TiDB HTAP实时分析实战：从TiFlash到实时看板的6种生产模式

数据库

T+1分析已死，实时洞察才是未来

凌晨3点，线上订单暴涨10倍，CEO问："现在各品类实时GMV多少？"——你只能回答："数据还在ETL管道里，明天才能看到。"

这就是传统T+1分析的困境：

  • ETL管道脆弱：Kafka → Flink → ClickHouse，任何一环故障，数据断流
  • 数据延迟不可控：从OLTP到OLAP，分钟级到小时级延迟是常态
  • 双系统运维噩梦：MySQL负责交易，ClickHouse负责分析，数据一致性靠人肉
  • 成本失控：两套存储、两套计算、两套运维，资源利用率低下
  • 实时性不足：业务决策需要秒级响应，T+1报表已成历史遗留

TiDB HTAP的承诺：一套系统，同时承载OLTP和OLAP，数据零延迟从行存同步到列存。这不是PPT架构，而是已经在数千家企业生产验证的方案。

HTAP核心概念速查

概念 全称 核心作用 类比
HTAP Hybrid Transactional/Analytical Processing 一套系统同时处理事务和分析 一人分饰交易员和分析师
TiFlash TiDB Flash 列式存储引擎，承载OLAP查询 OLAP的专属加速器
TiKV TiDB Key-Value 行式存储引擎，承载OLTP事务 OLTP的基石
MPP Massively Parallel Processing 多节点并行计算框架 多人同时算不同分片
列式存储 Columnar Storage 按列存储数据，分析查询只读需要的列 只翻需要的书页
Raft Learner Raft一致性协议学习者角色 异步复制数据到TiFlash，不影响主流程 影子抄写员
数据集市 Data Mart 面向特定业务域的预聚合数据集合 为每个部门定制的报表橱窗

💡 使用 JSON 格式化 工具格式化 TiDB 配置文件，便于排查问题。

传统实时分析架构的5大痛点

痛点1：ETL管道是最大的单点故障

MySQL → Canal → Kafka → Flink → ClickHouse
  │        │       │       │        │
  │        │       │       │        └─ 写入失败，数据丢失
  │        │       │       └─ 作业崩溃，数据积压
  │        │       └─ 分区不均，消费延迟
  │        └─ Binlog解析异常
  └─ 主从延迟

任何一个环节出问题，整条链路断裂。凌晨告警不断，运维苦不堪言。

痛点2：数据一致性无法保证

OLTP和OLAP是两套独立系统，数据同步存在延迟窗口：

-- MySQL: 订单已退款
UPDATE orders SET status = 'refunded' WHERE id = 10086;

-- ClickHouse: 5分钟后才看到退款状态
-- 这5分钟内，报表数据是错的

痛点3：双系统运维成本翻倍

运维项 MySQL ClickHouse 合计
监控告警 Grafana + Prometheus Grafana + Prometheus 2套
备份恢复 mysqldump / XtraBackup clickhouse-backup 2套
容量规划 主从 + 分库分表 分布式表 + 副本 2套
版本升级 滚动升级 滚动升级 2套
人员要求 DBA ClickHouse专家 2个团队

痛点4：查询性能与数据新鲜度的矛盾

  • ClickHouse追求查询性能，需要MergeTree合并，数据有延迟
  • 要实时性就要用ReplacingMergeTree，但查询需要FINAL，性能暴跌
  • 实时性和性能，鱼和熊掌不可兼得

痛点5：开发效率低下

// 开发者需要维护两套数据模型
public class OrderService {
    // OLTP: MySQL
    @Transactional
    public void createOrder(Order order) {
        orderMapper.insert(order);
    }
    
    // OLAP: ClickHouse - 还要写一遍
    public void syncToClickHouse(Order order) {
        clickHouseMapper.insert(order);
        // 字段映射、类型转换、异常处理...
    }
}

6种生产级HTAP实战模式

模式1：TiFlash列存副本搭建

TiFlash通过Raft Learner角色异步接收TiKV的数据变更，实现行存到列存的实时同步。

1.1 部署TiFlash节点

# tiup topology.yaml 片段
tiflash_servers:
  - host: 10.0.1.21
    tcp_port: 9000
    http_port: 8123
    flash_service_port: 3930
    flash_proxy_port: 20170
    flash_proxy_status_port: 20292
    metrics_interval: 15
    data_dir: /data/tiflash/data
    deploy_dir: /data/tiflash/deploy
    config:
      logger:
        level: information
      storage:
        main:
          capacity: "2TB"
        latest:
          capacity: "200GB"
  - host: 10.0.1.22
    tcp_port: 9000
    http_port: 8123
    flash_service_port: 3930
    flash_proxy_port: 20170
    flash_proxy_status_port: 20292
    data_dir: /data/tiflash/data
    deploy_dir: /data/tiflash/deploy

