大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细
CSDN 2024-10-20 10:07:02 阅读 88
点一下关注吧!!!非常感谢!!持续更新!!!
目前已经更新到了:
Hadoop(已更完)HDFS(已更完)MapReduce(已更完)Hive(已更完)Flume(已更完)Sqoop(已更完)Zookeeper(已更完)HBase(已更完)Redis (已更完)Kafka(已更完)Spark(已更完)Flink(已更完)ClickHouse(已更完)Kudu(已更完)Druid(已更完)Kylin(正在更新…)
章节内容
上节我们完成了如下的内容:
手动合并 Segment案例 1 Kylin 策略案例 2 自动合并JDBC 连接 Kylin
Cuboid剪枝优化
Cuboid 特指 Kylin 中在某一种维度组合下所计算的所有数据,以减少Cuboid数量为目的的优化统称为Cuboid剪枝。
在没有采取任何优化措施的情况下,Kylin会对每一种维度的组合进行预计算。
如果有4个维度,可能最终会有 2^4 = 16个 Cuboid需要计算如果有10个维度,那么没有经过任何优化的Cube就存在2^10 = 1024个Cuboid如果有20个维度,那么Cube中总共会存在2^20 = 1048576个Cuboid
过多的Cuboid数量对构建引擎、存储引擎压力是非常巨大的,因此,在构建维度数量较多的Cube时候,尤其要注意Cube的剪枝优化。
Cube的剪枝优化是一种试图减少额外空间占用的方法,这种方法的前提是不会明显影响查询时间,在做剪枝优化的时候:
需要选择跳过那些多余的Cuboid有的Cuboid因为查询样式的原因永远不会被查询到,因此显得多余有的Cuboid的能力和其他Cuboid接近,因此显得多余
Kylin提供了一系列简单的工具来帮助他们完成Cube的剪枝优化。
检查Cuboid数量
ApacheKylin 提供了一个简单的工具,检查Cube中哪些Cuboid最终被预计算了,称这些Cuboid被物化的Cuboid,该工具还能给出每个Cuboid所占空间的估计值。由于该工具需要在对数据进行一定阶段的处理之后才能估算Cuboid的大小,一般来说在Cube构建完毕之后再使用该工具。
使用如下的命令行工具去检查这个Cube中的Cuboid状态:
<code># 我要查看 wzk_kylin_test_cube_4
kylin.sh org.apache.kylin.engine.mr.common.CubeStatsReader wzk_kylin_test_cube_4
执行之后的结果如下图所示:
具体的Cube信息如下所示:
<code>Cube statistics hll precision: 14
Total cuboids: 15
Total estimated rows: 213
Total estimated size(MB): 0.002885580062866211
Sampling percentage: 100
Mapper overlap ratio: 1.0
Mapper number: 1
Length of dimension WZK_KYLIN.DW_SALES1.DT is 1
Length of dimension WZK_KYLIN.DW_SALES1.PRODUCTID is 1
Length of dimension WZK_KYLIN.DW_SALES1.CHANNELID is 1
Length of dimension WZK_KYLIN.DW_SALES1.REGIONID is 1
|---- Cuboid 1111, est row: 47, est MB: 0code>
|---- Cuboid 0111, est row: 47, est MB: 0, shrink: 100%
|---- Cuboid 0011, est row: 16, est MB: 0, shrink: 34.04%
|---- Cuboid 0001, est row: 4, est MB: 0, shrink: 25%
|---- Cuboid 0010, est row: 4, est MB: 0, shrink: 25%
|---- Cuboid 0101, est row: 15, est MB: 0, shrink: 31.91%
|---- Cuboid 0100, est row: 4, est MB: 0, shrink: 26.67%
|---- Cuboid 0110, est row: 16, est MB: 0, shrink: 34.04%
|---- Cuboid 1011, est row: 16, est MB: 0, shrink: 34.04%
|---- Cuboid 1001, est row: 4, est MB: 0, shrink: 25%
|---- Cuboid 1000, est row: 1, est MB: 0, shrink: 25%
|---- Cuboid 1010, est row: 4, est MB: 0, shrink: 25%
|---- Cuboid 1101, est row: 15, est MB: 0, shrink: 31.91%
|---- Cuboid 1100, est row: 4, est MB: 0, shrink: 26.67%
|---- Cuboid 1110, est row: 16, est MB: 0, shrink: 34.04%
----------------------------------------------------------------------------
============================================================================
Statistics of wzk_kylin_test_cube_4[20240102000000_20240104000000]
Cube statistics hll precision: 14
Total cuboids: 15
Total estimated rows: 160
Total estimated size(MB): 0.00215911865234375
Sampling percentage: 100
Mapper overlap ratio: 0.0
Mapper number: 0
Length of dimension WZK_KYLIN.DW_SALES1.DT is 1
Length of dimension WZK_KYLIN.DW_SALES1.PRODUCTID is 1
