使用 PALO 和 Paimon
更新时间：2025-08-21
作为一种全新的开放式的数据管理架构，湖仓一体（Data Lakehouse）融合了数据仓库的高性能、实时性以及数据湖的低成本、灵活性等优势，帮助用户更加便捷地满足各种数据处理分析的需求，在企业的大数据体系中已经得到越来越多的应用。
在过去多个版本中，PALO 持续加深与数据湖的融合，当前已演进出一套成熟的湖仓一体解决方案。
- 自 0.15 版本起，PALO 引入 Hive 和 Iceberg 外部表，尝试在 Apache Iceberg 之上探索与数据湖的能力结合。
- 自 1.2 版本起，PALO 正式引入 Multi-Catalog 功能，实现了多种数据源的自动元数据映射和数据访问、并对外部数据读取和查询执行等方面做了诸多性能优化，完全具备了构建极速易用 Lakehouse 架构的能力。
- 在 2.1 版本中，PALO 湖仓一体架构得到全面加强，不仅增强了主流数据湖格式（Hudi、Iceberg、Paimon 等）的读取和写入能力，还引入了多 SQL 方言兼容、可从原有系统无缝切换至 PALO。在数据科学及大规模数据读取场景上，PALO 集成了 Arrow Flight 高速读取接口，使得数据传输效率实现 100 倍的提升。
PALO & Paimon
Apache Paimon 是一种数据湖格式，并创新性地将数据湖格式和 LSM 结构的优势相结合，成功将高效的实时流更新能力引入数据湖架构中，这使得 Paimon 能够实现数据的高效管理和实时分析，为构建实时湖仓架构提供了强大的支撑。
为了充分发挥 Paimon 的能力，提高对 Paimon 数据的查询效率，PALO 对 Paimon 的多项最新特性提供了原生支持：
- 支持 Hive Metastore、FileSystem 等多种类型的 Paimon Catalog。
- 原生支持 Paimon 0.6 版本发布的 Primary Key Table Read Optimized 功能。
- 原生支持 Paimon 0.8 版本发布的 Primary Key Table Deletion Vector 功能。
基于 PALO 的高性能查询引擎和 Apache Paimon 高效的实时流更新能力，用户可以实现：
- 数据实时入湖：借助 Paimon 的 LSM-Tree 模型，数据入湖的时效性可以降低到分钟级；同时，Paimon 支持包括聚合、去重、部分列更新在内的多种数据更新能力，使得数据流动更加灵活高效。
- 高性能数据处理分析：Paimon 所提供的 Append Only Table、Read Optimized、Deletion Vector 等技术，可与 PALO 强大的查询引擎对接，实现湖上数据的快速查询及分析响应。
未来 PALO 将会逐步支持包括 Time Travel、增量数据读取在内的 Apache Paimon 更多高级特性，共同构建统一、高性能、实时的湖仓平台。
本文将会再 Docker 环境中，为读者讲解如何快速搭建 PALO + Apache Paimon 测试 & 演示环境，并展示各功能的使用操作。
使用指南
01 环境准备
本文示例采用 Docker Compose 部署，组件及版本号如下：
| 组件名称 | 版本 |
|---|---|
| PALO | 默认 2.1.5，可修改 |
| Apache Paimon | 0.8 |
| Apache Flink | 1.18 |
| MinIO | RELEASE.2024-04-29T09-56-05Z |
02 环境部署
-
启动所有组件
bash ./start_all.sh -
启动后，可以使用如下脚本，登陆 Flink 命令行或 PALO 命令行：
SQL1-- login flink 2bash ./start_flink_client.sh 3 4-- login doris 5bash ./start_doris_client.sh
03 数据准备
首先登陆 Flink 命令行后，可以看到一张预构建的表。表中已经包含一些数据，我们可以通过 Flink SQL 进行查看。
SQL
1Flink SQL> use paimon.db_paimon;
2[INFO] Execute statement succeed.
