CopoHub Trending

StarRocks/starrocks

The world's fastest open query engine for sub-second analytics both on and off the data lakehouse. With the flexibility to support nearly any scenario, StarRocks provides best-in-class performance for multi-dimensional analytics, real-time analytics, and ad-hoc queries. A Linux Foundation project.

Java · ★ 12,256 · Fork 2,675 · 在 GitHub 查看

在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→

GitHub Trending 上榜记录

StarRocks/starrocks 已在 GitHub Trending 每日榜单上榜 2 天,最高排名第 23,首次上榜 2026-11-15,最近一次上榜 2026-11-16。

日期排名Star当日增长
2026-11-16#2312,256+1
2026-11-15#2312,254+1

同期上榜的项目

StarRocks 项目深度剖析与商业评估报告

StarRocks 项目深度剖析与商业评估报告

1. 核心定位与商业落地价值

1.1 核心痛点与问题域求解 在大数据分析(OLAP)领域,传统架构长期面临“性能、灵活性与实时性”的不可能三角: ClickHouse 类引擎:单表性能极致,但对多表复杂关联(Join)支持薄弱,往往强依赖宽表 ETL。在业务维度频繁变动、模型高度范式化的场景下,数仓维护成本极高,且缺乏统一透明的高性能 CBO(Cost-Based Optimizer)。 Trino/Presto 类纯计算引擎:虽具备优秀的跨源联邦与 Join 能力,但作为无状态的计算层,缺乏深度优化的本地存储引擎与向量化倒排/分段索引加速,无法满足高并发、亚秒级的交互式点查与看板报表需求。 Apache Doris 早期架构与传统数仓:在海量数据实时高频 Upsert(更新/删除)场景下,Merge-on-Read 模式引发读性能崩塌,而 Copy-on-Write 模式又导致写入放大严重。

StarRocks(原名 Doris-DB,后捐赠至 Linux Foundation)的核心定位是新一代全场景 MPP 分析型数据库与统一 Lakehouse 查询加速引擎。其根本目标是打破“先 ETL 打平宽表再加速”的传统范式,通过全向量化执行引擎与现代 CBO,实现“即时多表关联(Ad-hoc Join)+ 极致秒级响应 + 实时精准更新”一体化架构。

1.2 企业级商业落地场景 1. 实时指标监控与高并发用户行为看板(Customer Facing Analytics):典型如电商实时大促看板、广告投放 ROI 归因。利用 StarRocks 高吞吐 Stream Load 写入与亚秒级响应,支撑上万并发业务人员直接在明细数据上进行多维下钻。 2. 统一数据湖查询加速(Lakehouse Serving Engine):基于 External Catalog 直接纳管 Apache Iceberg、Apache Hudi、Delta Lake 与 Hive,无须进行物理数据搬迁。通过本地数据缓存(Data Cache)与智能物化视图,使数据湖查询性能逼近本地存储数仓。 3. 实时全量/增量业务数据同步与精准去重:依托 Primary Key 主键存储模型,直接接收来自 Flink/Kafka 的 CDC(Change Data Capture)数据流,在极高写入 TPS 下实现低延迟的行级 Upsert 与精确去重(Unique/Delete)。

1.3 竞品差异化与商业护城河 | 核心维度 | StarRocks | ClickHouse | Trino (PrestoSQL) | Apache Doris | | :--- | :--- | :--- | :--- | :--- | | 多表关联(Join) | 极强(CBO + 分布式 Runtime Filter) | 较弱(依赖广播/全局字典,大表关联易 OOM) | 极强(纯内存分布式 Shuffle,但缺乏本地索引) | 强(逐步引入 Pipeline 与新 CBO,发展路径趋同) | | 实时更新能力 | 主键模型 + Delete Vector(读写解耦,无读放大) | 异步 Mutation / ReplacingMergeTree(最终一致,读开销大) | 不支持本地存储(受限于湖格式写入性能) | Unique 键支持 Merge-on-Read / Delete Vector | | 执行调度模型 | 纯 Pipeline 驱动(Work-Stealing 细粒度多核调度) | 传统线程模型(高并发下上下文切换开销高) | 驱动器/管线模型(内存管理优秀) | 逐步推行 Pipeline 引擎 | | 存算解耦架构 | 3.0+ 支持原生 Shared-Data(计算节点无状态化) | 较晚引入云原生共享存储,主要依赖 Keeper+Replicated | 天然存算分离(纯计算) | 2.0+ 引入存算分离 |

技术护城河:StarRocks 的技术壁垒在于自研的 Cascades 框架 CBO 与 全链路 C++ 向量化执行引擎(SIMD-aware) 的深度融合,尤其是在复杂星型/雪花模型下,其 Join 调度执行与 Runtime Filter 下推能力在当前开源界属于第一梯队梯队。

---

查看完整 AI 分析 →

在 README 中展示上榜徽章

GitHub Trending

[![GitHub Trending](https://github.fq6825.top/badge/StarRocks/starrocks.svg)](https://github.fq6825.top/repo/StarRocks/starrocks)