本帖为学习交流的帖子
【 TiDB 使用环境】tiflash v5.1
【概述】 场景 + 问题概述 日志数仓
我们基于tiflash构建日志数仓，但是日志中有些字段为数组字段，我们用spark写入tiflash的时候进行了explode操作，把数组字段拆成了多行数据。这导致的问题就是，我们需要为原始数据总的每一条添加一个唯一id，这样拆分后，数组字段的多个值，对应的唯一id是相同的。但是查询聚合时，需要进行distinct操作，这很慢很慢。
大家有什么好的处理数组字段的方式吗？感谢！
2 个赞
1 个赞
https://asktug.com/t/topic/182835
还有这个最佳实践~你也参考一下
1 个赞
这个与我的问题毫无关系。。。
1 个赞
来自：@xfworld 不按实践的操作方式，没办法得到最好的效果
你可以参考上面的两个最佳实践。
1 个赞
这类数仓架构也是我们目前在用的，但是细节上各有不同。我们的痛点是数组字段导致的问题。
1 个赞
架构上给的支持程度不一样，实现的细节会差很多
tiflash 也是有最佳实践的，官方提供的文档是很好的参考指南
如果在数据处理上觉得有问题，就需要考虑下官方这边提供的处理方式，来改善你遇到的问题
当然，如果你对你目前的架构支持有信心，也是可以解决掉的 
另外 tiflash 是列存模型，在处理数据的时候就需要考虑下这种方式是否合适
1 个赞
没搞懂你想说什么
1 个赞
白话点，你现在的处理方案谁给你的？
方案有没有做过相应的评估，这个方案在这个场景下是否合适？
1 个赞
目前看来除了存储不合适，其他流程没问题。
主要是我们日志中有数组字段。
目前考虑放es了。。。
1 个赞
道友请留步
要不要使用 RDBMS 来处理您的问题
rdbms 本身是不适合很适合存放数组数据，
如果真的考虑使用 rdbms 处理这种情况，有几种思路。
- 预聚合操作
类似 kylin 的 cube 模式，或者 clickhouse 拼宽表的行为，可以考虑预先定义处理的模型。
无论实时数仓，还是离线数仓，本质上都是数仓，都需要建模。
如果暴力的想从 ods 层抽取报表的话，其实难度还是挺大的。 - 将逻辑计算从数仓中剥离
其实您已经在 spark 中进行了 explode 操作，如果可以考虑将 distinct 的业务逻辑也放在 spark 中，
将结果落盘到数仓中也是可以的。
要不要适用 ES 来处理您的问题
此外，您反馈到，希望使用 ES。
ES 是一个非常棒的查询引擎，但我并不太建议使用 ES 代替数据存储。
ES 擅长于全文检索，但 ES 仍然也或多或少的存在某些问题，比如说
- ES 管理成本上相比于 rdbms 稍微复杂一些，比如扩容操作，消息队列采集还有双写问题
- ES 对于 group by，join 的支持是不够好的
- ES 可能涉及到了写入延迟问题
- ES 可能还涉及到了事务的问题，当然您是数仓，可能也不涉及到事务
将 ES 单独作为搜索引擎处理您的问题
那么推翻上面的预聚合的思路，重新构想一下这一套系统
我可以使用 RDBMS → CDC → ES → RDBMS 的思路，
简单来说，就是数据的存储还要依靠 RDBMS，数据的检索依靠 ES，检索回的结果可以考虑是否要重新。因为这里重写还涉及到了一个数据校验的问题。这个需要您仔细的根据业务模型和特点思考一下。
TiDB 社区内部也有相关的操作文档，将 ES 作为查询引擎，解决您的这个问题。
可以联系社区的老师要一下文档。这么好的文档不看都糟蹋了。
3 个赞
感谢回复！！
这点其实我也考虑过，只是需求极不明确，BI应用方都不知道自己想要什么(需求调研我专门做过。。。)，所以多数时候是要从DWD层中进行查询，就很尴尬。。。
我已经把数据做宽了，没必要join。基本全是过滤或单字段聚合类的，ES完全胜任。好像大约的确没必要再存rdbms一份
1 个赞
此话题已在最后回复的 1 分钟后被自动关闭。不再允许新回复。