数据删除 - 批量删除 - 《Apache Doris v3.0 中文文档》

基本原理
语法说明
使用示例
- 查看是否启用批量删除支持
- Stream Load 使用示例

有了 Delete 操作为什么还要引入基于导入的批量删除？

Delete 操作的局限性

使用 Delete 语句的方式删除时，每执行一次 Delete 都会生成一个空的 rowset 来记录删除条件，并产生一个新的数据版本。每次读取都要对删除条件进行过滤，如果频繁删除或者删除条件过多时，都会严重影响查询性能。

Insert 数据和 Delete 数据穿插出现

对于类似于从事务数据库中，通过 CDC 进行数据导入的场景，数据中 Insert 和 Delete 一般是穿插出现的，面对这种场景当前 Delete 操作也是无法实现。

基于数据导入的方式，数据有三种合并方式：

APPEND: 数据全部追加到现有数据中。
DELETE: 删除所有与导入数据 key 列值相同的行 (当表存在sequence列时，需要同时满足主键相同以及 sequence 列的大小逻辑才能正确删除，详见下边用例 4)。
MERGE: 根据 DELETE ON 的决定 APPEND 还是 DELETE。

批量删除只工作在 Unique 模型上。

基本原理

通过在 Unique 表上增加一个隐藏列DORIS_DELETE_SIGN来实现。

FE 解析查询时，遇到 * 等扩展时去掉DORIS_DELETE_SIGN，并且默认加上 DORIS_DELETE_SIGN != true 的条件，BE 读取时都会加上一列进行判断，通过条件确定是否删除。

导入

导入时在 FE 解析时将隐藏列的值设置成 DELETE ON 表达式的值。 - 读取

读取时在所有存在隐藏列的上增加DORIS_DELETE_SIGN != true 的条件，be 不感知这一过程，正常执行。 - Cumulative Compaction

Cumulative Compaction 时将隐藏列看作正常的列处理，Compaction 逻辑没有变化。 - Base Compaction

Base Compaction 时要将标记为删除的行的删掉，以减少数据占用的空间。

语法说明

导入的语法设计方面主要是增加一个指定删除标记列的字段的 column 映射，并且需要在导入的数据中增加一列，各种导入方式设置的语法如下

Stream Load

Stream Load 的写法在 header 中的 columns 字段增加一个设置删除标记列的字段，示例 -H "columns: k1, k2, label_c3" -H "merge_type: [MERGE|APPEND|DELETE]" -H "delete: label_c3=1"。

Broker Load

Broker Load 的写法在 PROPERTIES 处设置删除标记列的字段，语法如下：

1. LOAD LABEL db1.label1
2. (
3. [MERGE|APPEND|DELETE] DATA INFILE("hdfs://abc.com:8888/user/palo/test/ml/file1")
4. INTO TABLE tbl1
5. COLUMNS TERMINATED BY ","
6. (tmp_c1,tmp_c2, label_c3)
7. SET
8. (
9. id=tmp_c2,
10. name=tmp_c1,
11. )
12. [DELETE ON label_c3=true]
13. )
14. WITH BROKER 'broker'
15. (
16. "username"="user",
17. "password"="pass"
18. )
19. PROPERTIES
20. (
21. "timeout" = "3600"
22. );

Routine Load

Routine Load的写法在 columns字段增加映射，映射方式同上，语法如下：

1. CREATE ROUTINE LOAD example_db.test1 ON example_tbl
2. [WITH MERGE|APPEND|DELETE]
3. COLUMNS(k1, k2, k3, v1, v2, label),
4. WHERE k1  100 and k2 like "%doris%"
5. [DELETE ON label=true]
6. PROPERTIES
7. (
8. "desired_concurrent_number"="3",
9. "max_batch_interval" = "20",
10. "max_batch_rows" = "300000",
11. "max_batch_size" = "209715200",
12. "strict_mode" = "false"
13. )
14. FROM KAFKA
15. (
16. "kafka_broker_list" = "broker1:9092,broker2:9092,broker3:9092",
17. "kafka_topic" = "my_topic",
18. "kafka_partitions" = "0,1,2,3",
19. "kafka_offsets" = "101,0,0,200"
20. );

注意事项

由于除Stream Load 外的导入操作在 doris 内部有可能乱序执行，因此在使用MERGE 方式导入时如果不是Stream Load，需要与 load sequence 一起使用，具体的语法可以参照sequence列相关的文档；
DELETE ON 条件只能与 MERGE 一起使用。

如果在执行导入作业前按上文所述开启了SET show_hidden_columns = true的 session variable 来查看表是否支持批量删除，按示例完成 DELETE/MERGE 的导入作业后，如果在同一个 session 中执行select count(*) from xxx等语句时，需要执行SET show_hidden_columns = false或者开启新的 session, 避免查询结果中包含那些被批量删除的记录，导致结果与预期不符。

使用示例

查看是否启用批量删除支持

1. mysql SET show_hidden_columns=true;
2. Query OK, 0 rows affected (0.00 sec)

4. mysql DESC test;
5. +-----------------------+--------------+------+-------+---------+---------+
6. | Field                 | Type         | Null | Key   | Default | Extra   |
7. +-----------------------+--------------+------+-------+---------+---------+
8. | name                  | VARCHAR(100) | No   | true  | NULL    |         |
9. | gender                | VARCHAR(10)  | Yes  | false | NULL    | REPLACE |
10. | age                   | INT          | Yes  | false | NULL    | REPLACE |
11. | DORIS_DELETE_SIGN | TINYINT      | No   | false | 0       | REPLACE |
12. +-----------------------+--------------+------+-------+---------+---------+
13. 4 rows in set (0.00 sec)

