大数据（三）大数据技术栈发展史

清疚 2024-03-17 09:55 83阅读 0赞

## 一、总览 ##

大数据技术栈非常多估计大大小小多达上百种。但发展史、技术体系仍有迹可循。我们从**数据采集、清洗、应用3大步骤来看**，在每个步骤内部按照时序标识主流技术栈时间点。以此期望能给大家一个初步的映像。三大步骤如下：

*  **数据采集**：从数据源进行数据同步，大致分为：**主动查询DB数据批量（离线）同步、基于DB log数据变更（实时）同步**2大类。
 *  **数据清洗**：标准的ETL数据清洗，大致分为：**离线计算****（批处理）、实时计算（流处理）**2大类。
 *  **数据应用**：OLAP在线数据分析、报表、数据大屏、大数据查询服务API。

分步骤整体技术栈如下图所示：

![89d157039c192b3855f3479e5efd8d9f.jpeg][]

[回到顶部(go to top)][go to top]

## 二、技术栈 ##

### 2.1 数据集采 ###

如上图，数据采集可以归纳为两大类：离线查询同步、实时变更同步。如下图所示：

![4813158f0606777b7d1d0841f217c181.jpeg][]

#### 2.1.1 离线同步 ####

离线同步常见技术栈有：Sqoop、Flume、DataX。

2.1.1.1 Sqoop-2009

**1）介绍**

Sqoop是一款开源的工具，主要用于在**Hadoop**(Hive)与传统的数据库(mysql、postgresql...)间进行数据的传递。可以将关系型数据库（例如 ： MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。项目开始于2009年，最早是作为Hadoop的一个第三方模块存在，2012年Sqoop成为Apache顶级项目。2021年由于三年未更新，已被挪入apache attic（被淘汰的项目）。

**2）原理**

**JDBC直连，****会影响源库性能**。项目已过时，**除非是之前一直在用可以继续用，否则不建议使用**。

2.1.1.2 Flume-2009

**1）介绍**

Apache Flume 是一个分布式、高可靠、高可用的用来收集、聚合、转移不同来源的大量日志数据到中央数据仓库的工具。也是Apache顶级项目。

**2）同步原理**

![f5206fa0b4bfe908aa353013e9e95aa5.png][]

flume采集流模式进行数据实时采集。**适用于日志文件实时采集，特定文件传输场景使用。**

2.1.1.3 DataX-2019

**1）介绍**

DataX是阿里开源的，**异构数据源离线同步工具**，致力于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。

**2）同步原理**

![ca943a9befa54a393206a5c2166531dd.jpeg][]

为了解决异构数据源同步问题，DataX将复杂的网状的同步链路变成了星型数据链路，DataX作为中间传输载体负责连接各种数据源。当需要接入一个新的数据源的时候，只需要将此数据源对接到DataX，便能跟已有的数据源做到无缝数据同步。

数据库日志同步。适用于在异构数据库/文件系统之间高速交换数据，**是主流的离线同步工具，推荐使用**。

#### 2.1.2 实时同步 ####

2.1.2.1 Canal-2014

**1）介绍**

**canal \[kə'næl\]**，译意为水道/管道/沟渠，主要用途是基于 MySQL 数据库增量日志解析，提供增量数据订阅和消费。2014年，由Alibaba开源。

github:https://github.com/alibaba/canal,阿里巴巴 MySQL binlog 增量订阅&消费组件。

**2）同步原理**

数据库增量日志解析。**仅适用于Mysql数据同步，适用场景局限性过大，无法作为通用技术栈**。

2.1.2.2 Debezium-2015

**1）介绍**

RedHat(红帽公司) 开源的Debezium是一个将多种数据源实时变更数据捕获,形成数据流输出的开源工具。 它是一种CDC(Change Data Capture)工具，工作原理类似大家所熟知的 Canal, DataBus, Maxwell 等，是通过抽取数据库日志来获取变更的。

**2）同步原理**

![format_png][]

