ToB企服应用市场:ToB评测及商务社交产业平台

标题: Doris全方位教程+应用实例 [打印本页]

作者: 水军大提督 时间: 2024-9-25 14:13
标题: Doris全方位教程+应用实例

Impala性能稍领先于presto,但是presto在数据源支持上非常丰富，包罗hive、图数据库、传统关系型数据库、Redis等
缺点：这两种对hbase支持的都欠好，presto 不支持，但是对hdfs、hive兼容性很好，其实这也是顺理成章的，以是数据源的处理很重要，针对hbase的二级索引查询可以用phoenix，效果也不错
Impala的优缺点
1.2.1 优点

1)基于内存运算，不需要把中间效果写入磁盘，省掉了大量的I/O开销。
2)无需转换为Mapreduce，直接访问存储在HDFS，HBase中的数据举行作业调度，速度快。
3)使用了支持Data locality的I/O调度机制，尽可能地将数据和盘算分配在同一台机器上举行，减少了网络开销。
4)支持各种文件格式，如TEXTFILE 、SEQUENCEFILE 、RCFile、Parquet。
5)可以访问hive的metastore，对hive数据直接做数据分析。
1.2.2 缺点
1)对内存的依赖大，且完全依赖于hive。
2)实践中，分区超过1万，性能严重降落。
3)只能读取文本文件，而不能直接读取自定义二进制文件。
每当新的记录/文件被添加到HDFS中的数据目录时，该表需要被刷新

Doris 的架构很轻便，只设 FE(Frontend)、BE(Backend)两种角色、两个历程，不依赖于
外部组件，方便部署和运维，FE、BE 都可线性扩展。
FE（Frontend）：存储、维护集群元数据；负责吸收、剖析查询请求，规划查询计划，调度查询执行，返回查询效果。
Leader 和 Follower：主要是用来达到元数据的高可用
Observer：用来扩展查询节点，同时起到元数据备份的作用，observer 不参与任何的写入，只参与读取
BE（Backend）：负责物理数据的存储和盘算；依据 FE 生成的物理计划，分布式地执行查询。
MySQL Client
Doris 借助 MySQL 协议，用户使用恣意 MySQL 的 ODBC/JDBC 以及 MySQL 的客户
端，都可以直接访问 Doris。
Broker
Broker 为一个独立的无状态历程。封装了文件系统接口，提供 Doris 读取远端存储系统
中文件的本领，包罗 HDFS，S3，BOS 等。

Partition & Tablet
数据起首被分别成若干个分区（Partition），分别的规则通
常是按照用户指定的分区列举行范围分别
。而在每个分区内，数据被进一
步的按照 Hash 的方式分桶，分桶的规则是要找用户指定的分桶列的值举行 Hash 后分桶。
每个分桶就是一个数据分片（Tablet），也是数据分别的最小逻辑单位。

建表
Doris 支持支持单分区和复合分区两种建表方式。
复合分区：既有分区也有分桶
单分区：只做 HASH 分布，即只分桶。
HLL
1~16385 个字节。hll 列范例，不需要指定长度和默认值、长度根据数据的聚合水平系统内控制，而且 HLL 列只能通过配套的 hll_union_agg 、 Hll_cardinality、hll_hash 举行查询或使用
BITMAP
bitmap 列范例，不需要指定长度和默认值。表现整型的集合，元素最大支持到 2^64 - 1

3.3.2.1 Range Partition
CREATE TABLE IF NOT EXISTS example_db.expamle_range_tbl
(
`user_id` LARGEINT NOT NULL COMMENT "用户 id",
`date` DATE NOT NULL COMMENT "数据灌入日期时间",
`timestamp` DATETIME NOT NULL COMMENT "数据灌入的时间戳",
`city` VARCHAR(20) COMMENT "用户所在城市",
`age` SMALLINT COMMENT "用户年龄",
`sex` TINYINT COMMENT "用户性别",
`last_visit_date` DATETIME REPLACE DEFAULT "1970-01-01
00:00:00" COMMENT "用户最后一次访问时间",
`cost` BIGINT SUM DEFAULT "0" COMMENT "用户总消耗",
`max_dwell_time` INT MAX DEFAULT "0" COMMENT "用户最大停留时间",
`min_dwell_time` INT MIN DEFAULT "99999" COMMENT "用户最小停留时间"
)
ENGINE=olap
AGGREGATE KEY(`user_id`, `date`, `timestamp`, `city`, `age`, `sex`)
PARTITION BY RANGE(`date`)
(
PARTITION `p201701` VALUES LESS THAN ("2017-02-01"),
PARTITION `p201702` VALUES LESS THAN ("2017-03-01"),
PARTITION `p201703` VALUES LESS THAN ("2017-04-01")
)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 16
PROPERTIES
(
"replication_num" = "3",
"storage_medium" = "SSD",
"storage_cooldown_time" = "2018-01-01 12:00:00"
);
分区的删除不会改变已存在分区的范围。删除分区可能出现空洞

