简介
利用HyperLogLog算法计算UV类指标是一种常用的方案。在spark中的approx_count_distinct
函数就是基于HyperLogLog实现的,但其每次都需要从原始明细的数据进行计算,无法从中间结果进行再聚合。预先聚合是一种常用高性能分析的手段,可以极大地减少数据量。由于Spark没有提供相应功能,Swoop 开源了高性能的HLL native函数工具包,作为 spark-alchemy 项目的一部分,具体使用示例可以参考 HLL docs。spark-alchemy中的HLL sketch
结构是可再聚合的,可以将其存储下来,通过预聚合大幅减少了要处理的数据量。
添加maven包依赖
在项目pom中添加maven包依赖:
<!-- https://mvnrepository.com/artifact/com.swoop/spark-alchemy --