3
4Flink SQL> show tables;
5+------------+
6| table name |
7+------------+
8| customer |
9+------------+
101 row in set
11
12Flink SQL> show create table customer;
13+------------------------------------------------------------------------+
14| result |
15+------------------------------------------------------------------------+
16| CREATE TABLE `paimon`.`db_paimon`.`customer` (
17 `c_custkey` INT NOT NULL,
18 `c_name` VARCHAR(25),
19 `c_address` VARCHAR(40),
20 `c_nationkey` INT NOT NULL,
21 `c_phone` CHAR(15),
22 `c_acctbal` DECIMAL(12, 2),
23 `c_mktsegment` CHAR(10),
24 `c_comment` VARCHAR(117),
25 CONSTRAINT `PK_c_custkey_c_nationkey` PRIMARY KEY (`c_custkey`, `c_nationkey`) NOT ENFORCED
26) PARTITIONED BY (`c_nationkey`)
27WITH (
28 'bucket' = '1',
29 'path' = 's3://warehouse/wh/db_paimon.db/customer',
30 'deletion-vectors.enabled' = 'true'
31)
32 |
33+-------------------------------------------------------------------------+
341 row in set
35
36Flink SQL> desc customer;
37+--------------+----------------+-------+-----------------------------+--------+-----------+
38| name | type | null | key | extras | watermark |
39+--------------+----------------+-------+-----------------------------+--------+-----------+
40| c_custkey | INT | FALSE | PRI(c_custkey, c_nationkey) | | |
41| c_name | VARCHAR(25) | TRUE | | | |
42| c_address | VARCHAR(40) | TRUE | | | |
43| c_nationkey | INT | FALSE | PRI(c_custkey, c_nationkey) | | |
44| c_phone | CHAR(15) | TRUE | | | |
45| c_acctbal | DECIMAL(12, 2) | TRUE | | | |
46| c_mktsegment | CHAR(10) | TRUE | | | |
47| c_comment | VARCHAR(117) | TRUE | | | |
48+--------------+----------------+-------+-----------------------------+--------+-----------+
498 rows in set
50
51Flink SQL> select * from customer order by c_custkey limit 4;
52+-----------+--------------------+--------------------------------+-------------+-----------------+-----------+--------------+--------------------------------+
53| c_custkey | c_name | c_address | c_nationkey | c_phone | c_acctbal | c_mktsegment | c_comment |
54+-----------+--------------------+--------------------------------+-------------+-----------------+-----------+--------------+--------------------------------+
55| 1 | Customer#000000001 | IVhzIApeRb ot,c,E | 15 | 25-989-741-2988 | 711.56 | BUILDING | to the even, regular platel... |
56| 2 | Customer#000000002 | XSTf4,NCwDVaWNe6tEgvwfmRchLXak | 13 | 23-768-687-3665 | 121.65 | AUTOMOBILE | l accounts. blithely ironic... |
57| 3 | Customer#000000003 | MG9kdTD2WBHm | 1 | 11-719-748-3364 | 7498.12 | AUTOMOBILE | deposits eat slyly ironic,... |
58| 32 | Customer#000000032 | jD2xZzi UmId,DCtNBLXKj9q0Tl... | 15 | 25-430-914-2194 | 3471.53 | BUILDING | cial ideas. final, furious ... |
59+-----------+--------------------+--------------------------------+-------------+-----------------+-----------+--------------+--------------------------------+
604 rows in set04 数据查询
如下所示，PALO 集群中已经创建了名为 paimon 的 Catalog（可通过 SHOW CATALOGS 查看）。以下为该 Catalog 的创建语句：
SQL
1-- 已创建，无需执行
2CREATE CATALOG `paimon` PROPERTIES (
3 "type" = "paimon",
4 "warehouse" = "s3://warehouse/wh/",
5 "s3.endpoint"="http://minio:9000",
6 "s3.access_key"="admin",
7 "s3.secret_key"="password",
8 "s3.region"="us-east-1"
9);你可登录到 PALO 中查询 Paimon 的数据：
SQL
1mysql> use paimon.db_paimon;
2Reading table information for completion of table and column names
3You can turn off this feature to get a quicker startup with -A
4
5Database changed
6mysql> show tables;
7+---------------------+
8| Tables_in_db_paimon |
9+---------------------+
10| customer |
11+---------------------+
121 row in set (0.00 sec)
13
14mysql> select * from customer order by c_custkey limit 4;
15+-----------+--------------------+---------------------------------------+-------------+-----------------+-----------+--------------+--------------------------------------------------------------------------------------------------------+
16| c_custkey | c_name | c_address | c_nationkey | c_phone | c_acctbal | c_mktsegment | c_comment |
17+-----------+--------------------+---------------------------------------+-------------+-----------------+-----------+--------------+--------------------------------------------------------------------------------------------------------+
18| 1 | Customer#000000001 | IVhzIApeRb ot,c,E | 15 | 25-989-741-2988 | 711.56 | BUILDING | to the even, regular platelets. regular, ironic epitaphs nag e |
19| 2 | Customer#000000002 | XSTf4,NCwDVaWNe6tEgvwfmRchLXak | 13 | 23-768-687-3665 | 121.65 | AUTOMOBILE | l accounts. blithely ironic theodolites integrate boldly: caref |
20| 3 | Customer#000000003 | MG9kdTD2WBHm | 1 | 11-719-748-3364 | 7498.12 | AUTOMOBILE | deposits eat slyly ironic, even instructions. express foxes detect slyly. blithely even accounts abov |
21| 32 | Customer#000000032 | jD2xZzi UmId,DCtNBLXKj9q0Tlp2iQ6ZcO3J | 15 | 25-430-914-2194 | 3471.53 | BUILDING | cial ideas. final, furious requests across the e |
22+-----------+--------------------+---------------------------------------+-------------+-----------------+-----------+--------------+--------------------------------------------------------------------------------------------------------+
234 rows in set (1.89 sec)05 读取增量数据
我们可以通过 Flink SQL 更新 Paimon 表中的数据：
SQL
1Flink SQL> update customer set c_address='c_address_update' where c_nationkey = 1;
2[INFO] Submitting SQL update statement to the cluster...