# 扩容TiFlash节点
tiup cluster scale-out tidb-prod topology-tiflash.yaml

# 验证TiFlash节点状态
tiup cluster display tidb-prod | grep tiflash

1.2 为表添加TiFlash副本

-- 为整张表添加TiFlash副本（默认1副本）
ALTER TABLE orders SET TIFLASH REPLICA 1;

-- 为表添加2个TiFlash副本（高可用）
ALTER TABLE orders SET TIFLASH REPLICA 2;

-- 为分区表添加TiFlash副本
ALTER TABLE orders_partition SET TIFLASH REPLICA 1;

-- 查看副本同步进度
SELECT * FROM information_schema.tiflash_replica
WHERE table_name = 'orders';

同步进度输出示例：

+----------+------------+----------+---------------+------------------+-----------+
| TABLE_ID | TABLE_NAME | REPLICA  | LOCATION_LABELS| AVAILABLE        | PROGRESS  |
+----------+------------+----------+---------------+------------------+-----------+
|       85 | orders     |        1 |               | True             | 1.0       |
+----------+------------+----------+---------------+------------------+-----------+

1.3 按列添加TiFlash副本（节省存储）

-- 只为分析需要的列创建TiFlash副本
ALTER TABLE orders SET TIFLASH REPLICA 1
  COLUMNS (order_id, user_id, product_id, amount, status, created_at);

-- 验证列级副本
SHOW CREATE TABLE orders;

模式2：MPP分布式查询加速

TiDB的MPP引擎将分析查询下推到多个TiFlash节点并行执行，实现接近ClickHouse的查询性能。

2.1 启用MPP模式

-- 查看当前MPP模式
SHOW VARIABLES LIKE 'tidb_allow_mpp';

-- 启用MPP（默认已启用）
SET SESSION tidb_allow_mpp = 1;

-- 强制使用MPP（用于测试验证）
SET SESSION tidb_enforce_mpp = 1;

-- 设置MPP查询的Exchange压缩
SET SESSION tidb_exchange_compression = 'ON';

2.2 MPP查询实战：实时销售分析

-- 场景：实时统计各品类今日销售额Top10
-- MPP会自动将计算下推到TiFlash节点并行执行

SELECT
    c.category_name,
    SUM(oi.quantity * oi.unit_price) AS total_sales,
    COUNT(DISTINCT o.user_id) AS unique_buyers,
    AVG(oi.quantity * oi.unit_price) AS avg_order_value
FROM orders o
JOIN order_items oi ON o.order_id = oi.order_id
JOIN products p ON oi.product_id = p.product_id
JOIN categories c ON p.category_id = c.category_id
WHERE o.created_at >= CURDATE()
  AND o.status IN ('paid', 'shipped', 'completed')
GROUP BY c.category_name
ORDER BY total_sales DESC
LIMIT 10;

2.3 验证MPP执行计划

-- 查看执行计划，确认MPP算子
EXPLAIN ANALYZE
SELECT
    c.category_name,
    SUM(oi.quantity * oi.unit_price) AS total_sales
FROM orders o
JOIN order_items oi ON o.order_id = oi.order_id
JOIN products p ON oi.product_id = p.product_id
JOIN categories c ON p.category_id = c.category_id
WHERE o.created_at >= CURDATE()
GROUP BY c.category_name;

