在日常的数据分析场景中，我们经常会向 Apache Doris 写入大量数据，无论是实时导入、批量导入，还是通过流式写入。但你是否想过：一条数据从客户端发出，到最终稳定落盘，中间到底经历了哪些步骤？

今天我们就来全面拆解 Doris 写入原理，带你走进它的内部世界。

1. 整体脉络

一条写入数据在 Doris 的“旅程”可以分成若干层次：

入口：客户端通过 HTTP（Stream Load）、JDBC/SQL（INSERT）、Broker/Spark（批量）、Routine Load（Kafka）等方式把数据送入系统。各种 Load 方法的分类和用途说明链接。

FE 层（协调）：SQL 解析、计划、事务分配、路由与元数据管理（表/分区/Tablet 信息由 FE 管理并存储）。

BE 层（执行）：负责真实的数据写入、内存结构、落盘（Segment）、索引构建、Compaction、查询执行。

2. 写入模式

选择合适的写入模式是发挥 Doris 性能的前提。不同模式的事务粒度、资源占用、延迟表现差异显著，需根据业务需求精准选型。

写入模式	传输协议	典型场景	延迟	吞吐能力	事务特征
Stream Load	HTTP	实时日志、订单数据导入	秒级	高（GB / 分）	单事务，支持导入任务级重试
Routine Load	Kafka 协议	Kafka 日志流持续同步	秒级	中高	分区级事务，支持断点续传
Broker Load	内部 RPC	HDFS/S3 离线批量数据加载	分钟级	极高（TB / 时）	单事务，支持大文件切分并行导入
Spark Load	Spark API	超大规模数据集（>10TB）	小时级	极高	分布式事务，依赖 Spark 集群
Insert Into	MySQL/JDBC	手动补数、低并发小批量写入	秒级	低	单条 / 批量事务，支持事务回滚

3. 写入流程关键内容解析

3.1 数据接收与请求解析

流程细分：

• 客户端通过 HTTP / MySQL 协议向 FE 或 BE 发起写入请求。
• 如果请求到 FE：FE 做 SQL 解析（SQL parser）、语义校验（列类型、分区存在性等）、权限校验。
• FE 根据目标表的分区/分桶/Distribution 信息，执行 路由决策：确定目标 Tablet（或者多个 Tablet）。
• FE 为该写入分配一个 事务 ID（Txn ID） 或者在批量场景下分配批次标识，用来跟踪后续的各个 BE 写入结果与可见性。

3.2 BE 的内存写入 — MemTable

核心流程：

• BE 在接收到写入行后，会采用了类 LSM 树的结构，将数据先写到 Memtable 中，当 Memtable 数据写满后，才会进行下一步数据写入。
• MemTable 在逻辑上做去重/聚合/排序（取决于表类型：Duplicate/Unique/Aggregate）。如主键表会在内存阶段做主键合并或覆盖逻辑。

内部细节：

• 数据格式化：将网络序列化数据解析为内部列式/行式表示（列式更利于压缩与向量化）。
• 短键索引构建（Short key / MinMax）：MemTable 会收集用于快速定位的小索引信息（比如每个块的最小/最大值、短键）。
• 锁与并发控制：写入到同一个 Tablet 的并发写请求需要合适的并发控制（同 Tablet 同步或分区内并发写控制），以保证事务语义。

3.3 Flush 到磁盘 — 生成 Segment 文件

Flush 过程：

• 当Memtable数据写满后，会异步flush生成一个Segment进行持久化，同时生成一个新的Memtable继续接收新增数据导入

• 在写入磁盘前会做最终的编码、压缩、索引构建（如短键索引、列级统计信息、ZoneMap/MinMax），并生成元数据描述该 Segment（如行数、列偏移、压缩方式）。

3.4 事务管理与元数据发布

事务与可见性：

• FE 为写入分配 Txn ID / Version，用来保证原子性和版本管理。
• BE 在本地成功写入 Segment 后，会向 FE 汇报“写入完成并持久化”的消息（包含生成的 Segment 元信息）。
• FE 收到足够的确认（通常基于多数副本策略）后，会发 Publish 任务使导入的 Rowset 版本生效。任务中指定了发布的生效 version 版本信息。之后 BE 存储层才会将这个版本的 Rowset 设置为可见。最后Rowset 加入到 BE 存储层的 Tablet 进行管理。

元数据更新：

• FE 在提交时更新元数据（Tablet 的版本、Segment 列表、事务日志），并把新的元信息持久化到元存储。

3.5 后台优化：Compaction（合并）

为什么需要 Compaction：

• 写入产生许多小的 rowset（小文件），长期积累会：
• 增加查询时需要扫描的文件数（查询随机 IO 增多）。
• 增大元数据开销。

常见 Compaction 策略：

• Cumulative Compaction：优先合并新写入的小 Rowset，避免直接与大 Rowset 合并导致效率低下。新导入的零散数据（如实时写入的小批次数据 ），先通过Cumulative Compaction逐步 “攒大”，减少后续 Base Compaction 的压力。。
• Base Compaction：当Cumulative Rowset 合并到一定规模后，再与 历史大 Rowset（Base Rowset）合并，最终形成更紧凑的大 Rowset。

更多Compaction原理与优化可参考链接内容

4. 总结

一条数据写入到 Doris 的旅程包含多个环节，理解数据写入的每个环节（MemTable、Flush、Compaction、FE 事务等），能够更好的帮助我们优化写入性能与稳定性。