Debezium的工作原理是**利用数据库日志来捕获数据库更改事件，深度结合Kafka实现**。

2.1.2.3 FlinkCDC-2020

**1）介绍**

FlinkCDC是Apache Flink的一组源连接器，使用更改数据捕获(CDC)从不同的数据库摄取更改。项目诞生于2020年，底层也是封装的Debezium。

github: https://github.com/ververica/flink-cdc-connectors

**2）同步原理**

同Debezium。

#### 2.1.3 总结 ####

常见开源CDC方案比较如下：

![ef5046507a86c51cde600b02458edb59.png][]

如上图，如果需要做全量+增量同步，**FlinkCDC是一个不错的选择**。（支持的下游生态更丰富、操作更简单Flink SQL）

### 2.2 数据清洗 ###

数据清洗阶段是大数据的核心能力阶段，主要包含**计算(离线计算、实时计算)+存储（分布式存储）**，下面我们就从这两个方面来看有哪些主流技术栈。

![3d3e65f15bbcf35d32a88e200ebd3582.jpeg][]

如上图所示，Google在2003-2006之间发布了3篇始祖级论文：2003分布式文件系统GFS、2004分布式计算框架MapReduce、2006NoSQL数据库系统BigTable。之后在2006年发布了大数据平台Hadoop，自此这只黄色的可爱小象，驰骋在大数据领域，所向披靡。

#### 2.2.1 计算-离线计算（批计算） ####

![f0a0f207105a36a3e37f79a34cabf1c6.jpeg][]

离线计算领域Hadoop的MapReduce是始祖，有2个衍生技术栈：Pig和Hive。最后一个Spark相对Hadoop MapReduce性能上有极大提升。

2.2.1.1 Hadoop MapReduce-2006

**1）介绍**

Hadoop MapReduce是一个**软件框架**，可以轻松地编写应用程序，以可靠，容错的方式**并行处理**大型硬件集群（数千个节点）上的大量数据（多TB数据集）。

**2）原理**

MapReduce 作业通常将输入数据集拆分为独立的块，这些任务由地图任务以完全并行的方式进行处理。框架对地图的输出进行排序，然后将其输入到reduce任务。

2.2.1.2 Pig-2007

**1）介绍**

为了简化MapReduce开发的流程，Yahoo工程师发明了Pig，后捐给了Apache。只需编写Pig Latin脚本语言,系统自动转化成mapreduce执行。**pig****不是主流技术栈，不建议使用。**

**2）原理**

![format_png 1][]

Apache PIG提供一套高级语言平台，用于对结构化与非结构化数据集进行操作与分析。这种语言被称为Pig Latin，其属于一种脚本形式，可直接立足于PIG shell执行或者通过Pig Server进行触发。用户所创建的脚本会在初始阶段由Pig Latin处理引擎进行语义有效性解析，而后被转换为包含整体执行初始逻辑的定向非循环图(简称DAG)。

2.2.1.3 Hive-2007

**1）介绍**

Hive起源于FaceBook，是基于Hadoop的一个**数据仓库工具**，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。Hive数据仓库工具能将结构化的数据文件映射为一张数据库表，并提供SQL查询功能，能**将SQL语句转变成MapReduce任务来执行**。

**2）原理**

![format_png 2][]

如上图所示，Hive基本原理就是**转换HQL语言为MapReduce任务来执行**。hive 并非为联机事务处理而设计，hive 并不提供实时的查询和基于行级的数据更新操作。hive的最佳使用场合是**大数据集的批处理作业**，例如，网络日志分析。

2.2.1.4 Spark-2010

**1）介绍**

Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架，Spark，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是——Job中间输出**结果可以保存在内存中，从而不再需要读写HDFS**，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。简单来说，Spark是一个**快速，通用，可扩展**的**分布式计算引擎**。这里把Spark划归离线计算，是把Spark Streaming排除在外的。**Spark是离线计算（批处理）领域的主流技术栈。**

**2）原理**

![db97806ec25c4de4ada6c1ff16fefc94.png][]

如上图所示，Spark有三个主要特性：**RDD的编程模型更简单**，**DAG切分的多阶段计算过程更快速**，**使用内存存储中间计算结果更高效**。这三个特性使得Spark相对Hadoop MapReduce可以有更快的执行速度，以及更简单的编程实现。这里具体的细节原理就不展开细讲。