3.3.2.2 List Partition
CREATE TABLE IF NOT EXISTS example_db.expamle_list_tbl
(
`user_id` LARGEINT NOT NULL COMMENT "用户 id",
`date` DATE NOT NULL COMMENT "数据灌入日期时间",
`timestamp` DATETIME NOT NULL COMMENT "数据灌入的时间戳",
`city` VARCHAR(20) COMMENT "用户所在城市",
`age` SMALLINT COMMENT "用户年龄",
`sex` TINYINT COMMENT "用户性别",
`last_visit_date` DATETIME REPLACE DEFAULT "1970-01-01
00:00:00" COMMENT "用户最后一次访问时间",
`cost` BIGINT SUM DEFAULT "0" COMMENT "用户总消耗",
`max_dwell_time` INT MAX DEFAULT "0" COMMENT "用户最大停留时间",
`min_dwell_time` INT MIN DEFAULT "99999" COMMENT "用户最小停留时
间"
)
ENGINE=olap
AGGREGATE KEY(`user_id`, `date`, `timestamp`, `city`, `age`, `sex`)
PARTITION BY LIST(`city`)
(
PARTITION `p_cn` VALUES IN ("Beijing", "Shanghai", "Hong Kong"),
PARTITION `p_usa` VALUES IN ("New York", "San Francisco"),
PARTITION `p_jp` VALUES IN ("Tokyo")
)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 16
PROPERTIES
(
"replication_num" = "3",
"storage_medium" = "SSD",
"storage_cooldown_time" = "2018-01-01 12:00:00"
);
分区值为罗列值

不论分区列是什么范例，在写分区值时，都需要加双引号。
分桶列可以是多列，但必须为 Key 列

多列分区
Doris 支持指定多列作为分区列
PARTITION BY RANGE(`date`, `id`)
(
PARTITION `p201701_1000` VALUES LESS THAN ("2017-02-01", "1000"),
PARTITION `p201702_2000` VALUES LESS THAN ("2017-03-01", "2000"),
PARTITION `p201703_all` VALUES LESS THAN ("2017-04-01")
)
PARTITION BY LIST(`id`, `city`)
(
PARTITION `p1_city` VALUES IN (("1", "Beijing"), ("1", "Shanghai")),
PARTITION `p2_city` VALUES IN (("2", "Beijing"), ("2", "Shanghai")),
PARTITION `p3_city` VALUES IN (("3", "Beijing"), ("3", "Shanghai"))
)

AGGREGATE KEY 数据模型中，所有没有指定聚合方式（SUM、REPLACE、MAX、 MIN）的列视为 Key 列。而其余则为 Value 列。
Key 列必须在所有 Value 列之前。

在建表语句的最后 PROPERTIES 中，可以指定以下两个参数：
3.4.3.1 replication_num
每个 Tablet 的副本数量。默认为 3，建议保持默认即可。
Doris 中副天职布的
原则是，不答应同一个 Tablet 的副天职布在同一台物理机上
即使在同一台物理机上部署了 3 个或更多 BE 实例，假如这些 BE 的 IP 雷同，则依然只
能设置副本数为 1
3.4.3.2 storage_medium & storage_cooldown_time
BE 的数据存储目录可以显式的指定为 SSD 或者 HDD（通过 .SSD 或者 .HDD 后缀
区分）。建
默认初始存储介质可通过 fe 的配置文件 fe.conf 中指定 default_storage_medium=xxx，
假如没有指定，则默认为 HDD。假如指定为 SSD，则数据初始存放在 SSD 上。
假如没有指定 storage_cooldown_time，则默认 30 天后，数据会从 SSD 自动迁移到 HDD
上。假如指定了 storage_cooldown_time，则在到达 storage_cooldown_time 时间后，数据才会
迁移。

