OLAP 玩转KYLIN 步七官方案列实战之创建Cube之设计度量

最新推荐文章于 2022-04-27 12:41:54 发布

啊_汤哥

最新推荐文章于 2022-04-27 12:41:54 发布

阅读量1.9k

点赞数

分类专栏： OLAP 文章标签： OLAP KYLIN 数据仓库

本文链接：https://blog.csdn.net/a52308/article/details/79791012

版权

OLAP 专栏收录该内容

14 篇文章 0 订阅

订阅专栏

紧接上一节，我们继续来看Cube创建的又一关键点，设计度量。

进入度量添加界面，Kylin默认会为我们创建一个Count（1）的度量，避免不必要的麻烦，不要对其做修改或删除。如图：
这里写图片描述
点击上图中的+Measure便可以添加我们自己的度量。
Kylin支持的度量有：SUM、MIN、MAX、COUNT、COUNT DISTINCT、TOP_N、RAW等。选择需要的度量
类型，然后再选择适当的参数（通常为列名）。下面我们来进行添加。

SUM
这里写图片描述
DISTINCT

Apache Kylin提供了两种Count Distinct计算方式，一种是近似的，一种是精确的，精确的Count Distinct指标在Build时候
会消耗更多的资源（内存和存储），Build的过程也比较慢。

近似Count Distinct

Apache Kylin使用HyperLogLog算法实现了近似Count Distinct,提供了错误率从9.75%到1.22%几种精度供选择；
算法计算后的Count Distinct指标，理论上，结果最大只有64KB，最低的错误率是1.22%；
这种实现方式用在需要快速计算、节省存储空间，并且能接受错误率的Count Distinct指标计算。

精准Count Distinct

Kylin中实现了基于bitmap的精确Count Distinct计算方式。当数据类型为tiny int(byte)、small int(short)以及int，
会直接将数据值映射到bitmap中；当数据类型为long,string或者其他，则需要将数据值以字符串形式编码成dict(字典)，再将字典ID映射到bitmap;
指标计算后的结果，并不是计数后的值，而是包含了序列化值的bitmap.这样，才能确保在任意维度上的Count Distinct结果是正确的。
这种实现方式提供了精确的无错误的Count Distinct结果，但是需要更多的存储资源，如果数据中的不重复值超过百万，结果所占的存储应该会达到几百MB。

全局字典(Global Dictionary)

默认情况下，Kylin在每个Segment中，将数据值编码到一个字典中，同一个数据值，在不同Segment中编码后的值是不同的，因此在跨两个Segment中进行Count Distinct计算时候，结果是不正确的；
在1.5.3版本中，Kylin引进了”Global Dictionary”，用来确保同一个数据值编码后的值始终是相同的，与此同时，字典的容量也进行了扩充，一个字典的最大容量达到了20亿，之前默认的字典最大容量为500万。全局字典可以代替之前的默认字典。
版本1.5.3的UI中，没有提供定义全局字典的地方，需要手动修改Cube的json：

"dictionaries": [
    {
       "column": "SUCPAY_USERID",
           "reuse": "USER_ID",
       "builder": "org.apache.kylin.dict.GlobalDictionaryBuilder"
    }
]

“column”是需要编码(进行Count Distinct计算)的字段，”builder”指定了字典的builder类，目前只能是”org.apache.kylin.dict.GlobalDictionaryBuilder”.
“reuse”是用来优化字典的，当多个字段的值是同一个数据集的时候，指定复用同一个字典即可，不需要再建立字典。
全局字典不能用在维度的编码中，如果一个字段即是维度，又是Count Distinct指标，那么就需要为维度指定其他的编码方式。

性能优化

全局字典是比较大的，在Build时候，”Build Base Cuboid Data”这一步会消耗较长时间。
如果字典大小超过Mapper的内存大小时候，字典需要消耗大量时间在缓存加载和回收上，解决该问题的办法是修改Cube的参数，适当增大Mapper使用的内存：
kylin.job.mr.config.override.mapred.map.child.java.opts=-Xmx8g
kylin.job.mr.config.override.mapreduce.map.memory.mb=8500

总结

选择哪种Count Distinct计算方式呢？
1. 如果能接受1.22%以内的误差，近似计算肯定是最好的方式；
2. 如果业务需要精确去重计数，那么肯定得选择精确Count Distinct；
3. 如果不需要跨Segment（天）的去重，或者字段值是tinyint/smallint/int, 或者字段去重后的值小于500万，那么就是用默认字典；
否则，就需要配置全局字典，同时，如果可以，则是用”reuse”来进行优化。

TOP_N
这里写图片描述

RAW
RAW 度量函数是为了查询明细数据而设计的。
如下数据：

DT SITE_ID SELLER_ID ITEM_COUNT
2016-05-01 0 SELLER-001 100
2016-05-01 0 SELLER-002 200
2016-05-02 1 SELLER-003 300
2016-05-02 1 SELLER-004 400
2016-05-03 2 SELLER-005 500
我们用 DT,SITE_ID 两列作为维度, SUM(ITEM_COUNT) 作为度量。那聚合结果如下:
Rowkey of base cuboid SUM(ITEM_COUNT)
2016-05-01_0 300
2016-05-02_1 700
2016-05-03_2 500
我们拿第一行数据来看, Kylin 从维度列2016-05-01,0 的值组合的HBase Rowkey得到存储在hbase中的聚合结果300, 但我们得不到聚合前的原始明细数据 100 和 200 。

有了 RAW 度量函数，我们用 DT,SITE_ID 作为维度列, RAW(ITEM_COUNT)作为度量。这样，我们就可以对明细数据进行查询了，如：SELECT DT,SITE_ID,ITEM_COUNT FROM FACT_TABLE WHERE SITE_ID = 0
用RAW 来度量的列默认用dict编码。所以，你必须要清楚用来度量列的基数和数据的分布特征。
如果你选择了一个基数很大的列用RAW来进行度量，你可以按下面的办法操作，避免dict构建数据量太大引起的错误：
1.将一个大的segment切分成多个小的segments;
2.在 conf/kylin.properties中设置 kylin.dictionary.max.cardinality 为一个更大的值(默认 5000000).

至此，cube度量的设计已经完成，本案例结果如图：
这里写图片描述
点击Next进入下一步，关于Cube数据刷新的设置。