apache-kylin-3.1.3-bin-hadoop3 系列文章
1、apache-kylin-3.1.3-bin-hadoop3介绍及部署、验证详解
2、apache-kylin-3.1.3-bin-hadoop3集群部署
3、apache-kylin-3.1.3-bin-hadoop3基本操作(创建model和cube、数据查詢)
4、apache-kylin-3.1.3-bin-hadoop3增量构建、全量构建详细示例
5、apache-kylin-3.1.3-bin-hadoop3 segment管理及JDBC操作
6、apache-kylin-3.1.3-bin-hadoop3 cube优化方向及减少cuboids和降低膨胀率详细示例
文章目录
本文简单的介绍了可以林的segment的产生原因以及如何进行自动或手动合并,并介绍了通过java api进行操作kylin的数据集。
本文依赖kylin环境好用。
本文分为2个部分,即kylin的segment管理以及通过java api操作kylin数据集。
一、kylin的segment管理
1、引子
随着时间越来越长增量构建的Cube中的Segment越来越多,该Cube的查询性能也会越来越慢,因为需要在单点的查询引擎中完成越来越多的运行时聚合。为了保持查询性能,需要定期将某些Segment合并在一起或者让Cube根据Segment保留策略自动地淘汰那些不会再被查询到的陈旧Segment。
2、管理Cube碎片
增量构建示例,每天都会生成一个Segment,对应就是HBase中的一张表。增量构建的Cube每天都可能会有新的增量,这样的Cube中最终可能包含成百上千甚至更多个Segment,这将会导致Kylin性能受到严重的影响。原因如下:
- 从执行引擎的角度来说,运行时的查询引擎需要聚合多个Segment的结果才能返回正确的查询结果
- 从存储引擎的角度来说,大量的Segment会带来大量的文件,给存储空间的多个模块带来巨大的压力,例如Zookeeper、HDFS Namenode等
基于上述情况,kylin提供了管理Cube中Segment数量的措施-合并Segments(手工合并或自动合并)。
3、手动触发合并Segment
在Web GUI中选中需要进行Segments合并的Cube,操作步骤如下。
1)、单击Action→Merge
2)、选中需要合并的Segment,可以同时合并多个Segment,但是这些Segment必须是连续的
单击提交后系统会提交一个类型为“MERGE”的构建任务,它以选中的Segment中的数据作为输入,将这些Segment的数据合并封装成为一个新的Segment。新的Segment的起始时间为选中的最早的Segment的起始时间,它的结束时间为选中的最晚的Segment的结束时间。
注意
- 在MERGE类型的构建完成之前,系统将不允许提交这个Cube上任何类型的其他构建任务
- 在MERGE构建结束之前,所有选中用来合并的Segment仍然处于可用的状态
- 当MERGE构建结束的时候,系统将选中合并的Segment替换为新的Segment,而被替换下的Segment等待将被垃圾回收和清理,以节省系统资源
4、自动合并Segment-Auto Merge Thresholds
在Cube Designer的“Refresh Settings”的页面中有Auto Merge Thresholds 和 Retention Threshold
两个设置项可以用来帮助管理Segment碎片。这两项设置搭配使用这两项设置可以大大减少对Segment进行管理的不便。
1)、Auto Merge Thresholds
- 允许用户设置几个层级的时间阈值,层级越靠后时间阈值就越大
- 每当Cube中有新的Segment状态变为 READY的时候,会自动触发一次系统自动合并
- 合并策略,尝试最大一级的时间阈值,例如:针对(7天、28天)层级的日志,先检查能否将连续的若干个Segment合并成为一个超过28天的大Segment。如果有个别的Segment的时间长度本身已经超过28天,系统会跳过Segment;如果满足条件的连续Segment还不能够累积超过28天,那么系统会使用下一个层级的时间阈值重复寻找。
示例1 - 理解Kylin自动合并策略
假设自动合并阈值设置为7天、28天
如果现在有A-H8个连续的Segment,它们的时间长度为28天(A)、7天(B)、1天(C)、1天(D)、1天(E)、1天(F)、1天(G)、1天(H)
此时,第9个Segment I加入,时间长度为1天。
自动合并策略为:
- 1、Kylin判断时候能将连续的Segment合并到28天这个阈值,由于Segment A已经超过28天,会被排除
- 2、剩下的连续Segment,所有时间加一起 B + C + D + E + F + G + H + I (7 + 1 + 1 + 1 + 1 + 1 + 1 + 1 = 14) < 28天,无法满足28天阈值,开始尝试7天阈值
- 3、跳过A(28)、B(7)均超过7天,排除
- 4、剩下的连续Segment,所有时间加一起 C + D + E + F + G + H + I(1 + 1 + 1 + 1 + 1 + 1 + 1 = 7)达到7天阈值,触发合并,提交Merge任务。并构建一个Segment X(7天)
- 5、合并后,Segment为:A(28天)、B(7天)、X(7天)
- 6、继续触发检查,A(28天)跳过,B + X(7 + 7 = 14)< 28天,不满足第一阈值,重新使用第二阈值触发
- 7、跳过B、X,尝试终止
2)、示例:配置自动合并4天的Segment
操作步骤:
1、配置自动合并阈值为(4、28)
2、分别按照天构建分区Cube
3、自动触发合并Segment构建
5、删除Segment
- 使用WebUI删除Cube的segment
1)、disable Cube
2)、点击 delete Segment,删除指定的segment
然后针对cuble进行 enable 即可。
- 使用Postman发送请求删除Segment
针对cube需要先disable,然后才能进行删除,否则会报如下异常。