ENGINE 的范例是 olap，即默认的 ENGINE 范例。在 Doris 中，只有这个ENGINE 范例是由 Doris 负责数据管理和存储的。其他 ENGINE 范例，如 mysql、broker、es 等等，本质上只是对外部其他数据库或系统中的表的映射，以包管 Doris 可以读取这些数据。

数据模型
Doris 的数据模型主要分为 3 类：Aggregate、Uniq、Duplicate
Aggregate 模型
CREATE TABLE IF NOT EXISTS test_db.example_site_visit2
(
`user_id` LARGEINT NOT NULL COMMENT "用户 id",
`date` DATE NOT NULL COMMENT "数据灌入日期时间",
`timestamp` DATETIME COMMENT "数据灌入时间，准确到秒",
`city` VARCHAR(20) COMMENT "用户所在城市",
`age` SMALLINT COMMENT "用户年龄",
`sex` TINYINT COMMENT "用户性别",
`last_visit_date` DATETIME REPLACE DEFAULT "1970-01-01 00:00:00" COMMENT "用户最后一次访问时间",
`cost` BIGINT SUM DEFAULT "0" COMMENT "用户总消耗",
`max_dwell_time` INT MAX DEFAULT "0" COMMENT "用户最大停留时间",
`min_dwell_time` INT MIN DEFAULT "99999" COMMENT "用户最小停留时
间"
)
AGGREGATE KEY(`user_id`, `date`, `timestamp`, `city`, `age`, `sex`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 10;
分为 Key（维度列）和 Value（指标列）。
没有设置 AggregationType 的称为 Key，设置了 AggregationType 的称为 Value。
对于 Key 列雷同的行会聚合成一行，而 Value 列会按照设置的 AggregationType 举行聚合。
SUM：求和
REPLACE：更换，下一批数据中的 Value 会更换之前导入过的行中的 Value。
MAX：生存最大值。
MIN：生存最小值。
数据的聚合，在 Doris 中有如下三个阶段发生：
（1）每一批次数据导入的 ETL 阶段。
（2）底层 BE 举行数据 Compaction 的阶段。该阶段，BE 会对已导入的差别批次的
数据举行进一步的聚合。
（3）数据查询阶段。在数据查询时，对于查询涉及到的数据，会举行对应的聚合。
Uniq 模型
CREATE TABLE IF NOT EXISTS test_db.user
(
`user_id` LARGEINT NOT NULL COMMENT "用户 id",
`username` VARCHAR(50) NOT NULL COMMENT "用户昵称",
`city` VARCHAR(20) COMMENT "用户所在城市",
`age` SMALLINT COMMENT "用户年龄",
`sex` TINYINT COMMENT "用户性别",
`phone` LARGEINT COMMENT "用户电话",
`address` VARCHAR(500) COMMENT "用户地址",
`register_time` DATETIME COMMENT "用户注册时间"
)
UNIQUE KEY(`user_id`, `username`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 10;
包管 Key 的唯一性获得 Primary Key 唯一性束缚。
Duplicate 模型
在某些多维分析场景下，数据既没有主键，也没有聚合需求。Duplicate 数据模型可以
满意这类需求。数据完全按照导入文件中的数据举行存储，不会有任何聚合。即使两行数据完全雷同，也都会生存。
而在建表语句中指定的 DUPLICATE KEY，只是用来指明底层数据按照那些列举行排序
CREATE TABLE IF NOT EXISTS test_db.example_log
(
`timestamp` DATETIME NOT NULL COMMENT "日记时间",
`type` INT NOT NULL COMMENT "日记范例",
`error_code` INT COMMENT "错误码",
`error_msg` VARCHAR(1024) COMMENT "错误详细信息",
`op_id` BIGINT COMMENT "负责人 id", s
`op_time` DATETIME COMMENT "处理时间"
)
DUPLICATE KEY(`timestamp`, `type`)
DISTRIBUTED BY HASH(`timestamp`) BUCKETS 10;