Length of dimension WZK_KYLIN.DW_SALES1.CHANNELID is 1
Length of dimension WZK_KYLIN.DW_SALES1.REGIONID is 1
|---- Cuboid 1111, est row: 22, est MB: 0
|---- Cuboid 0111, est row: 21, est MB: 0, shrink: 95.45%
|---- Cuboid 0011, est row: 12, est MB: 0, shrink: 57.14%
|---- Cuboid 0001, est row: 4, est MB: 0, shrink: 33.33%
|---- Cuboid 0010, est row: 4, est MB: 0, shrink: 33.33%
|---- Cuboid 0101, est row: 13, est MB: 0, shrink: 61.9%
|---- Cuboid 0100, est row: 4, est MB: 0, shrink: 30.77%
|---- Cuboid 0110, est row: 13, est MB: 0, shrink: 61.9%
|---- Cuboid 1011, est row: 14, est MB: 0, shrink: 63.64%
|---- Cuboid 1001, est row: 6, est MB: 0, shrink: 42.86%
|---- Cuboid 1000, est row: 2, est MB: 0, shrink: 33.33%
|---- Cuboid 1010, est row: 7, est MB: 0, shrink: 50%
|---- Cuboid 1101, est row: 16, est MB: 0, shrink: 72.73%
|---- Cuboid 1100, est row: 7, est MB: 0, shrink: 43.75%
|---- Cuboid 1110, est row: 15, est MB: 0, shrink: 68.18%
对应的截图如下图:
估计Cuboid大小的精度(HII Precision)总共的Cuboid数量Segment 的总行数估计Segment的大小估计,Segment的大小决定Mapper、Reducer的数量、数据分片数量等所有的Cuboid及它的分析结果都以树状的形式打印了出来在这颗树上,每个节点代表一个Cuboid,每个Cuboid都由一连串1和0的数字组成数字串的长度等于有效维护度的数量,从左到右每个数字依次代表RowKeys设置中的各个维度,如果数字为0,则代表这个Cuboid中不存在相应的维度,如果数字为1,则代表这个Cuboid中存在相应的维度除了最顶端的Cuboid之外,每个Cuboid都有一个父亲Cuboid,且都比父亲Cuboid少了一个“1”,其意义是这个Cuboid就是由它的父亲节点减少一个维度聚合而来的(上卷)最顶端的Cuboid成为Base Cuboid,它直接由源数据计算而来,Base Cuboid的具体信息,包括该Cuboid的输出中除了0和1的数字串以外,后面还有每个Cuboid的具体信息,包括该Cuboid行数的估计值、该Cuboid大小的估计值,以及这个Cuboid的行数与父亲节点的对比(Shrink值)所有Cuboid行数的估计值之和应该等于Segment的行数估计值,所有Cuboid的大小估计值应该等于该Segment的大小估计值,每个Cuboid都是在它的父亲节点的基础上进一步聚合而成的
检查Cube大小
在WebGUI的Model页面选择一个READ状态为Cube,光标移动到该Cube的CubeSize列时,WebGUI会提示Cube的源数据大小,以及当前Cube的大小除以数据源大小的比例,称为膨胀率(Expansion Rate)。
我们可以在页面上看到Cube的大小信息,如下图所示:
一般来说,Cube的膨胀率应该在0%-1000%之间,如果一个Cube的膨胀率超过1000%,那么应该查找当中的原因,膨胀率高可能有以下几个方面的原因:
Cube中的维度数量较多,且没有进行很好的Cuboid剪枝优化,导致Cuboid数量极多Cube中存在较高基数的维度(基数的维度是指维度中有多少个不同的值),导致包含这类维度的每个Cuboid占用的空间都很大,这些Cuboid累积造成整体Cube体积变大。存在占用空间大的度量,例如Count Distinct,因此需要Cuboid的每一行中都为其保存了一个较大度量数据,最坏的情况会导致Cuboid中每一行都有数十KB,从而造成整个Cube的体积变大
对于Cube的膨胀率居高不下的情况,需要结合实际数据进行分析,优化。
使用衍生维度
一个维度可以是普通维度或者衍生维度(Derived)
将维度表的维度设置为衍生维度,这个维度不会参与计算,而是使用维度表的主键(或事实表的外键)来替代它。
Kylin会在底层记录维表主键与其他维度之间的映射关系,以便在查询时能够动态的将维度表的主键翻译成这些非主键维度,并进行实时聚合。
创建Cube的时候,这些维度如果指定为衍生维度,Kylin将会排除这些维度,而是使用维度表的主键来代替它们创建Cuboid,后续查询的时候,再基于主键的聚合结果,在进行一次聚合。
使用衍生角度会有效减少Cube中的Cuboid数量,但在查询的时候会增加聚合的时间。
不适合的场景:
如果从维度表主键到某个维度表所需要的聚合工作量非常大,此时作为一个普通的维度表聚合更合适,否则会影响Kylin的查询性能。
案例1-定义衍生维度及对比
基本介绍
有以下时间日期维表:
编写 SQL
drop table wzk_kylin.dim_date;
create table wzk_kylin.dim_date(
dateid string,
dayofyear string,
dayofmonth string,
day_in_year string,
day_in_month string,
weekday string,
week_in_month string,
week_in_year string,
date_type string,
quarter string
)ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
-- 加载数据
LOAD DATA LOCAL INPATH 'dim_date.txt' OVERWRITE
INTO TABLE wzk_kylin.dim_date;
备注信息:
日期维度代表 dim_date中两个字段,dayofyear、dayofmonth、不能是year、month。
测试数据