关键执行计划特征：

+------------------------------------------+----------+---------+--------------+
| id                                       | task     | rows    | operator info|
+------------------------------------------+----------+---------+--------------+
| TableReader_45                           | root     | 10      | ...          |
| └─ExchangeSender_44                      | mpp[tif] | 10      | ExchangeType |
|   └─Projection_42                        | mpp[tif] | 10      | ...          |
|     └─HashAgg_43                         | mpp[tif] | 10      | group by:... |
|       └─ExchangeReceiver_38              | mpp[tif] | 100     | ...          |
|         └─ExchangeSender_37              | mpp[tif] | 100     | ExchangeType |
|           └─HashJoin_36                  | mpp[tif] | 100     | inner join   |
|             ├─Selection_25(Build)        | mpp[tif] | 500     | ...          |
|             │ └─TableFullScan_24         | mpp[tif] | 10000   | tikv:tiflash |
|             └─Selection_30(Probe)        | mpp[tif] | 800     | ...          |
|               └─TableFullScan_29         | mpp[tif] | 20000   | tikv:tiflash |
+------------------------------------------+----------+---------+--------------+

看到 mpp[tif] 和 ExchangeSender/Receiver 说明MPP已生效。

2.4 MPP性能对比

-- 关闭MPP，使用传统TiKV扫描
SET SESSION tidb_allow_mpp = 0;

EXPLAIN ANALYZE
SELECT c.category_name, SUM(oi.quantity * oi.unit_price) AS total_sales
FROM orders o
JOIN order_items oi ON o.order_id = oi.order_id
JOIN products p ON oi.product_id = p.product_id
JOIN categories c ON p.category_id = c.category_id
WHERE o.created_at >= CURDATE()
GROUP BY c.category_name;

-- 重新启用MPP
SET SESSION tidb_allow_mpp = 1;
查询模式 数据量 执行时间 扫描行数
TiKV扫描 1亿行 45.2s 100,000,000
TiFlash非MPP 1亿行 12.8s 100,000,000
TiFlash MPP 1亿行 3.2s 100,000,000

模式3：TiCDC实时ETL替代

TiCDC（Change Data Capture）可以替代传统ETL管道，将TiDB的数据变更实时同步到下游系统。

3.1 部署TiCDC

# tiup topology.yaml 片段
cdc_servers:
  - host: 10.0.1.31
    port: 8300
    deploy_dir: /data/cdc/deploy
    data_dir: /data/cdc/data
    config:
      per-table-memory-quota: 10485760
      sink-memory-quota: 536870912
  - host: 10.0.1.32
    port: 8300
    deploy_dir: /data/cdc/deploy
    data_dir: /data/cdc/data

# 扩容TiCDC
tiup cluster scale-out tidb-prod topology-cdc.yaml

# 验证TiCDC状态
tiup cluster display tidb-prod | grep cdc

3.2 创建同步任务：替代MySQL → Kafka → Flink链路

# 创建TiCDC同步任务：TiDB → Kafka（替代Canal + Kafka）
cdc cli changefeed create \
  --server=http://10.0.1.31:8300 \
  --sink-uri="kafka://kafka-cluster:9092/tidb-orders?partition-num=6&max-message-bytes=10485760&replication-factor=3" \
  --changefeed-id="orders-to-kafka" \
  --config=cdc-orders.yaml

# cdc-orders.yaml
filter:
  rules:
    - 'ecommerce.orders'
    - 'ecommerce.order_items'
    - 'ecommerce.payments'
  ignore_txn_start_ts: []

mounter:
  worker-num: 16

sink:
  protocol: "canal-json"
  dispatchers:
    - matcher: ['ecommerce.*']
      partition: "index-value"

selector:
  rules:
    - 'ecommerce.orders'
    - 'ecommerce.order_items'
    - 'ecommerce.payments'

3.3 直接同步到ClickHouse（如果仍需保留）

# TiCDC → ClickHouse 直连
cdc cli changefeed create \
  --server=http://10.0.1.31:8300 \
  --sink-uri="clickhouse://clickhouse-server:8123?database=analytics&username=default&password=***" \
  --changefeed-id="orders-to-clickhouse" \
  --config=cdc-ch.yaml

3.4 TiCDC同步到S3（数据湖方案）

# TiCDC → S3 数据湖
cdc cli changefeed create \
  --server=http://10.0.1.31:8300 \
  --sink-uri="s3://data-lake/tidb-cdc/?endpoint=https://s3.amazonaws.com&access-key=***&secret-access-key=***" \
  --changefeed-id="orders-to-s3" \
  --config=cdc-s3.yaml

# cdc-s3.yaml
sink:
  protocol: "csv"
  column-selectors:
    - matcher: ['ecommerce.orders']
      columns: ['order_id', 'user_id', 'amount', 'status', 'created_at']

file:
  size: 67108864
  interval: 5m

filter:
  rules:
    - 'ecommerce.orders'
    - 'ecommerce.order_items'

