（1）Druid（文翻译为德鲁伊）是一个高性能的实时分析数据库，可以在复杂的海量数据下进行交互式实时数据分析，能够处理 TB 级别数据，以及响应在“毫秒”级。它主要是针对时间序列数据提供低延时的数据写入，以及快速交互式查询。

（2）Druid 是 MetaMarkets 公司于 2011 年推出的一款实时多维 OLAP 分析引擎，孵化于 Apache。Druid 在处理数据的实时性方面，比传统的离线 OLAP 引擎有了质的提升。

注意：阿里巴巴也创建过一个开源的数据库连接池项目 Druid，它本文介绍的实时 OLAP 分析引擎 Druid 没有任何关系。

（1）快速查询（Fast Query）：其核心在于部分数据聚合（artial Aggregate）、数据内存化（In-emory）和索引（Index）。

• 对于数据分析场景，在大部分情况下，只需要关心按一定粒度聚合后的数据，而不是每一行原始数据的细节情况。数据聚合粒度可以是 1 分钟、10 分钟或 1 小时。部分数据聚合（artialAggregate）给 Druid 争取了很大的性能优化空间。
• 数据内存化也是提高查询速度的“杀手锏”。内存和硬盘的访问速度相差近百倍，但内存的大小是非常有限的，因此在内存使用方面要精细设计。例如：Druid 中使用了 Bitmap 和各种压缩技术。
• 另外，为了支持下钻某些维度，Druid 维护了一些倒排索引，这种方式可以加快 AND 和 OR 的计算效率。

（2）水平扩展（Horizontal Scalability）：其核心在于分布式数据（Distributed Data）和并行化查询（Parallelizable Query）

（3）实时分析（Realtime Analytics )：其核心在于“不可变的过去和只追加的未来”(Immutable Past,Append-Only Future )

• Druid 提供了包含基于时间维度数据的存储服务，并且任何一行数据都是历史真实发生的事件，因此在设计之初就约定“事件一旦进入系统就不能再改变”。
• 对于历史数据，Druid 以 Segment 数据文件的方式组织，并且将它们存储到深度存储系统中。在需要查询这些数据时，Druid 从深度存储系统中将它们加载到内存，供查询使用。

• 列式存储：使用面向列的存储格式，查询时只需要加载需要的列，这样可以显著提高查询性能。对于每一列都可以结合数据类型进行有针对性的优化，支持快速扫描和聚合。
• 可扩展的分布式架构：通常被部署在数十或者上百台服务器的集群中，可以提供每秒上百万条记录的接收速率，上亿条记录的存储，以及“亚秒”级别的查询延迟。
• 并行计算：可以在整个集群中并行处理查询。
• 实时和批量数据摄入：支持实时摄入数据或批量摄入数据，已被摄入的数据可以立即用于查询。
• 自修复、自平衡、易操作：集群扩展和缩小，只需要添加或者删除服务器，集群将在后台自动重新平衡，不需要任何停机时间。
• 云原生架构，高容错性：一旦数据进入 Druid，则副本就被安全地存储在深度存储系统中。即使某个 Druid 服务器出现故障，也可以从深度存储中恢复数据。对于仅影响少数 Druid 服务的有限故障，副本可确保在系统恢复时仍可以进行查询。
• 快速过滤的索引：使用压缩位图索引来创建索引，这些索引可以快速过滤和跨多个列搜索。
• 基于时间的分区：按照时间对数据进行分区，还可以根据其他字段进行分区。这意味着，基于时间的查询将仅访问指定的分区，这大大提高了基于时间分区数据的查询性能。
• 支持近似计算：提供了用于近似计数、近似排序之类的算法。这些算法提供了有限的内存使用，并且通常比精确计算快得多。对于准确度比速度更重要的场景，Druid 还提供了精确计数和精确排名。
• 自动实时聚合：支持在数据摄入阶段进行数据汇总，汇总时会预先聚合部分数据，这样可以节省大量成本，以及提高性能。
• 支持 SQL 查询：可以支持 SQL 实现数据分析。

（1）Druid 在数据存储时即可对数据进行聚合操作是其一个重要特点，该特点使得 Druid 不仅能够节省存储空间，而且能够显著提高聚合查询的效率。

（2）Druid 中的数据存储在 DataSource 中。DataSource 是一个逻辑概念，表示 Druid 的基本数据结构，可以将其理解为关系型数据库中的表。

（3）DataSource 包含时间、维度和指标这 3 列，具体见下面样例：

（2）这样可以保证在 Druid 中维护指定业务的所有数据，以及对于实时摄入的数据定时实现数据修正。之后通过 Druid 提供统一查询功能。

（1）针对 Druid 的查询，官方提供了以下两种方式：

{
  "queryType": "scan",
  "dataSource": {
    "type": "union",
    "dataSources": ["table1", "table2", "table3"]
  },
  "columns": ["column1", "column2"],
  "intervals": ["0000/3000"]
}

SELECT column1, column2
FROM(
  SELECT column1, column2 FROM table1 
  UNION ALL
  SELECT column1, column2 FROM table2
  UNION ALL
  SELECT column1, column2 FROM table3
)

（2）Druid SQL 并非支持所有的 SQL 特性，下面这些是不支持的：

• 原生数据源（able、lookup、subquery）与系统表的 JOIN 操作。
• 左侧和右侧的表达式不相等的 JOIN 操作。
• 在 JOIN 操作的连接条件内包含常量值。
• 在 JOIN 操作的连接条件内包含多值维度。
• OVER 子句和分析型函数，例如：LAG 和 LEAD 等分析型函数。
• DDL 和 DML。
• 在系统表上使用 Druid 特性的函数。例如：TIME_PARSE 和 APPROX_QUANTILE_DS。

（3）目前 Druid SQL 也无法全部支持所有的 Native Query，主要支持以下：

• INLINE 数据源。
• 空间过滤器。
• 查询取消。
• 多值维度，仅在 Druid SQL 中部分实现。

（1）Druid 的架构如下图所示，其中：

• Master Servers、Query Servers 和 Data Servers 属于 Druid 的服务；
• Coordinators、Overlords、Routers（optional）、Brokers、Middle Managers 和 Historicals 属于 Druid 的处理进程；
• Metadata Storage、Zookeeper 和 Deep Storage 属于 Druid 依赖的外部组件。

   Druid、ClickHouse 和 Doris 都适合应用于实时 OLAP 数据分析领域，不过它们各有特色，在技术选型时需要结合具体业务需求进行考虑。这 3 个实时 OLAP 引擎的对比如下。