一直在想如何在实时计算中完成对海量数据去重计数的功能,即SELECT COUNT(DISTINCT) 的功能。比如:从每天零点开始,实时计算全站累计用户数(UV),以及某些组合维度上的用户数,这里的用户假设以Cookieid来计。
想想一般的解决办法,在内存中使用HaspMap、HashSet?或者是在Redis中以Cookieid为key?感觉都不合适,在数以亿计用户的业务场景下,内存显然也成了瓶颈。
如果说,实时计算的业务场景中,对UV的计算精度并不要求100%(比如:实时的监测某一网站的PV和UV),那么可以考虑采用基数估计算法来统计。这里有一个Java的实现版本 stream-lib:https://github.com/addthis/stream-lib
采用基数估计算法目的就是为了使用很小的内存,即可完成超大数据的去重计数。号称是只使用几KB的内存,就可以完成对数以条数据的去重计数。但基数估计算法都不是100%精确的,误差在0~2%之间,一般是1%左右。
本文使用stream-lib来尝试对两个数据集进行去重计数。相关的文档和下载见文章最后。
测试数据集1:
- 文件名:small_cookies.txt
- 文件内容:每个cookieid一行
- 文件总记录数:14892708
- 去重记录数:3896911
- 文件总大小:350153062(约334M)
测试数据集2:
- 文件名:big_cookies.txt
- 文件内容:每个cookieid一行
- 文件总记录数:547631464
- 去重记录数:190264959
- 文件总大小:12610638153(约11.8GB)
普通方法测试
所谓普通方法,就是遍历文件,将所有cookieid放到内存的HashSet中,而HashSet的size就是去重记录数。
代码如下:
指定使用10M的内存运行,命令为:
运行结果如下:
10M的内存,仅仅够存65000左右的cookieid,之后就报错,内存不够了。大数据集更不用说。
基数估计方法测试
采用streamlib中的基数估计算法实现ICardinality,对两个结果集的总记录数和去重记录数进行统计,代码如下:
- 测试数据集1
指定使用10M的内存运行,测试数据集1命令为:
运行结果如下:
- 测试数据集2
同样指定使用10M的内存运行,测试数据集2命令为:
运行结果为:
测试结果
测试结果来看,基数估计算法统计的结果中误差的确是0~2%,如果可以接受这个误差,那么这个方案完全可以用于实时计算中的不同维度UV统计中。
从运行结果图上可以看到,虽然指定了10M内存,但空闲内存(FreeMemory)一直在差不多7M以上,也就是说,5.4亿的数据去重计数,也仅仅使用了3M左右的内存。
相关下载
以上程序需要依赖stream-2.9.1-SNAPSHOT.jar,我编译好了一份,
你也可以从官网中下载源码,编译。
相关文章: