Apache Doris vs Trino / Presto

Apache Doris 和 Trino/Presto 均为主流数据湖仓查询引擎，但 Doris 在性能上表现更具优势。Trino/Presto 主要专注于查询加速，而 Doris 不仅能够加速查询，还具备作为独立数据仓库的能力。企业可以利用 Doris 实现数据仓库和湖仓查询引擎的统一，从而简化其数据架构。

• 统一: Apache Doris 实现数据仓库与湖仓查询引擎统一，有效简化企业技术栈

• 10 倍性能提升: 相较于 Presto/Trino，Doris 内表查询性能最高提升达 10 倍。

• 2~3 倍 执行效率: 作为湖仓引擎，Doris 执行效率较 Presto/Trino快 2-3 倍。

精选案例

“早期我们使用多个系统（如 Trino、Pinot、Iceberg 和 Kyuubi）构建数据平台，导致架构复杂、数据重复存储、运维困难、资源利用率低和数据时效性差。通过引入 Apache Doris 替换多个技术栈，实现湖仓一体化，显著提高了查询性能和系统稳定性，并降低了 30% 的资源成本。”

“迁移到 Doris 后，整体查询性能得到大幅提升。之前使用 Presto 进行多维分析时，查询时间长达 20-40 秒，而 Doris 将这一时间缩短至 1-2 秒。此外，Doris 的一大优势在于能够自动识别并匹配最优物化视图进行查询，这进一步增强了系统复杂分析的性能。”

使用 Trino 和 SparkSQL 时，系统查询延迟普遍维持在分钟级别，存在明显的性能瓶颈。迁移至 Apache Doris 后，整体查询性能提升 2 倍以上。通过 Doris 统一架构，有效解决了混合架构下的数据孤岛与资源冗余问题，更加速了实时分析与交互式即席查询响应。

Apache Doris vs. ClickHouse

	Apache Doris	Trino / Presto
系统架构	统一架构: 融合数据仓库与数据湖查询能力	联邦查询: 擅长跨异构数据源查询，但无内置存储层
执行引擎	基于 C++ 实现的全向量化执行引擎，提供高性能数据处理	向量化引擎主要基于 Java 实现，目前作为 Hummingbird 项目的一部分处于开发中
查询优化	提供基于成本的查询优化器（CBO），可优化复杂查询，包括 JOIN、聚合分析、排序等	支持基于成本优化，但统计信息收集机制不完善，需手动全量收集
缓存机制	元数据缓存： 具备 TTL、自动刷新和增量同步的内存元数据缓存能力 数据缓存： 通过本地 SSD 热数据缓存减少网络 I/O 查询缓存： 支持 SQL 缓存与分区缓存	数据缓存： 依赖于 Alluxio 等外部缓存方案
物化视图	增量刷新： 支持增量刷新和多种数据刷新策略 查询透明加速： 查询优化器能够自动识别并匹配最优物化视图进行查询	手动刷新： 仅支持人工全量刷新
应用场景	高并发实时分析 交互式分析	仅支持交互式分析

性能对比

TPC-DS 1TB 性能测试

TPC-DS 1TB Benchmark 包含 24 张表、63.5 亿条记录的 1TB 数据集，通过 99 条复杂查询（涵盖关联查询、聚合运算及嵌套子查询）评估数据仓库的性能。该测试基于雪花模型构建，模拟真实电商销售场景，由于查询的复杂性，在处理 1TB 规模数据时是一项挑战。

测试环境配置​包括：

• 1 个 FE/Coordinator 节点 and 5 个 BE/Worker 节点
• 单节点 64 核 CPU、1.5TB 内存以及 SSD 存储
• HDFS 部署在计算节点上，并创建 Hive 表

在测试过程中，使用相同的数据集和相等的计算服务，结果显示：

• 当数据导入 Doris 内表并使用 Doris 执行查询时，整体查询耗时最短
• 当 Doris 与 Trino 分别对外部 Hive 表查询时，Doris 在数据湖场景展现更优的查询加速性能