Stream Load 使用示例

1. 正常导入数据：

1. curl --location-trusted -u root: -H "column_separator:," -H "columns: siteid, citycode, username, pv" -H "merge_type: APPEND"  -T ~/table1_data http://127.0.0.1:8130/api/test/table1/_stream_load

其中的 APPEND 条件可以省略，与下面的语句效果相同：

1. curl --location-trusted -u root: -H "column_separator:," -H "columns: siteid, citycode, username, pv" -T ~/table1_data http://127.0.0.1:8130/api/test/table1/_stream_load

2. 将与导入数据 Key 相同的数据全部删除

1. curl --location-trusted -u root: -H "column_separator:," -H "columns: siteid, citycode, username, pv" -H "merge_type: DELETE"  -T ~/table1_data http://127.0.0.1:8130/api/test/table1/_stream_load

假设导入表中原有数据为：

1. +--------+----------+----------+------+
2. | siteid | citycode | username | pv   |
3. +--------+----------+----------+------+
4. |      3 |        2 | tom      |    2 |
5. |      4 |        3 | bush     |    3 |
6. |      5 |        3 | helen    |    3 |
7. +--------+----------+----------+------+

导入数据为：

1. 3,2,tom,0

导入后数据变成：

1. +--------+----------+----------+------+
2. | siteid | citycode | username | pv   |
3. +--------+----------+----------+------+
4. |      4 |        3 | bush     |    3 |
5. |      5 |        3 | helen    |    3 |
6. +--------+----------+----------+------+

3. 将导入数据中与site_id=1 的行的 Key 列相同的行

1. curl --location-trusted -u root: -H "column_separator:," -H "columns: siteid, citycode, username, pv" -H "merge_type: MERGE" -H "delete: siteid=1"  -T ~/table1_data http://127.0.0.1:8130/api/test/table1/_stream_load

假设导入前数据为：

1. +--------+----------+----------+------+
2. | siteid | citycode | username | pv   |
3. +--------+----------+----------+------+
4. |      4 |        3 | bush     |    3 |
5. |      5 |        3 | helen    |    3 |
6. |      1 |        1 | jim      |    2 |
7. +--------+----------+----------+------+

导入数据为：

1. 2,1,grace,2
2. 3,2,tom,2
3. 1,1,jim,2

导入后为：

1. +--------+----------+----------+------+
2. | siteid | citycode | username | pv   |
3. +--------+----------+----------+------+
4. |      4 |        3 | bush     |    3 |
5. |      2 |        1 | grace    |    2 |
6. |      3 |        2 | tom      |    2 |
7. |      5 |        3 | helen    |    3 |
8. +--------+----------+----------+------+

4. 当存在 sequence 列时，将与导入数据 Key 相同的数据全部删除

1. curl --location-trusted -u root: -H "column_separator:," -H "columns: name, gender, age" -H "function_column.sequence_col: age" -H "merge_type: DELETE"  -T ~/table1_data http://127.0.0.1:8130/api/test/table1/_stream_load

当 Unique 表设置了 Sequence 列时，在相同 Key 列下，Sequence 列的值会作为 REPLACE 聚合函数替换顺序的依据，较大值可以替换较小值。当对这种表基于DORIS_DELETE_SIGN进行删除标记时，需要保证 Key 相同和 Sequence 列值要大于等于当前值。

假设有表，结构如下

1. mysql SET show_hidden_columns=true;
2. Query OK, 0 rows affected (0.00 sec)

4. mysql DESC table1;
5. +------------------------+--------------+------+-------+---------+---------+
6. | Field                  | Type         | Null | Key   | Default | Extra   |
7. +------------------------+--------------+------+-------+---------+---------+
8. | name                   | VARCHAR(100) | No   | true  | NULL    |         |
9. | gender                 | VARCHAR(10)  | Yes  | false | NULL    | REPLACE |
10. | age                    | INT          | Yes  | false | NULL    | REPLACE |
11. | DORIS_DELETE_SIGN  | TINYINT      | No   | false | 0       | REPLACE |
12. | DORIS_SEQUENCE_COL | INT          | Yes  | false | NULL    | REPLACE |
13. +------------------------+--------------+------+-------+---------+---------+
14. 4 rows in set (0.00 sec)

假设导入表中原有数据为：

1. +-------+--------+------+
2. | name  | gender | age  |
3. +-------+--------+------+
4. | li    | male   |   10 |
5. | wang  | male   |   14 |
6. | zhang | male   |   12 |
7. +-------+--------+------+

当导入数据为：

1. li,male,10

导入后数据后会变成：

1. +-------+--------+------+
2. | name  | gender | age  |
3. +-------+--------+------+
4. | wang  | male   |   14 |
5. | zhang | male   |   12 |
6. +-------+--------+------+

会发现数据

1. li,male,10

被删除成功。

但是假如导入数据为：

1. li,male,9

导入后数据会变成：

1. +-------+--------+------+
2. | name  | gender | age  |
3. +-------+--------+------+
4. | li    | male   |   10 |
5. | wang  | male   |   14 |
6. | zhang | male   |   12 |
7. +-------+--------+------+

会看到数据

1. li,male,10

并没有被删除，这是因为在底层的依赖关系上，会先判断 key 相同的情况，对外展示 sequence 列的值大的行数据，然后在看该行的DORIS_DELETE_SIGN值是否为 1，如果为 1 则不会对外展示，如果为 0，则仍会读出来。

当导入数据中同时存在数据写入和删除时（例如 CDC 场景中），使用 Sequence 列可以有效的保证当数据乱序到达时的一致性，避免后到达的一个旧版本的删除操作，误删掉了先到达的新版本的数据。