#### 2.2.2 计算-实时计算(流计算) ####

![7fb1d841ad5cda623ba1097791876902.jpeg][]

流式计算领域，有3个典型技术栈：**Storm、Spark Streaming、Flink**，其中**Spark Streaming是“微批拟流”**，不能算是真流。两种流式处理说明如下：

**1）Native Streaming原生流**：指每个传入的记录一到达就会被处理，而不必等待其他记录。

![format_png 3][]

**2）Micro-batching微批拟流:** 这意味着每隔几秒就会将传入记录一起批处理，然后在一个小批量中处理，延迟几秒钟。

![format_png 4][]

2.2.2.1 Storm-2011

**1）介绍**

Storm是一个免费开源、分布式、高容错的实时计算系统。Storm最早于2011年诞生于Twitter，2013年进入Apache社区进行孵化， 2014年9月，晋级成为Apache顶级项目。早期Storm用于实时计算，Hadoop用于离线计算。**现阶段已不推荐使用**。

**2）原理**

在Storm中，先要设计一个用于实时计算的图状结构，我们称之为**拓扑(topology)**，它的结构和Mapreduce任务类似，通过自定定义Spout(数据输入处理模块)和Bolt(输出处理模块)逻辑，以及自定义Bolt之间的拓扑依赖关系，完成整个实时事件流的处理逻辑搭建。**Topology(拓扑)**是一个是由 `Spouts` 和 `Bolts` 通过 `Stream` 连接起来的有向无环图。Topology将会被提交给集群，由集群中的主控节点(master node)分发代码，将任务分配给工作节点(worker node)执行。**T****opology拓扑**结构如下图所示：

![5f0bb5d27680fcbbbbe7fcb6d5e7ebd4.png][]

Storm采用**主从架构**。nimbus是集群的Master，负责集群管理、任务分配等。supervisor是Slave，是真正完成计算的地方，每个supervisor启动多个worker进程，每个worker上运行多个task，而task就是spout或者bolt。supervisor和nimbus通过ZooKeeper完成任务分配、心跳检测等操作。如下图所示：

![78838124c0142ffd2ac6d63d2ad2ce92.png][]

2.2.2.2 Spark Streaming-2013

**1）介绍**

Spark是Hadoop的批处理（MapReduce）实际继承者。为了应对流式处理场景，2013年Spark 2.0推出了Spark Streaming。但由于不是原生流处理技术栈，存在时延，加之高级功能不如Flink,**已不是主流技术栈**。

**2）原理**

Spark Streaming是在 Spark Core API基础上扩展出来的，以**微批模式实现的近实时计算框架**，它认为**流是批的特例**，将输入数据切分成一个个小的切片，利用Spark引擎作为一个个小的batch数据来处理，最终输出切片流，以此实现近似实时计算。如下图所示：

![format_png 5][]

2.2.2.3 Flink-2014

**1）介绍**

Apache Flink是一个框架和分布式处理引擎，用于**无界和有界数据流的有状态计算**。Flink创造性地统一了流处理和批处理，作为**流处理**看待时**输入数据流是无界的**，而**批处理**被作为一种特殊的流处理，只是它的**输入数据流被定义为有界**的。2015年发布了第一个版本，**目前Flink已成为流处理领域的实际标准**，且大有一统某些场景的批流一体方案的计算引擎。

![f0691fe85bacfd8047420aac067c1d68.png][]

同时支持有界、无界：

![bc063e092cdae98d69055c3e3d507275.png][]

**2）原理**

Flink 架构也遵循Master-Slave架构设计原则，JobManager为Master节点，TaskManager为Slave节点。架构图如下：

![61e3c611fd8df44987f902303c9610b5.jpeg][]

#### 2.2.3 分布式存储 ####

相比于计算领域的百花齐放，分布式存储技术栈就显得独树一帜了。最早的Hadoop HDFS分布式文件系统，以及基于HDFS衍生出来的Hbase。

![9d5e7b4c1f545eaaf761d8754ab87018.jpeg][]