动态分区
分区列 time 范例为 DATE，创建一个动态分区规则。按天分区，只生存近来 7 天的分区，而且预先创建将来 3 天的分区。
create table student_dynamic_partition1
(id int,
time date,
name varchar(50),
age int
)
duplicate key(id,time)
PARTITION BY RANGE(time)()
DISTRIBUTED BY HASH(id) buckets 10
PROPERTIES(
"dynamic_partition.enable" = "true",
"dynamic_partition.time_unit" = "DAY",
"dynamic_partition.start" = "-7",
"dynamic_partition.end" = "3",
"dynamic_partition.prefix" = "p",
"dynamic_partition.buckets" = "10",
"replication_num" = "1"
);
建表时指定：
CREATE TABLE tbl1
(...)
PROPERTIES
(
"dynamic_partition.prop1" = "value1",
"dynamic_partition.prop2" = "value2",
...
)
运行时修改
ALTER TABLE tbl1 SET
(
"dynamic_partition.prop1" = "value1",
"dynamic_partition.prop2" = "value2",
...
)

Rollup
在 Doris 中，我们将用户通过建表语句创建出来的表称为 Base 表（Base Table）。Base
表中生存着按用户建表语句指定的方式存储的基础数据。
在 Base 表之上，我们可以创建恣意多个 ROLLUP 表。这些 ROLLUP 的数据是基于 Base
表产生的，而且在物理上是独立存储的。
ROLLUP 表的基本作用，在于在 Base 表的基础上，获得更粗粒度的聚合数据。
比如需要查看某个用户的总消耗，那么可以建立一个只有 user_id 和 cost 的 rollup
alter table example_site_visit2 add rollup rollup_cost_userid(user_id,cost);
SELECT user_id, sum(cost) FROM example_site_visit2 GROUP BY user_id;
Doris 会自动掷中这个 ROLLUP 表，从而只需扫描少少的数据量，即可完成这次聚合查询。
因为 Duplicate 模型没有聚合的语意。以是该模型中的 ROLLUP，已经失去了“上卷” 这一层含义。而仅仅是作为调整列顺序，以掷中前缀索引的作用。
是否掷中 ROLLUP 完全由 Doris 系统自动决定
ROLLUP 的数据更新与 Base 表是完全同步的。

前缀索引

Doris 不支持在恣意列上创建索引。
我们将一行数据的前 36 个字节作为这行数据的前缀索引。当碰到 VARCHAR 范例时，前缀索引会直接截断。
因为建表时已经指定了列顺序，以是一个表只有一种前缀索引。这对于使用其他不能掷中前缀索引的列作为条件举行的查询来说，服从上可能无法满意需求。
因此，我们可以通过创建 ROLLUP 来人为的调整列顺序。

物化视图
查询效果预先存储起来的特殊的表。
Rollup 具有一定的局限性，他不能基于明细模型做预聚合。
物化视图则在覆盖了 Rollup 的功能的同时，还能支持更丰富的聚合函数。以是物化视图其实是 Rollup 的一个超集。
create materialized view store_amt as
select store_id, sum(sale_amt)
from sales_records
group by store_id;
提交完创建物化视图的任务后，Doris就会异步在后台生成物化视图的数据，构建物化视图。
物化视图创建完成后，用户的查询会根据规则自动匹配到最优的物化视图

删除数据（Delete）
Doris 目前可以通过两种方式删除数据：DELETE FROM 语句和 ALTER TABLE DROP PARTITION 语句。
delete from student_kafka where id=1;
该语句只能针对 Partition 级别举行删除。假如一个表有多个 partition 含有需要删除的数据，则需要执行多次针对差别 Partition 的 delete 语句。而假如是没有使用 Partition 的表，partition 的名称即表名。
where 背面的条件谓词只能针对 Key 列，而且谓词之间，只能通过 AND 连接。假如想实现 OR 的语义，需要执行多条 delete。
数据的真正删除是在 BE 举行数据 Compaction 时举行的。以是执行完 delete 命令后，并不会立刻释放磁盘空间