dim_date里,少放几条数据(机器太弱了跑不动):
2024-01-01,2024,01,001,01,1,1,01,workday,Q1
2024-01-02,2024,01,002,02,2,1,01,workday,Q1
2024-01-03,2024,01,003,03,3,1,01,workday,Q1
2024-01-04,2024,01,004,04,4,1,01,workday,Q1
上传数据
cd /opt/wzk/kylin_test
vim dim_date.txt
写入如下的数据:
<code>cd /opt/wzk/kylin_test
vim dim_date.sql
写入的数据如下图所示:
执行如下的脚本:
<code>cd /opt/wzk/kylin_test
hive -f dim_date.sql
执行结果如下图所示:
Cube设计
对应的SQL:
<code>select dim_date.dayofyear, sum(price)
from lagou_kylin.dw_sales join lagou_kylin.dim_date on
dw_sales.date1 = dim_date.dateid
group by dim_date.dayofyear;
基本的执行流程如:
创建项目 - 指定数据源 - 定义Model- 定义Cube - 查询
加载数据源
之前已经操作过很多次了,这里就简单一些写了,添加日期维度表:
创建Model,wzk_test_model_5,选择如下的连表关系:
维度按照按照如下图的配置进行:
度量还是按原来的:
剩下的部分默认即可。
构建Cube
我们分别构建刚才创建的两个Cube:
构建结果
构建的结果如下图所示:
wzk_test_kylin_cube_5
wzk_test_kylin_cube_5_2
检查Cube的Cuboid数量
我们刚才创建了两个Cube如下图所示:
wzk_test_kylin_cube_5
查看 wzk_test_kylin_cube_5:
<code>kylin.sh org.apache.kylin.engine.mr.common.CubeStatsReader wzk_kylin_test_cube_5
查询结构如下:
============================================================================
Statistics of wzk_kylin_test_cube_5[FULL_BUILD]
Cube statistics hll precision: 14
Total cuboids: 2047
Total estimated rows: 7999
Total estimated size(MB): 0.03921151161193848
Sampling percentage: 100
Mapper overlap ratio: 1.0
Mapper number: 1
Length of dimension WZK_KYLIN.DW_SALES.DATE1 is 1
Length of dimension WZK_KYLIN.DIM_DATE.DATEID is 1
Length of dimension WZK_KYLIN.DIM_DATE.DAYOFYEAR is 1
Length of dimension WZK_KYLIN.DIM_DATE.DAYOFMONTH is 1
Length of dimension WZK_KYLIN.DIM_DATE.DAY_IN_YEAR is 1
Length of dimension WZK_KYLIN.DIM_DATE.DAY_IN_MONTH is 1
Length of dimension WZK_KYLIN.DIM_DATE.WEEKDAY is 1
Length of dimension WZK_KYLIN.DIM_DATE.WEEK_IN_MONTH is 1
Length of dimension WZK_KYLIN.DIM_DATE.WEEK_IN_YEAR is 1
Length of dimension WZK_KYLIN.DIM_DATE.DATE_TYPE is 1
Length of dimension WZK_KYLIN.DIM_DATE.QUARTER is 1
|---- Cuboid 11111111111, est row: 4, est MB: 0code>
|---- Cuboid 00110001111, est row: 1, est MB: 0, shrink: 25%
----------------------------------------------------------------------------
2024-08-10 16:46:06,454 INFO [close-hbase-conn] hbase.HBaseConnection:137 : Closing HBase connections...
2024-08-10 16:46:06,454 INFO [close-hbase-conn] client.ConnectionManager$HConnectionImplementation:2155 : Closing master protocol: MasterService
2024-08-10 16:46:06,456 INFO [close-hbase-conn] client.ConnectionManager$HConnectionImplementation:1712 : Closing zookeeper sessionid=0x200dd291db1003c
2024-08-10 16:46:06,467 INFO [main-EventThread] zookeeper.ClientCnxn:512 : EventThread shut down
2024-08-10 16:46:06,467 INFO [close-hbase-conn] zookeeper.ZooKeeper:684 : Session: 0x200dd291db1003c closed
root@h122:~#
对应的截图如下所示:
wzk_test_kylin_cube_5_2
查看 wzk_test_kylin_cube_5_2:
<code>kylin.sh org.apache.kylin.engine.mr.common.CubeStatsReader wzk_test_kylin_cube_5_2
查询结果如下:
声明
本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。