**1）介绍**

HBase是一个分布式的、面向列的开源数据库。建立在 HDFS 之上。Hbase的名字的来源是 Hadoop database。HBase 的计算和存储能力取决于 Hadoop 集群。它介于NoSql和RDBMS之间，仅能通过主键(row key)和主键的range来检索数据，仅支持单行事务(可通过Hive支持来实现多表join等复杂操作)。

HBase中表的特点：

*  **大**：一个表可以有上十亿行，上百万列。
 *  **面向列**：面向列(族)的存储和权限控制，列(族)独立检索。
 *  **稀疏**：对于为空(null)的列，并不占用存储空间，因此，表可以设计的非常稀疏。

**2）原理**

hbase的系统架构如下：

![37727125a6e36cbe7d7f6ec67814b2ab.png][]

HBase由三种类型的服务器以主从模式构成：

*  Region Server：负责数据的读写服务，用户通过与Region server交互来实现对数据的访问。
 *  HBase HMaster：负责Region的分配及数据库的创建和删除等操作。
 *  ZooKeeper：负责维护集群的状态（某台服务器是否在线，服务器之间数据的同步操作及master的选举等）。

HBase 表数据模型如下：

![0d85067320fe171e46738c2c8c97c982.png][]

与nosql数据库一样,row key是用来检索记录的主键。访问hbase table中的行，只有三种方式：

1.  通过单个row key访问
2.  通过row key的range
3.  全表扫描

### 2.3 数据应用 ###

**本节聚焦大数据OLAP，讲解主流技术栈**。OLAP技术发展至今，已经是”百花齐放“之势，可简单分三类：

*  **ROLAP**(Relational OLAP，**关系型**OLAP)：使用关系数据库存储管理数据仓库，以**关系表存储多维数据**，有较强的可伸缩性。其中维数据存储在维表中，而事实数据和维 ID 则 存储在事实表中，维表和事实表通过主外键关联。
 *  **MOLAP**(Multidimensional OLAP，**多维型**OLAP)：MOLAP 支持数据的多维视图，采用**多维数据组存储数据**，它把维映射到多维数组的下标或下标的范围，而事实数据存储在数组单元中， 从而实现了多维视图到数组的映射，形成了立方体的结构。
 *  **HOLAP**(Hybrid OLAO，**混合型**OLAP): **混合存储**，如低层是关系型的，高层是多维矩阵型的，灵活性强。将明细数据保留在关系型数据库的事实表中，聚合后数据保存在Cube中，查询效率比 ROLAP 高，但性能低于 MOLAP。

![a98490dbb1acadb5a7a5d4f85d4041f7.jpeg][]

#### 2.3.1 ROLAP ####

Rolap（Relational OLAP），即**关系型OLAP**。Rolap基于关系型数据库，它的OLAP引擎就是将用户的OLAP操作，如上钻下钻过滤合并等，转换成SQL语句提交到数据库中执行，并且提供聚集导航功能，根据用户操作的维度和度量将SQL查询定位到最粗粒度的事实表上去。分为两大类：1、MPP数据库 2、SQL on Hadoop。

![90fc61a1099c693ec84400ac404f5611.jpeg][]

2.3.1.1 MPP数据库

MPPDB即基于**MPP架构**（Massive Parallel Processing,海量并行处理）的数据库。典型技术栈有：Doris/StarRocks、ClickHouse、GreenPlum。

**Doris-2018**

[Apache Doris][]是由百度开源的一款MPP数据库，支持标准的SQL语言，**兼容MYSQL协议**，可直接对接主流BI系统。2018年捐给apache,后在2022年成为Apache 顶级项目。**使用简单、生态完善、运维方便、稳定可靠、国产之光----一站式开箱即用，无脑推荐使用。**Doris定位如下图：

![48abfa14cc2c379880b7d7c9ee485ae6.png][]

**ClickHouse-2016**

**[ClickHouse][]**是俄罗斯的Yandex于2016年开源的一个**用于联机分析(OLAP)的列式数据库管理系统。****性能极高，运维难度较大，全球风靡**\---**推荐使用**。看官网介绍的定位支持任何数据源的快速查询，如下图：

