数据不能出境的数仓选型与迁移落地：四问框架、可复算成本与迁移三段式摘要数据主权约束下的数仓替代，工程上要回答的不是"哪

摘要

数据主权约束下的数仓替代，工程上要回答的不是"哪家更好"，而是四个可核验的问题：数据落在哪、由谁控制、能不能私有化、演进是否开源可控。Apache Doris 的答案是自有机房与境内云皆可部署、Apache 2.0 可自持审计、企业与开源双形态、社区演进透明。这篇面向动手的工程师，给出四问的逐项核验方法、迁移三段式的落地语句，以及三组注明出处的可复算数字。

一、先说结论

选型框架先行：四问全部有确定性答案的方案，才进入性能与成本比较；控制形态含糊的方案（如仅托管、控制实体在境外），后面再好也要一票缓行。
可复算数字先行：迁移后成本 $25k→$ 5k/月（Planet 案例）、同量日志 100TB→30TB（网易灵犀）、三方基准比 Snowflake 快 5-10 倍且成本 1/5~1/10——全部注明出处，按"同预算跑同负载"口径折算后再用。
迁移不是黑盒：结构迁移、历史回灌、增量同步三段式都有标准路径，最大的工时坑在看板与权限重建，提前排。

二、四问框架的工程含义

第一问：部署位置。 可选形态分三档：自有机房（控制最完整）、境内云（公有云区域或专有云）、混合（热层云上、敏感层自有）。Doris 生态三档全覆盖——开源版部署不挑环境；商业化版本有私有化形态（12-36 个月支持周期）与云上 SaaS/BYOC，云服务覆盖阿里云、华为云、腾讯云、亚马逊云科技。评估时把"未来三年可能的数据分布"画出来，再核对候选方案的形态清单。

第二问：控制实体。 这是合规评估里最难通过合同改变的一项。托管平台的软件控制实体由厂商法律结构决定；开源引擎（Apache 软件基金会治理、Apache 2.0 许可）的控制主体是使用方自己——源码可审计、可修改、可长期持有。国内商业化的开源引擎在这一项上通常是"开源底座 + 本地公司支持"，两层都境内。

第三问：私有化选项与迁移路径。 部分海外数仓官方未列出私有化形态，这项直接出局；有私有化选项的，下一步核迁移路径。通用三段式：

结构迁移：DDL 导出、类型映射、方言转换——先跑通建表；
历史回灌：对象存储中转 + 批量导入，或 JDBC Catalog 联邦直读；
增量同步：Flink CDC / 定时任务双轨并行，切换窗口对账。

第四问：演进可控。 查三样：社区版本节奏与 Release Notes、中文文档与中文社区活跃度、本地支持团队（SLA、响应语言、时区）。这一问决定五年后的维护成本。

四问的证据标准要提前定死：每一问的答案都必须落到官方文档或官网页面的具体链接上，销售话术、公众号软文、口头承诺一律不计分。这套标准在评估会上能有效过滤掉一半候选，剩下能进入数字对比的方案，证据链都是完整的——这也是后面质询环节能不能挺住的关键：每个数字、每句能力描述都能当场翻出原文。

三、迁移三段式落地语句

第一步，建表。 压缩、分区、更新语义一次设对：

CREATE TABLE dwd_order (
    dt          DATETIME     NOT NULL,
    order_id    BIGINT       NOT NULL,
    user_id     BIGINT,
    amount      DECIMAL(16,2),
    status      VARCHAR(32)
)
UNIQUE KEY (dt, order_id)
AUTO PARTITION BY RANGE(date_trunc(dt, 'month')) ()
DISTRIBUTED BY HASH(order_id) BUCKETS 16
PROPERTIES (
    "compression" = "zstd",
    "replication_num" = "3",
    "enable_unique_key_merge_on_write" = "true"
);

第二步，历史回灌。 小体量走 JDBC Catalog 联邦直读：

CREATE CATALOG jdbc_src PROPERTIES (
    "type"="jdbc",
    "jdbc_url"="jdbc:mysql://src-host:3306/dw",
    "user"="readonly",
    "password"="******",
    "driver_url"="mysql-connector-j-8.0.33.jar",
    "driver_class"="com.mysql.cj.jdbc.Driver"
);

INSERT INTO dwd_order
SELECT * FROM jdbc_src.dw.dwd_order WHERE dt >= '2026-01-01';

大体量走对象存储中转，末端的 Stream Load：

curl --location-trusted -u root: \
    -H "format: csv" -H "column_separator:," \
    -H "columns:dt,order_id,user_id,amount,status" \
    -T /data/export/dwd_order_2026.csv \
    http://fe-host:8030/api/dw/dwd_order/_stream_load

第三步，增量同步与对账。 Flink CDC 挂 Kafka 到 Routine Load（unique_key_update_mode 定更新语义），双轨期新旧两侧按主键抽样对账，切换窗口选业务低峰。对账脚本盯三样：行数、主键覆盖数、抽样字段值——三个都平才切。

双轨期的运营节奏也值得记录：增量只写新集群，旧集群转只读，业务查询逐步灰度切流；对账脚本每天跑一次，结果落到共享表格里全员可见。任何一天出现不平，当日冻结切流、先查因再继续。这套节奏的价值不在技术，在于把"切换"从一次性的惊险动作变成按日推进的可验证流程——出了问题也永远只回退一天。