3.5 监控TiCDC同步延迟

-- 查看同步任务状态
cdc cli changefeed list \
  --server=http://10.0.1.31:8300;

-- 查看同步延迟
cdc cli changefeed query \
  --changefeed-id=orders-to-kafka \
  --server=http://10.0.1.31:8300;

关键指标：

{
  "state": "normal",
  "tso": 446685327530688513,
  "checkpoint": "2026-06-15 10:30:00.123",
  "lag": "1.2s"
}

模式4：看板查询优化

实时看板是HTAP最直接的应用场景，但查询性能直接影响用户体验。

4.1 看板查询模式识别

-- 典型看板查询1：实时GMV
SELECT
    DATE_FORMAT(created_at, '%Y-%m-%d %H:00') AS hour_slot,
    SUM(amount) AS gmv,
    COUNT(*) AS order_count
FROM orders
WHERE created_at >= DATE_SUB(NOW(), INTERVAL 24 HOUR)
  AND status != 'cancelled'
GROUP BY hour_slot
ORDER BY hour_slot;

-- 典型看板查询2：实时用户活跃
SELECT
    DATE_FORMAT(login_time, '%Y-%m-%d %H:00') AS hour_slot,
    COUNT(DISTINCT user_id) AS dau,
    COUNT(*) AS total_actions
FROM user_actions
WHERE login_time >= DATE_SUB(NOW(), INTERVAL 24 HOUR)
GROUP BY hour_slot
ORDER BY hour_slot;

-- 典型看板查询3：实时转化漏斗
SELECT
    COUNT(DISTINCT CASE WHEN event = 'view' THEN user_id END) AS views,
    COUNT(DISTINCT CASE WHEN event = 'cart' THEN user_id END) AS carts,
    COUNT(DISTINCT CASE WHEN event = 'pay' THEN user_id END) AS pays,
    ROUND(COUNT(DISTINCT CASE WHEN event = 'pay' THEN user_id END) * 100.0
      / NULLIF(COUNT(DISTINCT CASE WHEN event = 'view' THEN user_id END), 0), 2) AS conversion_rate
FROM user_events
WHERE created_at >= DATE_SUB(NOW(), INTERVAL 1 HOUR);

4.2 强制查询走TiFlash

-- 方式1：通过Hint强制走TiFlash
SELECT /*+ read_from_storage(tiflash[orders]) */
    DATE_FORMAT(created_at, '%Y-%m-%d %H:00') AS hour_slot,
    SUM(amount) AS gmv
FROM orders
WHERE created_at >= DATE_SUB(NOW(), INTERVAL 24 HOUR)
GROUP BY hour_slot;

-- 方式2：设置Session变量
SET SESSION tidb_isolation_read_engines = 'tiflash';
SELECT
    DATE_FORMAT(created_at, '%Y-%m-%d %H:00') AS hour_slot,
    SUM(amount) AS gmv
FROM orders
WHERE created_at >= DATE_SUB(NOW(), INTERVAL 24 HOUR)
GROUP BY hour_slot;
SET SESSION tidb_isolation_read_engines = 'tikv,tiflash';

-- 方式3：通过Resource Group隔离OLAP流量
CREATE RESOURCE GROUP IF NOT EXISTS olap_group
  RU_PER_SEC = 5000
  PRIORITY = LOW;

ALTER USER dashboard_user RESOURCE GROUP olap_group;

4.3 看板查询缓存优化

-- 使用Binding固定执行计划
CREATE SESSION BINDING FOR
SELECT SUM(amount) FROM orders WHERE created_at >= DATE_SUB(NOW(), INTERVAL 24 HOUR)
USING
SELECT /*+ read_from_storage(tiflash[orders]) */ SUM(amount)
FROM orders WHERE created_at >= DATE_SUB(NOW(), INTERVAL 24 HOUR);

-- 查看Binding
SHOW SESSION BINDINGS;

4.4 看板刷新策略

-- 看板查询建议使用READ ONLY模式，避免和OLTP争抢资源
SET SESSION tidb_isolation_read_engines = 'tiflash';

-- 限制看板查询的资源消耗
SET SESSION max_execution_time = 30000;

