第3.4章：StarRocks数据导入—

本文主要是介绍第3.4章：StarRocks数据导入——Routine Load，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

注：本篇文章阐述的是StarRocks-3.2版本的Routine Load导入机制

一、概述

Routine Load（例行导入）支持用户提交一个常驻的导入任务，可以将消息流存储在 Kafka 的Topic中，通过订阅Topic 中的全部或部分分区的消息，从而实现数据不间断的导入至 StarRocks。（Routine Load任务是常驻进程）

Routine Load 支持 Exactly-Once 语义，能够保证数据不丢不重。支持从Kakfa集群中消费 CSV、JSON、Avro (自 v3.0.1) 格式的数据。

官网文档地址：

使用 Routine Load 导入数据 | StarRocks

CREATE ROUTINE LOAD | StarRocks

总结：通过在数据库侧建立常驻消费者进程来拉取位于流系统上的数据，该消费者进程会按照定义好的消费逻辑和间隔，攒批数据之后调用stream load导入机制来实现数据导入。

二、Routine Load原理

2.1 流程图

Routine Load的导入执行流程如下：

2.2 流程详解

（1）用户通过客户端发起创建routine load任务的请求

（2）FE在收到请求后，会将请求任务通过Job Scheduler将任务拆分成若干个Task，每个Task被TaskScheduler分配到指定的BE上执行

拆分规则：

FE 根据期望任务并行度desired_concurrent_number、Kafka Topic 的分区数量、存活 BE 数量等，计算得出实际任务并行度。
FE 根据实际任务并行度将导入作业分为若干导入任务，放入任务执行队列中。

每个topic会有多个分区，分区与导入任务之间的对应关系为：

每个分区的消息只能由一个对应的导入任务消费（一个分区只能由一个消费者消费）
一个导入任务可能会消费一个或多个分区（一个分消费者可以消费一个或多个分区）
分区尽可能均匀的分配给导入任务（kafka分区数尽量等于消费者数）

（3）拆分的每个task会被Task Scheduler调度到不同的BE节点上执行

即：多个导入任务并行进行，消费kafka多个分区的消费，导入至StarRocks

调度和提交导入任务

FE定时调度任务会去执行队列中的导入人物，分配给选定的 Coordinator BE。调度导入任务的时间间隔由max_batch_interval 参数空值。并且 FE 会尽可能均匀地向所有 BE 分配导入任务

执行导入任务

Coordinator BE 执行导入任务，消费分区的消息，解析并过滤数据。导入任务需要消费足够多的消息，或者消费足够长时间。

消费时间和消费的数据量由 FE 配置项 routine_load_task_consume_second、max_routine_load_batch_size决定。

Coordinator BE将消息分发至相关Executor BE 节点，BE 节点将消息写入磁盘。

（4）位于每个BE节点的Task 任务会按照预先定义好的消费逻辑，数据攒批后调用stream load任务，完成对应批次数据的导入

（5）持续生成新的导入任务，不间断地导入数据

Executor BE 节点成功写入数据后， Coordonator BE 会向 FE 汇报导入结果。FE根据汇报结果，继续生成新的导入任务，或者对失败的导入任务进行重试，连续地导入数据，并且能够保证导入数据不丢不重。

总结：可以将上述的执行流程理解为一个个不断调度执行的Stream Load任务。在默认参数下，一个Stream Load任务被拆分成若干个Task，Task被调度后，开始对kafka进行为期15秒①的数据消费，并现在内存中攒批，15秒过后这批数据通过Stream Load的方式导入到对应数据表中，任务完成后向FE汇报，然后间隔10秒后②，Task被再次调度，如果循环进行。从Task被调度到本次Stream Load任务完成，整个过程的超时时间默认限制是60秒③。FE收到任务汇报结果后，会继续生成后续新的Task，或者对失败的Task进行重试（最多重试3次，都失败则任务暂停）。整个Stream Load作业通过不断的产生新的Task，来完成数据不间断的导入。

上述提到的三个时间参数可以结合实际的业务情况来修改：

①：集群内每个Routine Load导入任务消费数据的最大时间，通过fe.conf中的routine_load_task_consume_second参数设置，默认为15s。（调整后需要重启 FE 使变更生效。）

②：子任务调度周期，在Routine Load语句中设置，参数max_batch_interval，默认为10秒。缩短任务调度周期可以加速数据消费，但是更小的任务调度周期也可能会带来更多的CPU资源消耗，还可能会导致Compaction的问题。

③：集群内部所有Routine Load任务的执行超时时间：由fe.conf中的task_timeout_second控制，默认为60s

2.3 注意事项

Routine Load本质上还是调用的Stream load任务，需要注意攒批频次的设置，不能太过于频繁的去调用，避免未合并的版本数超限（compaction合并问题）。
Routine Load任务的消费频次：根据消息的峰值变化速率来设定不同任务的消费频次。
过多的Routine Load任务会占用一定的硬件资源，会导致查询性能的下降。（Routine Load任务是常驻进程）