"exception": "Cannot delete segment '20191011000000_20191015000000' from ready cube 'cube_order_dim_date'. Please disable the cube first.",
6、配置保留Segment-Retention Threshold
自动合并是将多个Segment合并为一个Segment,以达到清理碎片的目的。保留Segment则是及时清理不再使用的Segment。
该功能是为了满足过去一段时间的数据不再使用的情况。例如:
- 对于某个只显示过去1年数据的报表
- 支撑它的Cube其实只需要保留过去一年类的Segment即可
- 由于数据在Hive中已经存在备份,则无需在Kylin中备份超过一年的历史数据
可以将Retention Threshold设置为365。每当有新的Segment状态变为READY的时候,系统会检查每一个Segment。如果它的结束时间距离最晚的一个Segment的结束时间已经大于等于“Retention Threshold”,那么这个Segment将被视为无需保留。系统会自动地从Cube中删除这个Segment。图示如下:
1)、示例:配置保留Segment为2天,分别构建增量Segment,测试Segment保留情况
操作步骤:
1、在Cube中设置Retention Range为2
在Cube中设置Retention Range为2
2、重新构建Cube
重新构建segmnt,即对cube进行build。构建超过2天的数据,看是保留几天的segmnt。
3、测试超过指定保留时间的Segment,是否被自动移除
实际上是有4个segmnt
最终只保留2个segment
二、使用JDBC连接操作Kylin
要将数据以可视化方式展示出来,需要使用Kylin的JDBC方式连接执行SQL,获取Kylin的执行结果
使用Kylin的JDBC与JDBC操作RMDB一致
# jdbc url
jdbc:kylin://serv4:7070/test
# 用户名密码
ADMIN/KYLIN
示例:通过JDBC方式,查询按照日期、区域、产品维度统计订单总额/总数量结果
<!-- Kylin -->
<dependency>
<groupId>org.apache.kylin</groupId>
<artifactId>kylin-jdbc</artifactId>
<version>2.6.3</version>
</dependency>
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>27.1-jre</version>
</dependency>
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.Statement;
public class App {
public static void main(String[] args) throws Exception {
// 1、加载驱动
Class.forName("org.apache.kylin.jdbc.Driver");
// 2、创建Connection连接对象
// 连接字符串:jdbc:kylin://ip地址:7070/项目名称(project)
Connection connection = DriverManager.getConnection("jdbc:kylin://server4:7070/test", "ADMIN", "KYLIN");
// 3、创建Statement对象,并执行executeQuery,获取ResultSet
Statement statement = connection.createStatement();
// 构建SQL和语句
String sql = "select t1.date1, t2.regionname, productname, sum(t1.price) as total_money, sum(t1.amount) as total_amount from dw_sales t1 "
+ "inner join dim_region t2 on t1.regionid = t2.regionid inner join dim_product t3 on t1.productid = t3.productid group by t1.date1, t2.regionid, t2.regionname, t3.productid, t3.productname";
ResultSet resultSet = statement.executeQuery(sql);
// 4、打印ResultSet
while (resultSet.next()) {
// 4.1 获取时间
String date1 = resultSet.getString("date1");
// 4.2 获取区域名称
String regionname = resultSet.getString("regionname");
// 4.3 获取产品名称
String productname = resultSet.getString("productname");
// 4.4 总金额
String total_money = resultSet.getString("total_money");
// 4.5 总数量
String total_amount = resultSet.getString("total_amount");
System.out.println(date1 + " " + regionname + " " + productname + " " + total_money + " " + total_amount);
}
connection.close();
}
}
运行结果
以上,简单的介绍了可以林的segment的产生原因以及如何进行自动或手动合并,并介绍了通过java api进行操作kylin的数据集。