-- 使用prepared statement减少解析开销
PREPARE dashboard_gmv FROM
SELECT
    DATE_FORMAT(created_at, '%Y-%m-%d %H:00') AS hour_slot,
    SUM(amount) AS gmv
FROM orders
WHERE created_at >= ?
  AND status != 'cancelled'
GROUP BY hour_slot
ORDER BY hour_slot;

EXECUTE dashboard_gmv USING DATE_SUB(NOW(), INTERVAL 24 HOUR);

模式5：物化视图构建数据集市

TiDB 8.x支持物化视图（Materialized View），可以预计算聚合数据，构建面向业务的数据集市。

5.1 创建物化视图

-- 创建日销售汇总物化视图
CREATE MATERIALIZED VIEW mv_daily_sales
REFRESH EVERY 1 HOUR
AS
SELECT
    DATE(created_at) AS sale_date,
    c.category_name,
    p.product_name,
    SUM(oi.quantity) AS total_quantity,
    SUM(oi.quantity * oi.unit_price) AS total_revenue,
    COUNT(DISTINCT o.user_id) AS unique_buyers,
    AVG(oi.quantity * oi.unit_price) AS avg_price
FROM orders o
JOIN order_items oi ON o.order_id = oi.order_id
JOIN products p ON oi.product_id = p.product_id
JOIN categories c ON p.category_id = c.category_id
WHERE o.status IN ('paid', 'shipped', 'completed')
GROUP BY DATE(created_at), c.category_name, p.product_name;

5.2 创建用户行为物化视图

-- 用户行为漏斗物化视图
CREATE MATERIALIZED VIEW mv_user_funnel
REFRESH EVERY 5 MINUTE
AS
SELECT
    DATE(created_at) AS event_date,
    COUNT(DISTINCT CASE WHEN event_type = 'page_view' THEN user_id END) AS page_views,
    COUNT(DISTINCT CASE WHEN event_type = 'add_to_cart' THEN user_id END) AS add_to_carts,
    COUNT(DISTINCT CASE WHEN event_type = 'checkout' THEN user_id END) AS checkouts,
    COUNT(DISTINCT CASE WHEN event_type = 'payment' THEN user_id END) AS payments,
    ROUND(
        COUNT(DISTINCT CASE WHEN event_type = 'payment' THEN user_id END) * 100.0
        / NULLIF(COUNT(DISTINCT CASE WHEN event_type = 'page_view' THEN user_id END), 0),
        2
    ) AS view_to_pay_rate
FROM user_events
GROUP BY DATE(created_at);

5.3 管理物化视图

-- 查看物化视图状态
SHOW MATERIALIZED VIEWS;

-- 手动刷新物化视图
ALTER MATERIALIZED VIEW mv_daily_sales REFRESH;

-- 暂停自动刷新
ALTER MATERIALIZED VIEW mv_daily_sales DISABLE;

-- 恢复自动刷新
ALTER MATERIALIZED VIEW mv_daily_sales ENABLE;

-- 删除物化视图
DROP MATERIALIZED VIEW IF EXISTS mv_daily_sales;

5.4 基于物化视图的看板查询

-- 查询物化视图（毫秒级响应）
SELECT
    sale_date,
    category_name,
    total_revenue,
    unique_buyers
FROM mv_daily_sales
WHERE sale_date >= DATE_SUB(CURDATE(), INTERVAL 7 DAY)
ORDER BY total_revenue DESC
LIMIT 20;

模式6：生产HTAP部署与监控

生产环境的HTAP部署需要考虑资源隔离、监控告警和故障恢复。

6.1 资源管控配置

-- 创建OLTP资源组（高优先级）
CREATE RESOURCE GROUP IF NOT EXISTS oltp_group
  RU_PER_SEC = 20000
  PRIORITY = HIGH;

-- 创建OLAP资源组（低优先级，限制资源）
CREATE RESOURCE GROUP IF NOT EXISTS olap_group
  RU_PER_SEC = 8000
  PRIORITY = LOW;

-- 将用户绑定到资源组
ALTER USER app_user RESOURCE GROUP oltp_group;
ALTER USER dashboard_user RESOURCE GROUP olap_group;
ALTER USER etl_user RESOURCE GROUP olap_group;

-- 查看资源组配置
SELECT * FROM information_schema.resource_groups;

6.2 TiFlash关键监控指标

# Grafana Dashboard 关键指标
# TiFlash Summary Dashboard

tiflash_system_profile:
  - metric: tiflash_storage_write_duration_seconds
    alert_threshold: "> 5s"
    description: "TiFlash写入延迟"
  