3[INFO] SQL update statement has been successfully submitted to the cluster:
4Job ID: ff838b7b778a94396b332b0d93c8f7ac等 Flink SQL 执行完毕后，在 PALO 中可直接查看到最新的数据：
SQL
1mysql> select * from customer where c_nationkey=1 limit 2;
2+-----------+--------------------+-----------------+-------------+-----------------+-----------+--------------+--------------------------------------------------------------------------------------------------------+
3| c_custkey | c_name | c_address | c_nationkey | c_phone | c_acctbal | c_mktsegment | c_comment |
4+-----------+--------------------+-----------------+-------------+-----------------+-----------+--------------+--------------------------------------------------------------------------------------------------------+
5| 3 | Customer#000000003 | c_address_update | 1 | 11-719-748-3364 | 7498.12 | AUTOMOBILE | deposits eat slyly ironic, even instructions. express foxes detect slyly. blithely even accounts abov |
6| 513 | Customer#000000513 | c_address_update | 1 | 11-861-303-6887 | 955.37 | HOUSEHOLD | press along the quickly regular instructions. regular requests against the carefully ironic s |
7+-----------+--------------------+-----------------+-------------+-----------------+-----------+--------------+--------------------------------------------------------------------------------------------------------+
82 rows in set (0.19 sec)Benchmark
我们在 Paimon（0.8）版本的 TPCDS 1000 数据集上进行了简单的测试，分别使用了 PALO 2.1.5 版本和 Trino 422 版本，均开启 Primary Key Table Read Optimized 功能。
从测试结果可以看到，PALO 在标准静态测试集上的平均查询性能是 Trino 的 3~5 倍。后续我们将针对 Deletion Vector 进行优化，进一步提升真实业务场景下的查询效率。
查询优化
对于基线数据来说，Apache Paimon 在 0.6 版本中引入 Primary Key Table Read Optimized 功能后，使得查询引擎可以直接访问底层的 Parquet/ORC 文件，大幅提升了基线数据的读取效率。对于尚未合并的增量数据（INSERT、UPDATE 或 DELETE 所产生的数据增量）来说，可以通过 Merge-on-Read 的方式进行读取。此外，Paimon 在 0.8 版本中还引入的 Deletion Vector 功能，能够进一步提升查询引擎对增量数据的读取效率。 PALO 支持通过原生的 Reader 读取 Deletion Vector 并进行 Merge on Read，我们通过 PALO 的 EXPLAIN 语句，来演示在一个查询中，基线数据和增量数据的查询方式。
SQL
1mysql> explain verbose select * from customer where c_nationkey < 3;
2+------------------------------------------------------------------------------------------------------------------------------------------------+
3| Explain String(Nereids Planner) |
4+------------------------------------------------------------------------------------------------------------------------------------------------+
5| ............... |
6| |
7| 0:VPAIMON_SCAN_NODE(68) |
8| table: customer |
9| predicates: (c_nationkey[#3] < 3) |
10| inputSplitNum=4, totalFileSize=238324, scanRanges=4 |
11| partition=3/0 |
12| backends: |
13| 10002 |
14| s3://warehouse/wh/db_paimon.db/customer/c_nationkey=1/bucket-0/data-15cee5b7-1bd7-42ca-9314-56d92c62c03b-0.orc start: 0 length: 66600 |
15| s3://warehouse/wh/db_paimon.db/customer/c_nationkey=1/bucket-0/data-5d50255a-2215-4010-b976-d5dc656f3444-0.orc start: 0 length: 44501 |
16| s3://warehouse/wh/db_paimon.db/customer/c_nationkey=2/bucket-0/data-e98fb7ef-ec2b-4ad5-a496-713cb9481d56-0.orc start: 0 length: 64059 |
17| s3://warehouse/wh/db_paimon.db/customer/c_nationkey=0/bucket-0/data-431be05d-50fa-401f-9680-d646757d0f95-0.orc start: 0 length: 63164 |
18| cardinality=18751, numNodes=1 |
19| pushdown agg=NONE |
20| paimonNativeReadSplits=4/4 |
21| PaimonSplitStats: |
22| SplitStat [type=NATIVE, rowCount=1542, rawFileConvertable=true, hasDeletionVector=true] |
23| SplitStat [type=NATIVE, rowCount=750, rawFileConvertable=true, hasDeletionVector=false] |
24| SplitStat [type=NATIVE, rowCount=750, rawFileConvertable=true, hasDeletionVector=false] |
25| tuple ids: 0
26| ............... | |
27+------------------------------------------------------------------------------------------------------------------------------------------------+
2867 rows in set (0.23 sec)可以看到，对于刚才通过 Flink SQL 更新的表，包含 4 个分片，并且全部分片都可以通过 Native Reader 进行访问（paimonNativeReadSplits=4/4）。并且第一个分片的hasDeletionVector的属性为true，表示该分片有对应的 Deletion Vector，读取时会根据 Deletion Vector 进行数据过滤。