上一次已读到 EOF,则距上次开始执行必须超过 max_batch_interval 才会发起新一轮调度,目的是在消费速度大于生产速度条件下适当攒批,防止生成太多的小事务。

负载均衡策略

调度器按以下顺序选择执行 Task 的 BE 节点:

  1. 优先选择当前运行 Task 数量最少的 BE。
  2. 若多个 BE 的 Task 数相同,则优先复用已缓存 Kafka Consumer 的节点,以减少初始化开销。

批边界(Batch Boundary)

任一条件满足即结束当前 Task:

  • 达到 max_batch_interval 定义的时间。
  • 达到 max_batch_rows 定义的行数。
  • 达到 max_batch_size 定义的 bytes 大小。
  • 读取到 Kafka EOF,即消费到流末尾。

Task 结束后提交事务,并立即生成新 Task 放入队列等待下一次调度,实现持续消费。

2.2 Exactly Once 语义

Routine Load 通过「持久化消费进度」+「提交校验」双重机制,确保 Kafka 数据不丢不重。

2.2.1 持久化消费进度

每个 Task 在事务提交时,将消费进度(progress)随事务信息一起写入 FE 的 edit log,利用 Berkeley DB JE 同步给所有 FE Follower。Master 切换/重启后,进度信息依旧准确。

2.2.2 提交校验

当 Job 因手动暂停、切主或 Topic 元数据变化被重调度时,可能短暂出现两个 Task 并发消费同一 Partition 的场景。为防止重复写入:

  • 每个 Job 在内存中维护 routineLoadTaskInfoList。
  • Task 提交前会校验自己是否仍在 routineLoadTaskInfoList 中,否则拒绝提交。

2.3 一流多表写入

一流多表用于单个 Routine Load Job 同时写入多张目标表,核心流程如下:

  1. 规划阶段: 由于目标表无法在创建 Job 时完全确定,执行计划会被延迟到运行时,由 BE 动态向 FE Master 获取。
  2. 数据缓存: BE 先将数据缓存在本地的 multi-table pipe。如果缓存至 200 条记录,或 5 张尚未请求执行计划的新表,就会发起执行计划请求并执行,防止数据积压。
  3. 执行计划复用: 同一事务内会复用已缓存的执行计划,事务间重新请求,保障元信息实时性。

3. 最佳实践

Routine Load 默认参数已满足绝大多数场景。仅在以下三种典型场景下需要手动调优:

场景 推荐修改参数
低延迟需求 将 max_batch_interval 由默认 60s 调小
小数据量、资源敏感 将 desired_concurrent_number 调小
高吞吐 将 max_batch_interval 由默认 60s 调大至 120-180s

4. 常见问题排查

4.1 数据堆积

按以下三步定位数据堆积原因并优化:

步骤 1:查看任务状态

通过 SHOW ROUTINE LOAD\G 查看任务状态,重点关注:

  • State 是否为 RUNNING,如果为其他状态,可查看 ReasonOfStateChanged 字段了解原因。
  • OtherMsg 是否有报错信息。

步骤 2:判断是否已触达吞吐上限

通过 BE 日志判断是否已触达吞吐上限。搜索 consumer group done 日志,其中的 left_time / left_rows / left_bytes 会显示最先触发的阈值,进而针对性调大 max_batch_size 或 max_batch_rows:

consumer group done: 894fc32d5b9d3e93-7387a02da6dafd88. consume time(ms)=34004, received rows=2679540, received bytes=2147484043, eos: 0, left_time: 25996, left_rows: 17320460, left_bytes: -395, blocking get time(us): 949236, blocking put time(us): 28730419, id=69616a41fc064f1e-a93ff0ddd217f0a0, job_id=48121487, txn_id=61763720, label=ods_hq_market_unique_jobs_0-48121487-69616a41fc064f1e-a93ff0ddd217f0a0-61763720, elapse(s)=34

上例中 left_bytes: -395 表示 34 秒内就因 max_batch_size 到达上限而结束批次。此时可适当调大 max_batch_size,让单个批次在 max_batch_interval 内尽量满载,以提升吞吐。

步骤 3:增加并发与吞吐量

  • 将 desired_concurrent_number 提高到与 Topic 的 Partition 数一致。
  • 适度增加 max_batch_interval(如 120s ~ 180s)/ max_batch_size / max_batch_rows 以提升单事务数据量,增加单批次数据量,减少事务开销。

4.2 任务异常暂停

Routine Load 内置自动恢复机制,绝大多数非预期暂停都会重试。若任务持续处于 PAUSED 且无法自动恢复,可执行 SHOW ROUTINE LOAD 并按以下方向排查:

  • 是否手动执行了 PAUSE ROUTINE LOAD。
  • 是否存在数据质量问题(如格式错误、字段缺失)。
  • Kafka 数据是否已经过期,报错 out of range。

5. FAQ

Q1:Routine Load 如何保证 Exactly Once 语义?

通过两个机制:(1)每个 Task 在事务提交时将消费进度写入 FE edit log 并通过 Berkeley DB JE 同步至所有 FE Follower;(2)Task 提交前会校验自己是否仍在 routineLoadTaskInfoList 中,否则拒绝提交,避免并发重复写入。

Q2:Job 进入 PAUSED 状态会自动恢复吗?

大多数非预期暂停都会自动恢复。但以下三种情况不会自动恢复:手动执行 PAUSE ROUTINE LOAD、数据质量问题、库表被删除等不可恢复错误。

Q3:Task 数量由什么决定?

由以下公式决定:taskNum = min(topic_partition_num, desired_concurrent_number, max_routine_load_task_concurrent_num)。

Q4:什么情况下需要调大 max_batch_interval?

在高吞吐场景下,将其由默认 60s 调大至 120s-180s,可让单事务数据量更大,减少事务开销,提升整体吞吐。

Q5:日志中出现 out of range 报错是什么意思?

表示 Kafka 中要消费的数据已经过期(被 Kafka 的保留策略清理),导致消费位点失效。需要检查 Kafka Topic 的保留时长,或重置 Routine Load 的消费起始 Offset。

本文来自 Apache Doris 文档贡献者,按 Apache 2.0 整理版式与相对链接,保留正文与代码。图示请参阅原文。作者与贡献记录。

资料来源与适用范围

资料来源
Apache Doris 文档贡献者
适用范围
master 文档快照(2026-11-16)
内容语言
中文;命令、路径和错误标识保留技术原文
本地收录日期
2026-11-16
授权说明
Apache 2.0

正文与所需资源由本站本地存储。查看来源及更新记录 ↗

请按适用版本和实际日志确认原因;本站没有对每一种系统或设备逐项执行文中的操作。