  - metric: tiflash_mpp_task_duration_seconds
    alert_threshold: "> 60s"
    description: "MPP任务执行时长"
  
  - metric: tiflash_storage_segment_count
    alert_threshold: "> 10000"
    description: "Segment数量（过多需compaction）"
  
  - metric: tiflash_cpu_usage
    alert_threshold: "> 80%"
    description: "TiFlash CPU使用率"
  
  - metric: tiflash_storage_disk_usage_ratio
    alert_threshold: "> 0.8"
    description: "TiFlash磁盘使用率"

6.3 Prometheus告警规则

# tidb-htap-alerts.yaml
groups:
  - name: tidb_htap
    rules:
      - alert: TiFlashReplicaSyncLag
        expr: |
          tiflash_replica_available == 0
          or (tiflash_replica_progress < 0.95 and tiflash_replica_progress > 0)
        for: 10m
        labels:
          severity: warning
        annotations:
          summary: "TiFlash副本同步延迟"
          description: "表 {{ $labels.table_name }} 的TiFlash副本同步进度仅 {{ $value }}"

      - alert: TiFlashHighWriteDuration
        expr: |
          histogram_quantile(0.95,
            rate(tiflash_storage_write_duration_seconds_bucket[5m])
          ) > 5
        for: 5m
        labels:
          severity: warning
        annotations:
          summary: "TiFlash写入延迟过高"
          description: "P95写入延迟 {{ $value }}s"

      - alert: MPPQueryTimeout
        expr: |
          rate(tiflash_mpp_task_error_count{reason="timeout"}[5m]) > 0.1
        for: 3m
        labels:
          severity: critical
        annotations:
          summary: "MPP查询超时率过高"
          description: "MPP查询超时率 {{ $value }}/s"

      - alert: TiFlashDiskSpaceLow
        expr: |
          tiflash_storage_disk_usage_ratio > 0.85
        for: 5m
        labels:
          severity: critical
        annotations:
          summary: "TiFlash磁盘空间不足"
          description: "磁盘使用率 {{ $value }}"

6.4 日常运维脚本

#!/bin/bash
# tidb-htap-healthcheck.sh
# TiDB HTAP健康检查脚本

CLUSTER_NAME="tidb-prod"
LOG_FILE="/var/log/tidb-htap-healthcheck.log"

echo "=== TiDB HTAP Health Check $(date) ===" >> $LOG_FILE

# 检查TiFlash节点状态
echo "--- TiFlash Node Status ---" >> $LOG_FILE
tiup cluster display $CLUSTER_NAME 2>/dev/null | grep tiflash >> $LOG_FILE

# 检查TiFlash副本同步状态
echo "--- TiFlash Replica Sync Status ---" >> $LOG_FILE
mysql -h10.0.1.10 -P4000 -uroot -e "
SELECT table_schema, table_name, replica_count, available, progress
FROM information_schema.tiflash_replica
WHERE available = 0 OR progress < 1.0;
" >> $LOG_FILE 2>&1

# 检查TiCDC同步延迟
echo "--- TiCDC Sync Lag ---" >> $LOG_FILE
cdc cli changefeed list --server=http://10.0.1.31:8300 >> $LOG_FILE 2>&1

# 检查MPP查询性能
echo "--- MPP Query Performance ---" >> $LOG_FILE
mysql -h10.0.1.10 -P4000 -uroot -e "
SELECT DIGEST_TEXT, AVG_LATENCY, EXEC_COUNT
FROM information_schema.statements_summary
WHERE DIGEST_TEXT LIKE '%GROUP BY%'
  AND AVG_LATENCY > 1000000000
ORDER BY AVG_LATENCY DESC
LIMIT 10;
" >> $LOG_FILE 2>&1

echo "=== Health Check Complete ===" >> $LOG_FILE

5大踩坑指南

❌ 坑1：TiFlash副本未同步就查询

-- ❌ 错误：刚添加TiFlash副本就查询，数据不完整
ALTER TABLE orders SET TIFLASH REPLICA 1;
-- 立即查询，可能读到不完整数据
SELECT COUNT(*) FROM orders;

-- ✅ 正确：等待副本同步完成
ALTER TABLE orders SET TIFLASH REPLICA 1;