数据导入
导入（Load）功能就是将用户的原始数据导入到 Doris 中。导入乐成后，用户即可通过 Mysql 客户端查询数据。为适配差别的数据导入需求，Doris 系统提供了 6 种差别的导入方式。每种导入方式支持差别的数据源，存在差别的使用方式（异步，同步）。
Broker Load
源数据在 Broker 可以访问的存储系统中，如 HDFS。数据量在几十到百 GB 级别。
LOAD LABEL test_db.student_result
(
DATA INFILE("hdfs://my_cluster/student.csv")
INTO TABLE `student_result`
COLUMNS TERMINATED BY ","
FORMAT AS "csv"
(id, name, age, score)
)
WITH BROKER broker_name
(
#开启了 HA 的写法，其他 HDFS 参数可以在这里指定
"dfs.nameservices" = "my_cluster",
"dfs.ha.namenodes.my_cluster" = "nn1,nn2,nn3",
"dfs.namenode.rpc-address.my_cluster.nn1" = "hadoop1:8020",
"dfs.namenode.rpc-address.my_cluster.nn2" = "hadoop2:8020",
"dfs.namenode.rpc-address.my_cluster.nn3" = "hadoop3:8020",
"dfs.client.failover.proxy.provider" = "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider"
)
PROPERTIES
(
"timeout" = "3600"
);
每个导入任务，都有一个在单 database 内部唯一的 Label。Label 是用户在导入命令中自定义的名称。通过这个 Label，用户可以查看对应导入任务的执行情况。
Label 的另一个作用，是防止用户重复导入雷同的数据。强烈推荐用户同一批次数据使用雷同的 label。这样同一批次数据的重复请求只会被继承一次，包管了 At-Most-Once 语义

Stream Load
Stream load 主要实用于导入本地文件，或通过程序导入数据流中的数据。
目前 Stream Load 支持两个数据格式：CSV（文本）和 JSON。
curl
--location-trusted
-u root
-H "label:123"
-H"column_separator:,"
-T student.csv
-X PUT
http://hadoop1:8030/api/test_db/student_result/_stream_load

3 Routine Load
当前仅支持从 Kafka 系统举行例行导入
CREATE ROUTINE LOAD test_db.kafka_test ON student_kafka
COLUMNS TERMINATED BY ",",
COLUMNS(id, name, age)
PROPERTIES
(
"desired_concurrent_number"="3",
"strict_mode" = "false"
)
FROM KAFKA
(
"kafka_broker_list"= "hadoop1:9092,hadoop2:9092,hadoop3:9092",
"kafka_topic" = "test_doris1",
"property.group.id"="test_doris_group",
"property.kafka_default_offsets" = "OFFSET_BEGINNING",
"property.enable.auto.commit"="false"
);

Binlog Load
增量同步用户在 Mysql 数据库的对数据更新操作的 CDC（Change Data Capture）功能。
INSERT/UPDATE/DELETE 支持。
过滤 Query。
暂不兼容 DDL 语句。
CREATE SYNC test_db.job1
(
FROM test.tbl1 INTO binlog_test
)
FROM BINLOG
(
"type" = "canal", // 目前可支持的对接范例只有 canal 方式
"canal.server.ip" = "hadoop1",
"canal.server.port" = "11111",
"canal.destination" = "doris-load",
"canal.username" = "canal",
"canal.password" = "canal"
);

Insert Into 的使用方式和 MySQL 等数据库中 Insert Into 语句的使用方式类似

数据导出
EXPORT TABLE db1.tbl1
PARTITION (p1,p2)
[WHERE [expr]]
TO "hdfs://host/path/to/export/"
PROPERTIES
(
"label" = "mylabel",
"column_separator"=",",
"columns" = "col1,col2",
"exec_mem_limit"="2147483648",
"timeout" = "3600"
)
WITH BROKER "hdfs"
(
"username" = "user",
"password" = "passwd"
);
查询效果导出
SELECT * FROM example_site_visit
INTO OUTFILE "hdfs://hadoop1:8020/doris-out/broker_a_"
FORMAT AS CSV
PROPERTIES
(
"broker.name" = "broker_name",
"column_separator" = ",",
"line_delimiter" = "\n",
"max_file_size" = "100MB"
);