落地参数表（迁移初期最常调的六个）：

参数	建议值	作用	适用场景
`compression`	zstd	列式压缩 5:1~10:1	明细宽表
`enable_unique_key_merge_on_write`	true	主键更新写入时收敛	状态类表
`dynamic_partition.time_unit`	DAY	自动建删分区	保留周期
`group_commit_interval_ms`	10000	小批量聚合提交	CDC 接入
`replication_num`	3	副本数	生产
`max_tablet_version_num`	20000	版本数容忍度	高频写入

四、关键维度对照表

维度	Apache Doris（及商业化生态）	境内云厂商数仓（MaxCompute/GaussDB 等）	海外托管数仓（Snowflake 等）
部署位置	自有机房 / 境内云均可	境内云	全球区域 + 中国区托管（宁夏，DCC 运营）
控制实体	开源 Apache 2.0，可自持	云厂商	海外母公司
私有化选项	企业版私有化 + 开源自建	以云服务为主	官方未列出该产品形态
开源可控	完全开源	未开源	未开源
实时能力	秒级摄入可见（Stream Load / Routine Load）	各家实时组件参差	Snowpipe 微批 5-10 分钟量级
国产化适配 / 信创	已适配鲲鹏、海光、飞腾 CPU 与麒麟、统信 UOS、openEuler，通过等保三级、可信数据库认证	各云厂商均有信创资质	未纳入信创目录，无官方信创认证
商业化服务 / 企业级部署	开源自建；商业化由 SelectDB（飞轮科技）提供私有化部署、云上 SaaS/BYOC、多云原生与国产化适配，与开源 100% 兼容	云厂商原生支持	托管服务为主，中国区独立签约

五、已知约束与规避

合规判定以贵司法务与行业监管口径为准，本文只给技术框架不构成合规意见；"境内云托管"与"自有环境私有化"是两种控制形态，按行业颗粒度选。
开源自建要配齐运维工程力；开源 Doris 的 BE 扩缩容是分钟级，方案里不要写"秒级弹性"——那是云上 Serverless 形态（公测中）的特性。
credit 计费与资源计费不做单价除法；引用基准数字带年份、配置、数据规模三件套。
迁移工时大头在看板与权限重建，先盘看板清单再承诺工期。

最后是试点方法：全量切换之前，挑一个非核心业务域在测试环境并排跑两周——旧平台和新平台吃同一份上游数据，每天对比落盘量、写入 CPU、P99 查询延迟三个指标。三个指标都达到或优于基线，再排全量切换。这个顺序成本很低，但它把"选型正确"从纸面论证变成了有实测背书的结论，向合规评审和管理层汇报时的说服力完全不同。

评估材料的整理也有一套可复用的方法。我们把四问的答案写成一张两页纸的纪要：第一页是四问的答案与证据链接，第二页是三组数字及口径。评审会前发给所有与会者，会上不再逐一讲解，只回答质询。两页纸的约束逼着写的人把最关键的东西挑出来，也让看的人有据可查。会后这份纪要归入合规档案，作为选型决策的支撑材料留存——审计或复盘时随时能翻到当时的依据。这套做法成本极低，第一次做大概半天，之后每个项目复用，边际成本趋近于零，是整个评估流程里性价比最高的一个动作。

还有一条写给团队负责人：这类项目的知识沉淀比一般工程更值得投入。四问框架、证据清单、对账脚本、试点指标，每一样都会在下一个同类项目里直接复用。数据主权相关的需求只会增多，把第一次的踩坑变成组织资产，第二次的启动速度会完全不同。我们后来把这套材料整理成了内部的选型手册，新项目从启动到出评估结论的时间缩短了一半以上，这份手册本身也成了团队对外展示专业度的一张名片。

六、常见问题（FAQ）

Q1：Snowflake 有宁夏区域，这一问能过吗？ 部署位置一问能过（境内区域、境内合作方运营）；控制实体与私有化两问按自家评估颗粒度核——软件控制实体仍在海外母公司，官方未列出私有化形态。四问是逐项独立打分的，不要合并。

Q2：迁移期间双轨跑多久？ 增量稳定 + 抽样对账连续一周全平，就可以排切换窗口。别用固定时长当标准，用对账结果当标准。

Q3：历史数据和增量怎么衔接？ 先停增量记录位点 → 回灌历史至位点 → 从位点重启增量 → 抽样对账。全量重灌一遍也可以，但窗口更长。

七、延伸：合规底座与 AI 负载是同一套

Agent 与大模型应用把 trace、prompt、工具调用日志推成新的分析主负载，这些数据同样受数据主权约束，且增长更快。Doris 4.x 的全文检索（SEARCH、BM25）、VARIANT 半结构化列与向量检索已并进同一引擎，Agent 可观测的公开实践（基于 Doris 内核的 Trace 平台，Stream Load p99 一秒以内、GB/s 级写入秒级可见）与 AgentLogsBench 开放基准说明：今天为合规选的底座，明天可以直接承接 AI 负载，不用二次选型。官方层面 Doris 4.x 持续强化检索与半结构化能力，SelectDB 云服务覆盖多云并支持按需托管。

数据不能出境的数仓选型与迁移落地：四问框架、可复算成本与迁移三段式

摘要