-- 检查同步进度
SELECT table_name, progress, available
FROM information_schema.tiflash_replica
WHERE table_name = 'orders';

-- 等待 available = 1 后再查询
SELECT COUNT(*) FROM orders;

❌ 坑2：小表也加TiFlash副本

-- ❌ 错误：小表加TiFlash副本反而更慢（网络开销 > 扫描开销）
ALTER TABLE config_dict SET TIFLASH REPLICA 1;

-- ✅ 正确：小表保持在TiKV，只为大表添加TiFlash副本
-- 建议规则：数据量 > 100万行才考虑TiFlash副本
-- 小表通过Hint强制走TiKV
SELECT /*+ read_from_storage(tikv[config_dict]) */
    * FROM config_dict WHERE type = 'payment';

❌ 坑3：OLAP查询影响OLTP性能

-- ❌ 错误：OLAP和OLTP使用同一用户，资源无隔离
SELECT user, resource_group FROM mysql.user WHERE user = 'app_user';
-- app_user | default

-- ✅ 正确：使用Resource Group隔离
CREATE RESOURCE GROUP IF NOT EXISTS oltp_group
  RU_PER_SEC = 20000 PRIORITY = HIGH;
CREATE RESOURCE GROUP IF NOT EXISTS olap_group
  RU_PER_SEC = 8000 PRIORITY = LOW;

ALTER USER app_user RESOURCE GROUP oltp_group;
ALTER USER dashboard_user RESOURCE GROUP olap_group;

-- OLAP查询设置超时
SET SESSION max_execution_time = 60000;

❌ 坑4：TiFlash节点磁盘空间不足

# ❌ 错误：TiFlash数据目录和系统盘共用
tiflash_servers:
  - host: 10.0.1.21
    data_dir: /var/lib/tiflash/data  # 系统盘空间有限

# ✅ 正确：TiFlash使用独立数据盘，预留30%空间
tiflash_servers:
  - host: 10.0.1.21
    data_dir: /data/tiflash/data    # 独立数据盘
    config:
      storage:
        main:
          capacity: "2TB"           # 明确容量限制
        latest:
          capacity: "200GB"

❌ 坑5：忽略TiCDC同步延迟告警

# ❌ 错误：不监控TiCDC延迟，数据同步断了都不知道
# 没有任何告警配置

# ✅ 正确：配置TiCDC延迟告警
# Prometheus告警规则

- alert: TiCDCReplicationLag
  expr: |
    tidb_cdc_checkpoint_ts_lag_seconds > 300
  for: 5m
  labels:
    severity: critical
  annotations:
    summary: "TiCDC同步延迟超过5分钟"
    description: "changefeed {{ $labels.changefeed }} 延迟 {{ $value }}s"

错误排查速查表

错误现象 可能原因 排查命令/方法 解决方案
TiFlash副本同步卡住 TiFlash节点磁盘满或宕机 SELECT * FROM information_schema.tiflash_replica WHERE progress < 1.0; 扩容磁盘或重启TiFlash节点
MPP查询报 Too many MPP tasks 并发MPP查询过多 SHOW CONFIG WHERE name LIKE '%mpp%'; 调整 tidb_mpp_task_limit 或降低并发
查询未走TiFlash 优化器判断TiKV更优 EXPLAIN SELECT ...; 查看算子 使用 /*+ read_from_storage(tiflash[t]) */ Hint
TiCDC同步延迟增大 下游写入慢或网络抖动 cdc cli changefeed query --changefeed-id=xxx 扩容下游或增加TiCDC worker数
TiFlash OOM 查询数据量过大 grep OOM /data/tiflash/log/tiflash.log 增加 max_memory_usage 或缩小查询范围
看板查询超时 未限制查询资源 SHOW PROCESSLIST; 设置 max_execution_time 和 Resource Group
物化视图刷新失败 源表数据量过大或锁冲突 SHOW MATERIALIZED VIEWS; 调整刷新频率或优化源表索引
TiFlash写入延迟高 Raft Learner同步压力大 Grafana TiFlash Dashboard 扩容TiFlash节点或调整 raft-store.sync-log
MPP Join数据倾斜 Join Key分布不均 EXPLAIN ANALYZE 查看各节点数据量 使用 /*+ shuffle_join() */ 或增加分桶数
TiFlash磁盘IO高 Compaction或大量扫描 iostat -x 1 检查IO 调整 bg_task_io_limit 或扩容磁盘

