Apache Doris 是一个基于 MPP 架构的高性能、实时的分析型数据库，以极速易用的特点被人们所熟知，仅需亚秒级响应时间即可返回海量数据下的查询结果，不仅可以支持高并发的点查询场景，也能支持高吞吐的复杂分析场景。

但是，对于Power BI而言，它只是一个数据源，而且是IO性能很差的一个数据源，差到想一次性导入千万行级别的数据都各种报错。要么是查询超时，要么是内存达到了上限。又不可能因为Power BI需要一次导入这么多数据而提高Doris服务器的配置，这里感叹下微软的弹性配置是真好用。那么，问题要怎么解决呢？先问下gpt4

追加查询

首先想到的是分成多个条件查询，然后在pq里使用追加查询合并为一张新表。很遗憾，这个方法并不可行。这个其实和另一个问题很像，在pq里合并两张表，其中一张表A设置为不刷新不加载，但是前台刷新时，合并后的表中是有刷新表A的内容的，因为有查询依赖。

分页查询

pq里无法实现，只能优化查询语句了，比如每次只查询100万行。嗯，问题又来了，一直在用aure sql，对mysql的语法并不熟悉，没关系，继续问gpt4。gpt4给出的相对来说已经是一个可用的代码版本了，只需要修改其中的参数，然后就正常加载了几千万行数据

这里又会有一个问题，数据每年的增量也是千万级，而且历史数据会经常被修正，所以，又进一步对数据集进行了分区 修改，之后按年来刷新数据，这里要注意，分区功能需要高级容量工作区才可以，并且通过XMLA方式修改过的语义模型是不支持下载了（使用git恢复通过XMLA修改过的数据](https://data-marc.com/2023/10/30/recover-your-xmla-modified-power-bi-dataset-with-these-git-integration-steps/)）。分区可以使用SSMS，也可以使用Tabular Editor3

思考

这只是一个很小的问题，更多的只是提供一个解决问题的思路，漫漫打工路上，我们一定会遇到各种各样的凭既往的经验或者能力无法解决的问题，那么怎么快速地用已有地知识或者工具解决未知的问题，这是很多人不具备的，也是我一直在学习的。目前我的方法是把一个大问题拆分成很多小的问题，然后依次解决这些小问题，解决小问题的过程中随时呼叫给我的打工的各种AI。
2023年一直在部门中推广AI，chatgpt4，copilot，bard，claude，gemini pro api，总之能用来通过提出一个高质量问题，就能得到一个高质量答案的AI都会去使用。2024年，也会继续在工作中通过使用AI来提高效率，不再限于知识库，而是更多应用到workflows中去，反正就是抱着玩的心态，可能更容易坚持？毕竟玩的时候一定是开心快乐的。