Apache Pinot 1.3.0版本发布:实时分析引擎的重大升级
前言
Apache Pinot是一个开源的分布式实时分析数据库,专为低延迟、高吞吐量的分析查询而设计。它能够处理PB级别的数据,并在亚秒级内返回查询结果,非常适合实时分析、运营监控和用户行为分析等场景。Pinot最初由LinkedIn开发并开源,现已成为Apache顶级项目。
多阶段查询引擎的显著改进
Pinot 1.3.0版本在多阶段查询引擎方面进行了多项重要优化,显著提升了查询性能和功能完备性。
查询计划重用机制
新版本引入了跨阶段的查询计划重用机制,而非仅限于子树级别。通过将查询计划划分为多个阶段,并在阶段边界处实现数据复用,大幅减少了重复计算。每个阶段由拉取式操作符组成,通过MailboxSendOperator和MailboxReceiveOperator进行连接。改进后的MailboxSendOperator能够向多个阶段发送数据,使阶段连接形成有向无环图(DAG),提供了更大的灵活性和效率。
执行计划可视化
新增的Segment Plan功能为多阶段查询提供了完整的执行计划展示,包括物理操作符的详细信息。新的explain模式采用Calcite术语,通过broker-server通信流程分析查询计划并生成物理执行计划,而无需实际执行查询。引入的ExplainedPlanNode增强了查询执行计划的透明度,便于用户进行调试和优化。
数据块处理性能提升
通过对DataBlock的构建、序列化和反序列化过程进行优化,减少了内存分配和拷贝操作,性能提升了1-3倍。这些改进显著降低了GC相关的延迟问题,特别适合生产环境中大数据量的处理场景。
实验性时间序列查询引擎
1.3.0版本引入了一个实验性的时间序列查询引擎,这是Pinot在时序数据分析领域的重要拓展。
核心特性
该引擎通过插件化框架支持多种时间序列查询语言(如PromQL、M3QL),解决了传统SQL引擎在时序分析中的局限性。它针对高基数指标等观测性用例进行了特别优化,提供了更高效的分析能力。
引擎采用系列(series)而非行(row)的方式处理数据,不仅提升了性能,还简化了复杂分析函数的实现。同时,通过复用多阶段引擎的查询调度器、查询分发器和Mailbox等组件,保持了核心系统的简洁性。
典型应用场景
- 绘制特定商户的小时订单数变化曲线
- 执行订单数的周环比分析
- 处理高基数监控指标的分析
数据库级查询配额管理
新版本增加了数据库级别的查询速率限制功能,可以统一控制某个数据库下所有表的查询流量。
配置方式
- 默认查询配额通过ClusterConfig设置(默认1000 QPS)
- 可通过znode为特定数据库配置覆盖值
- 提供REST API进行动态配额调整
动态调整机制
配额系统能够实时响应以下变化:
- 数据库配置变更
- 集群配置更新
- 可用broker资源变化
- 表状态转换
二进制工作负载调度器
新引入的BinaryWorkloadScheduler将查询分为两类进行差异化处理:
- 主工作负载:处理生产流量,采用无限制的FCFS调度策略
- 次工作负载:用于临时查询和开发测试,施加多种限制:
- 并发查询数上限
- 线程数限制
- 队列超时修剪机制
这种设计确保了关键业务查询不受临时性分析任务的影响,提高了集群的稳定性。
游标支持与分页查询
1.3.0版本新增了游标支持,允许客户端分批获取大型查询结果,显著降低了内存需求。
实现特点
- 通过新增的REST API实现分页查询
- 提供结果存储和序列化的SPI接口
- 支持查询结果元数据查看和管理
这种机制特别适合需要分页展示结果的UI应用和逐步处理大数据集的场景。
功能增强与新特性
URL处理函数
新增了全面的URL处理函数集,包括:
- 协议、域名、路径等组成部分提取
- 参数解析与操作
- URL编码与解码
- 层次结构分析
这些函数极大简化了URL分析任务,如用户行为分析和流量来源追踪。
GeoJSON支持
新增了地理空间数据处理能力:
- ST_GeomFromGeoJson:将GeoJSON转换为几何对象
- ST_GeogFromGeoJson:将GeoJSON转换为地理对象
- ST_AsGeoJson:将空间对象序列化为GeoJSON
支持包括点、线、面等多种几何类型,为位置智能应用提供了基础支持。
多流式摄入
允许单个表从多个数据源并行摄入数据,同时:
- 沿用现有表配置接口
- 区分流分区与Pinot段分区
- 兼容现有的分区自动扩展逻辑
安全与稳定性改进
1.3.0版本在安全性方面有多项增强:
- 强制每日SSL证书刷新
- broker与server间TLS支持
- 矩阵参数安全处理
- 环境变量注入防护
- 多项依赖问题修复
总结
Apache Pinot 1.3.0版本在多阶段查询引擎、时间序列分析、资源管理等方面带来了重大改进,进一步巩固了其作为实时分析引擎的领先地位。新引入的实验性时间序列引擎特别值得关注,为观测性用例提供了原生支持。此外,在安全性、稳定性和易用性方面的持续优化,使得Pinot能够更好地服务于大规模实时分析场景。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