高级优化技巧

3.1 TiFlash存储引擎调优

-- 调整TiFlash Segment分裂阈值（减少小Segment）
-- 在TiFlash配置中修改

# tiflash-config.yaml
storage:
  main:
    segment_delta_rows: 8192
    segment_delta_size: 536870912
    segment_stable_rows: 10485760
  latest:
    segment_delta_rows: 4096
    segment_delta_size: 134217728

raft:
  apply_batch: 1024
  sync_log: false

engine:
  dt:
    enable_read_thread: true
    read_thread_count: 8
    enable_leaf_dt_segment_optimize: true

3.2 MPP查询高级优化

-- 1. 使用Runtime Filter减少Join数据传输
-- TiDB 8.x默认开启，确认状态
SET SESSION tidb_runtime_filter_mode = "LOCAL";

-- 2. 调整MPP Exchange数据压缩
SET SESSION tidb_exchange_compression = 'ON';
SET SESSION tidb_exchange_compression_level = 3;

-- 3. 大表Join优化：使用Hash Join Hint
SELECT /*+ hash_join_build(o) */
    c.category_name,
    SUM(oi.quantity * oi.unit_price) AS total_sales
FROM orders o
JOIN order_items oi ON o.order_id = oi.order_id
JOIN categories c ON oi.product_id = c.category_id
GROUP BY c.category_name;

-- 4. 使用Index Lookup Join替代Hash Join（适合小表驱动大表）
SELECT /*+ inl_join(p) */
    o.order_id, p.product_name
FROM orders o
JOIN products p ON o.product_id = p.product_id
WHERE o.created_at >= CURDATE();

3.3 多租户HTAP资源隔离

-- 为不同业务线创建独立资源组
CREATE RESOURCE GROUP IF NOT EXISTS rg_ecommerce
  RU_PER_SEC = 15000 PRIORITY = HIGH
  QUERY_LIMIT = (EXECUTION_TIME = 30s);

CREATE RESOURCE GROUP IF NOT EXISTS rg_analytics
  RU_PER_SEC = 10000 PRIORITY = LOW
  QUERY_LIMIT = (EXECUTION_TIME = 120s);

CREATE RESOURCE GROUP IF NOT EXISTS rg_data_science
  RU_PER_SEC = 5000 PRIORITY = LOW
  QUERY_LIMIT = (EXECUTION_TIME = 600s);

-- 绑定用户到资源组
ALTER USER ecommerce_app RESOURCE GROUP rg_ecommerce;
ALTER USER analytics_user RESOURCE GROUP rg_analytics;
ALTER USER ds_user RESOURCE GROUP rg_data_science;

-- 监控资源组使用情况
SELECT * FROM information_schema.resource_group_usage;

HTAP方案对比

维度 TiDB HTAP ClickHouse + MySQL Snowflake Apache Doris SingleStore
架构 一体化HTAP 双系统拼接 云原生OLAP 一体化HTAP 一体化HTAP
OLTP能力 强（MySQL兼容） MySQL原生 无 弱 中等
OLAP性能 强（MPP） 极强 极强 强 强
数据同步 Raft Learner（自动） 需自建ETL 需导入 自动 自动
实时性 秒级 分钟级 分钟级 秒级 秒级
MySQL兼容 95%+ 原生 不兼容 中等 中等
水平扩展 透明扩展 各自扩展 自动扩展 透明扩展 透明扩展
运维复杂度 中等 高 低 中等 中等
成本 中等 高（双系统） 高（按量付费） 中等 高
开源 完全开源 部分开源 闭源 完全开源 部分开源
适用场景 通用HTAP 已有MySQL+需强OLAP 纯分析 实时数仓 实时分析

总结

TiDB HTAP不是"既能做OLTP又能做OLAP"的营销话术，而是通过Raft Learner实现行存到列存的实时同步，通过MPP引擎实现分布式并行计算，通过Resource Control实现OLTP/OLAP资源隔离的工程化解决方案。2026年的今天，如果你还在维护MySQL + ClickHouse的双系统架构，是时候认真评估TiDB HTAP了——一套系统、一份运维、零数据延迟，这才是实时分析该有的样子。

推荐工具

本站提供浏览器本地工具，免注册即可试用 →

#TiDB#HTAP#实时分析#TiFlash#分布式数据库#2026#列存