![7e67cb24e10e3c915b385582614fce32.jpeg][]

**GreenPlum**

GP(GreenPlum)是2015年开源的老牌的关系型分布式数据库，它在开源的PG(PostgreSql)的基础上采用MPP架构，具有强大的大规模数据分析任务处理能力。----**已过时，不推荐**。

2.3.1.2 SQL on Hadoop

SQL on Hadoop就是利用HDFS实现高度可扩展的数据存储，使得用户可以**使用SQL语言，对存储在HDFS上的数据进行分析**。这实际上是一套计算和存储分离的方案。

2.3.1.2.1 基于MPP架构

为了提高SQL on Hadoop的性能，第一个重要技术流派的就是**MPP**(Massively Parallel Processing)，即大规模并行处理。简单来说，MPP是将任务并行的分散到多个服务器和节点上，在每个节点上计算完成后，将各自部分的结果汇总在一起得到最终的结果(与Hadoop相似)。 其中的代表就是 **Presto** & **Impala**。

**　　1）Presto**

**Presto**是 Facebook 推出分布式SQL交互式查询引擎，完全基于**内存的并行计算，这也是为啥Presto比Hive快的原因**。Presto架构图如下：

![format_png 6][]

**　　2）Impala**

**Impala**是 Cloudera 在受到 Google 的 Dremel 启发下开发的**实时交互SQL大数据查询工具**，其也是基于内存的并行计算框架**，缺点是仅适用于 HDFS/Hive 系统的查询。**

![format_png 7][]

**　3）其它**

*  Drill： Drill 是2012年，MapR 公司开源的一个低延迟的大数据集的分布式SQL查询引擎，是谷歌Dremel的开源实现。它支持对本地文件、HDFS、HBASE等数据进行数据查询。它与**同是源自 Dremel 的 Impala 比较类似。**
 *  HAWQ：HAWQ(Hadoop With Query) 是 Pivotal 公司开源的一个 **Hadoop 原生**大规模并行SQL分析引擎，基于 GreenPlum 实现，采用主从改进MPP架构，将MPP与批处理系统有效的结合。

2.3.1.2.2 通用型

**　　1）Hive SQL-2007**

**Hive**由 Facebook 开源，用于解决海量日志数据的分析，是一个构建于Hadoop顶层的数据仓库工具。底层实现就是Hadoop原生MapReduce.

**　　2）Spark SQL-2010**

**Spark**是UC Berkeley AMP lab开源的类MapReduce的通用的并行计算框架。Spark SQL 使用**内存计算模型**，比 MapReduce 磁盘访问的方式在**性能上有极大提升**。

**　　2）Flink SQL-2019**

**Blink**诞生于2015年，在Alibaba内部使用，2019年开源并于Flink1.9.0版本。**Flink SQL 可以做到 API 层的流与批统一,这是一个极大的进步，让用户关注核心API即可而不用关注底层细节**。

#### 2.3.2 MOLAP ####

MOLAP多维型OLAP，即事先将汇总数据计算好，以多维数组的形式保存数据。其核心思想是借助**预先聚合**结果，**用空间换时间**。典型架构就是Kylin和Druid。

2.3.2.1 Kylin

Kylin 是2014年由eBay中国研发中心开源的OLAP引擎，提供 Hadoop/Spark 之上的 SQL 查询接口及多维分析能力以支持超大规模数据，它能在**亚秒内查询**巨大的Hive表。其核心技术点在于预计算和Cube（立方体模型）的设置：首先， 对需要分析的数据进行**建模**，框定需要分析的**维度字段**；然后通过**预处理**的形式，对各种**维度**进行**组合**并**事先聚合，**将聚合结果以某种索引或者缓存的形式保存起来；最后查询时直接利用结果返回数据。

![format_png 8][]

*  **优点**：快。
 *  **缺点**：只读分析引擎，**不支持insert,update,delete等SQL操作**；cube建模有成本。

2.3.2.2 Druid

Druid是由广告公司 MetaMarkets 于2012年开源的实时大数据分析引擎。Druid 作为MOLAP引擎，也是对数据进行预聚合。只不过预聚合的方式与Kylin不同，Kylin是Cube化，Druid的预聚合方式只是全维度进行Group-by，相当于是Kylin Cube 的 base cuboid。

