HyperLogLog利用基数估计算法,通过概率,在不追求绝对精确的情况下,可以有效的在大数据场景中统计uv值,同时消耗更少内存,并且大大减少计算时间。
对于HLL的算法详解,大部分博客都记录的很详细,随意贴上个链接就很够用——HyperLogLog算法详解
presto中也兼容了对HLL的使用,下面将介绍一下,如果在presto中使用HLL计算uv
1.建表。对于要计算uv的字段,需要用presto的函数计算出预估基数值,所以我们要建立一张中间表来存储这个预估值。
CREATE TABLE visit_uv1 (
begindate integer,
media varchar,
hll varbinary
);
2.插入数据。将base表的数据插入新建的中间表,其中需要求uv的字段用函数approx_set计算一下
INSERT INTO visit_uv1
SELECT pday, media, cast(approx_set(userid) AS varbinary)
FROM base
where (pday>=20190301 and pday<=20190310)
GROUP BY pday, media;
3.查询数据。利用函数,将预估基数值解析出来,得到uv.
SELECT media,cardinality(merge(cast(hll AS HyperLogLog))) AS daily_unique_users
FROM visit_uv1
WHERE pday=20190301;
但是即使HLL如此惊人,精确度欠缺还是一个令人头疼的问题,不过还好presto 223 之后就支持了精确值的参数设定
INSERT INTO visit_uv1
SELECT pday, media, cast(approx_set(userid,0.005) AS varbinary)
FROM base
WHERE (pday>=20190301 and pday<=20190310)
GROUP BY pday, media;
对于presto的精确度的设定,范围是0.0040625-0.26000,如果想要精确些,就填最小值。