Understanding Cubert Concepts（一）Partitioned Blocks

Understanding Cubert Concepts（一）Partitioned Blocks

Cubert Concepts

对于Cubert，我们要理解其核心的一些概念，比如BLOCK。这些概念也是区别于传统的关系型范式（Pig，Hive）等数据处理流程并使得Cubert在大规模数据下JOIN和Aggregation中取胜的关键因素。（自己测下来，CUBE的计算效率比Hive高好多倍。）

BLOCK

Cubert定义了一个BLOCK的概念，分为两种:Partitioned Blocks & Co-ParitionedBlocks

Hubert将这些Block存储为特殊的格式，叫做Rubix Format

Partitioned Blocks

从字面上来看，叫做分区块。
比如说有一个pageviews表，有三个列，分别为：memberId(int),pagekey(string),timestamp(long)
通常在HDFS中，这些数据会被切分为一个个的文件(part-00000.avro, part-00001.avro, etc)，然后置于某一个目录下，这些数据默认是没有被分区和排序的。

然而，在Cubert的世界里，我们鼓励数据能被更加结构化的存储。

更确切的来说，我们希望数据能够根据一些分区键来进行分区成一些数据单元，这些数据单元就是Cubert中的Partitioned Blocks， 而且我们希望在每个Block中的数据能够在某些列上是有序的。

PS：这里面涉及到2个概念：PartitionKeys 和 SortKeys，对应于上述的分区键和排序键。

BLOCKGEN

将Raw data转化为partitioned和sorted的data units的过程称为BLOCKGEN。这个是Cubert语法里一个非常重要的操作符。

这张图告诉我们：
1. 我们有一个table，2列，JK和GK
2. BLOCKGEN的过程就是选择一个partitionKey为JK，根据这个分区键来对数据块分区。然后对分区后的数据块内部选择GK作为排序键，来对分区后的数据块排序。
3. 这样原始数据划分称为了2个partitionedBlocks即BLOCK#1，BLOCK#2

BLOCKGEN Checklist

作为一个Cubert的开发者，我们需要遵从4个规范：

1.定义PartitionKeys

从这个数据集的列中选择要根据哪几个列进行分区。
举个来说：
对于pageviews这个表：
如果指定分区键为memberId,那么我们可以确定的是，所有memberId=1234的数据Row都会被分区到一个partitionedBlock中去.

2.定义SortKeys（可选）

从这个数据集的列中选择要根据哪几个列进行排序，如果不指定，默认和分区键相同。
Note：这个排序操作不是全局排序，只是在每个已经分区好的block内部进行局部排序。
举个来说：
还是pageviews这个表：
我们分区后的数据，可以根据timestamp这个时间字段，在对block内部的rows进行排序。

3.定义代价函数CostFunction

前面一直提到分区，具体如何来划分block呢？这时候cost function起到了作用：

• BY ROW 根据数据行数来划分，每个block中最多油多少行记录。如果超出阀值，则新生成一个block。
• BY PARTITION KEYS 根据分区键来划分，每个block要有指定数目的partition keys。如果partition keys是主键的话，那么和BY ROW这个cost function效果类似。
• BY SIZE 根据数据块的大小来划分，单位bytes。超过指定阀值，就会新建一个block。

4.存储结果数据格式（必须）为RUBIX格式

RUBIX是一种特殊的数据格式，它存储了数据的一些索引细信息和BLOCKGEN过程需要的一些metadata

Creating Partitioned Blocks（Demo）

Note： BLOCKGEN是一个shuffle command

该程序的分区键：memberId
排序键：timestamp

JOB "our first BLOCKGEN"
        REDUCERS 10;
        MAP {
                data = LOAD "/path/to/data" USING AVRO();
        }
        // Create blocks that are (a) partitioned on memberId, (b) sorted on timestamp, and
        // (c) have a size of 1000 rows
        BLOCKGEN data BY ROW 1000 PARTITIONED ON memberId SORTED ON timestamp;

        // ALWAYS store BLOCKGEN data using RUBIX file format!
        STORE data INTO "/path/to/output" USING RUBIX();
END

由于我们设定了reducer的个数为10，那么将会有10个part-xxx.rbx文件，e.g.：（part-r-00000.rbx through part-r-00009.rbx）

Note：每个rbx文件中可以包含>=1个block。所以不用担心会生产太多的file.

参考

Cubert官方文档blocks

Ps：本文的写作是基于对Cubert官方文档的翻译和个人对Cubert的理解综合完成 ：）

原创文章，转载请注明：

转载自：OopsOutOfMemory盛利的Blog， 作者： OopsOutOfMemory

本文链接地址：

注：本文基于署名-非商业性使用-禁止演绎 2.5 中国大陆(CC BY-NC-ND 2.5 CN)协议，欢迎转载、转发和评论，但是请保留本文作者署名和文章链接。如若需要用于商业目的或者与授权方面的协商，请联系我。