![2819b573d1479553fb78a5b78dac0d4c.png][]

*  **优点**：快、不需要专业建模能力。
 *  **缺点**：只适合聚合查询和报告查询，且速度没有Kylin快；

[89d157039c192b3855f3479e5efd8d9f.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/bee14291dffc4f82bbef1d3a899d4eb2.png
[go to top]: https://www.cnblogs.com/dennyzhangdd/p/17283402.html#_labelTop
[4813158f0606777b7d1d0841f217c181.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/8e0a3db5c8a2434daa8ef047ffde444d.png
[f5206fa0b4bfe908aa353013e9e95aa5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/7b68a08205ff418fa6c3699d7ffa9d55.png
[ca943a9befa54a393206a5c2166531dd.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/6a85188690ef4628a7935067ce2cb808.png
[format_png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/f4f3636b9b874181bdd079f0b00ba15f.png
[ef5046507a86c51cde600b02458edb59.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/58c41f8b5ca445bc9df50a4edb51f2f1.png
[3d3e65f15bbcf35d32a88e200ebd3582.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/a31f7cdd2c934b6b91b375c4e543c02f.png
[f0a0f207105a36a3e37f79a34cabf1c6.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/a34ef5b67d7a41d7945c9f4a8420d6e4.png
[format_png 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/6b5c4a0a5ef54bdeab1a892a5e5ddc22.png
[format_png 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/9f1b1490f20c4edb92595d72557c48d9.png
[db97806ec25c4de4ada6c1ff16fefc94.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/ee24bc26086a45a6a82a354fc1e2b685.png
[7fb1d841ad5cda623ba1097791876902.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/4e015923844f4e189e268dcd047d6f0e.png
[format_png 3]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/1cffb5caa30d46718a04df0ae7266765.png
[format_png 4]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/fa2a4571fb894285a4170cf2d2ac2b3f.png
[5f0bb5d27680fcbbbbe7fcb6d5e7ebd4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/6324759934de480a928cc4fc1a9c93dc.png
[78838124c0142ffd2ac6d63d2ad2ce92.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/056ba5a6b61b4721997a6610d8dbc978.png
[format_png 5]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/74e14b84d8a848fdb0f8f42e37b6ed3a.png
[f0691fe85bacfd8047420aac067c1d68.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/d7fa5dc2571c46d4b9278dfa46697475.png
[bc063e092cdae98d69055c3e3d507275.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/5cd2e6e1c12742ec915f24c596b64791.png
[61e3c611fd8df44987f902303c9610b5.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/dd57ba19a5094821b4682250bc9bd06c.png
[9d5e7b4c1f545eaaf761d8754ab87018.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/ee1082620e7f49a59ab8d1c5de79ebb3.png
[37727125a6e36cbe7d7f6ec67814b2ab.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/45bf2d5b13b14e63b127d87adfc40d0b.png
[0d85067320fe171e46738c2c8c97c982.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/f3257882cdaf4776bf19206fd3b31630.png
[a98490dbb1acadb5a7a5d4f85d4041f7.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/a041fee6645a487dafd1d1b5d65cd3ef.png
[90fc61a1099c693ec84400ac404f5611.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/3992c027bc7345bd855c74780e9e063c.png
[Apache Doris]: https://doris.apache.org/zh-CN/
[48abfa14cc2c379880b7d7c9ee485ae6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/40e2438e46794fd8b89fa973a90e9818.png
[ClickHouse]: https://clickhouse.com/
[7e67cb24e10e3c915b385582614fce32.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/189363465eb84ea0b801b3a4e78f8726.png
[format_png 6]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/7fa38091281f42278feb4de86425b8d6.png
[format_png 7]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/b609f337325f41b4a0fbaef73f6aabde.png
[format_png 8]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/f0ea77391a7746f39dfdf670c90ecf40.png
[2819b573d1479553fb78a5b78dac0d4c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/17/32e7fde0c25942e3a149161db8127835.png