Join 查询
Broadcast Join
系统默认实现 Join 的方式，是将小表举行条件过滤后，将其广播到大表所在的各个节
点上，形成一个内存 Hash 表，然后流式读出大表的数据举行 Hash Join。
FROM example_site_visit
JOIN [broadcast] example_site_visit2
Shuffle Join（Partitioned Join）
假如当小表过滤后的数据量无法放入内存的话，此时 Join 将无法完成可以显式指定 Shuffle Join。
即将小表和大表都按照 Join 的 key 举行 Hash，然后举行分布式的 Join
FROM example_site_visit
JOIN [shuffle] example_site_visit2
Colocation Join
包管这些表对应的数据分片会落在同一个 be 节点上，那么使得两表再举行 join 的时候，可以通过本地数据举行直接join，减少数据在节点之间的网络传输时间。
建表时两张表的分桶列的范例和数量需要完全同等，而且桶数同等
Bucket Shuffle Join
SQL 语句为 A 表 join B 表，而且 join 的等值表达式掷中了 A 的数据分布列。而 Bucket Shuffle Join 会根据 A 表的数据分布信息，将 B 表的数据发送到对应的 A 表的数据存储盘算节点。
与 Colocate Join 差别，它对于表的数据分布方式并没有侵入性，这对于用户来说是透明的。对于表的数据分布没有强制性的要求，不轻易导致数据倾斜的问题

指定 RuntimeFilter 范例
旨在为某些 Join 查询在运行时动态生成过滤条件，来减少扫描的数据量，避免不必要的 I/O 和网络传输，从而加快查询。
set runtime_filter_type="BLOOM_FILTER,IN,MIN_MAX";

tableEnv.executeSql("CREATE TABLE flink_doris (\n" +
" siteid INT,\n" +
" citycode SMALLINT,\n" +
" username STRING,\n" +
" pv BIGINT\n" +
" ) \n" +
" WITH (\n" +
" 'connector' = 'doris',\n" +
" 'fenodes' = 'hadoop1:8030',\n" +
" 'table.identifier' = 'test_db.table1',\n" +
" 'username' = 'test',\n" +
" 'password' = 'test'\n" +
")\n");

ODBC 外部表
CREATE EXTERNAL RESOURCE `oracle_odbc`
PROPERTIES (
"type" = "odbc_catalog",
"host" = "192.168.0.1",
"port" = "8086",
"user" = "test",
"password" = "test",
"database" = "test",
"odbc_type" = "oracle",
"driver" = "Oracle 19 ODBC driver"
);
CREATE EXTERNAL TABLE `baseall_oracle` (
`k1` decimal(9, 3) NOT NULL COMMENT "",
`k2` char(10) NOT NULL COMMENT "",
`k3` datetime NOT NULL COMMENT "",
`k5` varchar(20) NOT NULL COMMENT "",
`k6` double NOT NULL COMMENT ""
) ENGINE=ODBC
COMMENT "ODBC"
PROPERTIES (
"odbc_catalog_resource" = "oracle_odbc",
"database" = "test",
"table" = "baseall"
);

6）Doris 建 Resource
通过 ODBC_Resource 来创建 ODBC 外表，这是推荐的方式，这样 resource 可以复用。
CREATE EXTERNAL RESOURCE `mysql_5_3_11`
PROPERTIES (
"host" = "hadoop1",
"port" = "3306",
"user" = "root",
"password" = "000000",
"database" = "test",
"table" = "test_cdc",
"driver" = "MySQL ODBC 5.3.11", --名称要和上面[]里的名称同等
"odbc_type" = "mysql",
"type" = "odbc_catalog")
7）基于 Resource 创建 Doris 外表
CREATE EXTERNAL TABLE `test_odbc_5_3_11` (
`id` int NOT NULL ,
`name` varchar(255) null
) ENGINE=ODBC
COMMENT "ODBC"
PROPERTIES (
"odbc_catalog_resource" = "mysql_5_3_11", --名称就是 resource 的名称
"database" = "test",
"table" = "test_cdc"
);

CREATE EXTERNAL TABLE `es_test` (
`k1` bigint(20) COMMENT "",
`k2` datetime COMMENT "",
`k3` varchar(20) COMMENT "",
`k4` varchar(100) COMMENT "",
`k5` float COMMENT ""
) ENGINE=ELASTICSEARCH // ENGINE 必须是 Elasticsearch
PROPERTIES (
"hosts" =
"http://hadoop1:9200,http://hadoop2:9200,http://hadoop3:9200",
"index" = "test",
"type" = "doc",
"user" = "",
"password" = ""
);

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)