Apache Kylin中对上亿字符串的精确Count_Distinct示例

如果业务中能接受1.22%的误差，那么肯定首选近似算法，因为它能节省很多资源和时间。如果业务中必须使用精确去重，那么就看看本文的例子(针对上亿字符串的精确去重)。

事实表

1. hive> desc test_t_pbs_uv_fact; 
2. OK 
3. ad_id                   string  //维度 
4. material_id             string   //维度 
5. city_code               string  //维度 
6. user_id                 string   //指标，需要精确Count Distinct 
7. bid_request             bigint  //指标，SUM 
8. device_bid_request      bigint      //指标，SUM 
9. win                     bigint  //指标，SUM  
10. ck                      bigint  //指标，SUM  
11. pt                      string  //维度，日期，yyyy-MM-dd 
12.   

该事实表一天的数据记录大概1.5亿+，其中user_id为字符串，类似MD5后的字符串。

创建Model

在Kylin中创建名为lxw1234_uv_model的模型。

选择维度和指标字段：

创建Cube

创建名为lxw1234_uv_cube的Cube，其中，指标定义如下：

其他请按实际业务需求配置。

手动修改Cube(JSON)

如果不修改，精确Count Distinct使用了Default dictionary来保存编码后的user_id，而Default dictionary的最大容量为500万，并且，会为每个Segment生成一个Default dictionary，这样的话，跨天进行UV分析的时候，便会产生错误的结果，如果每天不重复的user_id超过500万，那么build的时候会报错：

1. java.lang.IllegalArgumentException: Too high cardinality is not suitable for dictionary — cardinality: 43377845  
2. at org.apache.kylin.dict.DictionaryGenerator.buildDictionary(DictionaryGenerator.java:96) 
3. at org.apache.kylin.dict.DictionaryGenerator.buildDictionary(DictionaryGenerator.java:73) 

该值由参数 kylin.dictionary.max.cardinality 来控制，当然，你可以修改该值为1亿，但是Build时候可能会因为内存溢出而导致Kylin Server挂掉：

1. # java.lang.OutOfMemoryError: Requested array size exceeds VM limit  
2. # -XX:OnOutOfMemoryError=”kill -9 %p”  
3. # Executing /bin/sh -c “kill -9 16193″… 

因此，这种需求我们需要手动使用Global Dictionary，顾名思义，它是一个全局的字典，不分Segments，同一个user_id，在全局字典中只有一个ID。

目前Kylin的UI中没有可以直接配置Global Dictionary的地方，需要手动修改Cube的JSON描述：

在状态为DISABLED的Cube列表中，点击”Admins”菜单下的”Edit(JSON)”，进入Cube JSON描述的编辑页面，

添加下面的JSON

其中，在override_kylin_properties 中增加了两个Cube的配置参数，用于增加Mapper的运行内存。

1. "dictionaries": [ 
2.     { 
3.       "column": "USER_ID", 
4.       "builder": "org.apache.kylin.dict.GlobalDictionaryBuilder" 
5.     } 
6.   ] 

定义了对USER_ID字段使用全局字典。

之后，保存JSON。

Build与查询

Build完成后，在Hive和Kylin中执行下面的查询：

SELECT city_code,SUM(bid_request) AS bid_request,COUNT(DISTINCT user_id) AS uvFROM liuxiaowen.TEST_T_PBS_UV_FACTGROUP BY city_codeORDER BY uv DESC limit 30;

Hive中耗时：181.134 seconds

Kylin中耗时：9 seconds

查询结果完全一致：

Global Dictionary存在问题

由于Global Dictionary 底层基于bitmap，其最大容量为Integer.MAX_VALUE，即21亿多，如果全局字典中，累计值超过Integer.MAX_VALUE，那么在Build时候便会报错。

因此，使用全局字典还是有容量的限制。

本文作者：佚名

来源：51CTO