Databend 是一个开源的、完全面向云架构的新式数仓，它提供快速的弹性扩展能力，并结合云的弹性、简单性和低成本，使 Data Cloud 构建变得更加容易。
Databend 把数据存储在像 AWS S3 ，Azure Blob 这些云上的存储系统，可以使不同的计算节点挂载同一份数据，从而做到较高的弹性，实现对资源的精细化控制。
Databend 在设计上专注以下能力：
Databend 受 ClickHouse 启发，计算模型基于 apache-arrow，开发语言 Rust， Databend 的整体架构图如下
整个系统主要由三大部分组成：Meta service layer、Compute Layer 和 Storage Layer。
计算层由多个集群（cluster）组成，不同集群可以承担不同的工作负载，每个集群又有多个计算节点（node）组成，你可以轻松的添加、删除节点或集群，做到资源的按需、按量管理。
计算节点是计算层的最小构成单元，其中每个计算节点包含以下几个组件： 执行计划 （Planner） 根据用户输入的 SQL 生成执行计划，它只是个逻辑表达，并不能真正的执行，而是用于指导整个计算流水线（Pipeline）的编排与生成。
1） 比如语句
SELECT number + 1 FROM numbers_mt(10) WHERE number > 8 LIMIT 2;
执行计划
databend :) EXPLAIN SELECT number + 1 FROM numbers_mt(10) WHERE number > 8 LIMIT 2
┌─explain────────────────────────────────────────────────────────────────────────────────────────────┐
│ Limit: 2 │
│ Projection: (number + 1):UInt64 │
│ Expression: (number + 1):UInt64 (Before Projection) │
│ Filter: (number > 8) │
│ ReadDataSource: scan partitions: [1], scan schema: [number:UInt64], statistics: [read_rows: 10, read_bytes: 80] │
└────────────────────────────────────────────────────────────────────────────────────────────────┘
这个执行计划自下而上分别是 ：
2） 比如语句
SELECT file FROM git_v1 WHERE file != '' LIMIT 2;
执行计划
mysql> EXPLAIN SELECT file FROM git_v1 WHERE file != '' LIMIT 2;
+---------------------------------------------------------------------------------------------------------------------+
| explain |
+---------------------------------------------------------------------------------------------------------------------+
| Limit: 2 |
| Projection: file:String |
| Filter: (file <> ) |
| ReadDataSource: scan schema: [file:String], statistics: [read_rows: 2, read_bytes: 77, partitions_scanned: 2, partitions_total: 2], push_downs: [projections: [0], filters: [(file <> )], limit: 2] |
+---------------------------------------------------------------------------------------------------------------------+
4 rows in set (0.01 sec)
Read 0 rows, 0.00 B in 0.007 sec., 0 rows/sec., 0.00 B/sec.
这个执行计划自下而上分别是 ：
对执行计划做一些基于规则的优化（A Rule Based Optimizer）, 比如做一些谓词下推或是去掉一些不必要的列等，以使整个执行计划更优。
优化器比较复杂， 下期单独讲。
处理器（Processor）是执行计算逻辑的核心组件。根据执行计划，处理器们被编排成一个流水线（Pipeline），用于执行计算任务。 整个 Pipeline 是一个有向无环图，每个点是一个处理器，每条边由处理器的 InPort 和 OutPort 相连构成，数据到达不同的处理器进行计算后，通过边流向下一个处理器，多个处理器可以并行计算，在集群模式下还可以跨节点分布式执行，这是 Datafuse 高性能的一个重要设计。
例如，我们可以通过 EXPLAIN PIPELINE 来查看：
databend :) EXPLAIN PIPELINE SELECT number + 1 FROM numbers_mt(10000) WHERE number > 8 LIMIT 2
┌─explain───────────────────────────────────────────────────────────────┐
│ LimitTransform × 1 processor │
│ Merge (ProjectionTransform × 16 processors) to (LimitTransform × 1) │
│ ProjectionTransform × 16 processors │
│ ExpressionTransform × 16 processors │
│ FilterTransform × 16 processors │
│ SourceTransform × 16 processors │
└───────────────────────────────────────────────────────────────────────┘
理解这个 Pipeline 我们自下而上来看：
Databend 通过 Pipeline 并行模型，并结合向量计算最大限度的去压榨 CPU 资源，以加速计算。
mysql> EXPLAIN PIPELINE SELECT file FROM git_v1 WHERE file != '' LIMIT 2;
+------------------------------------------------------------------------+
| explain |
+------------------------------------------------------------------------+
| LimitTransform × 1 processor |
| Merge (ProjectionTransform × 2 processors) to (LimitTransform × 1) |
| ProjectionTransform × 2 processors |
| FilterTransform × 2 processors |
| FuseEngineSource × 2 processors |
+------------------------------------------------------------------------+
5 rows in set (0.01 sec)
Read 0 rows, 0.00 B in 0.001 sec., 0 rows/sec., 0.00 B/sec.
这个 Pipeline 我们自下而上来看：
计算节点使用本地 SSD 缓存数据和索引，以提高数据亲和性来加速计算。
缓存的预热方式有：
Databend 使用 Parquet 列式存储格式来储存数据.
为了加快查找（Partition Pruning），Databend 为每个 Parquet 提供了自己的索引（根据 Primary Key 生成）：
min_max.idx Parquet 文件 minimum 和 maximum 值；
sparse.idx 以 N 条记录为颗粒度的稀疏索引.
通过这些索引， 我们可以减少数据的交互，并使计算量大大减少。
假设有两个Parquet 文件：f1, f2，f1 的 min_max.idx: [3, 5] ；f2 的 min_max.idx: [4, 6] 。
如果查询条件为：where x < 4 ， 我们只需要 f1 文件就可以，再根据 sparse.idx 索引定位到 f1 文件中的某个数据页。