大数据-163 Apache Kylin 全量增量Cube的构建 手动触发合并 JDBC 操作 Scala

CSDN 2024-10-22 10:37:01 阅读 76

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:

全量增量Cube的构建Segment

在这里插入图片描述

基本流程

在 Apache Kylin 中,手动触发 Segment 合并的步骤如下:

选择要合并的 Cube 和 Segments: 进入 Kylin Web UI,选择你要操作的 Cube,进入该 Cube 的详情页面。在“Segments”标签页下,可以看到当前 Cube 的所有 Segments。选择你希望合并的 Segments。

合并 Segments: 点击页面上的 “Merge Segment” 按钮。通常情况下,Kylin 会自动计算可以合并的 Segments。如果你想手动控制合并的 Segments,可以在弹出的对话框中手动选择你想合并的 Segments。

配置合并任务: 配置合并任务的参数,如目标时间范围等。Kylin 会根据你选择的 Segments 的范围自动填充一些默认的值。你可以根据需求调整这些参数。

启动合并任务: 完成配置后,点击 “Submit” 按钮。Kylin 将会创建一个新的合并任务(Job),该任务将在后台执行。你可以在 “Job” 页面查看任务的执行状态。

监控任务状态: 在 “Job” 页面,你可以查看合并任务的日志和状态。如果任务执行成功,你会看到新的 Segment 出现在 Segments 列表中,表示合并已经完成。

如果合并成功,新的合并后 Segment 会替代原来的多个 Segments,而旧的 Segments 将被 Kylin 自动清理。

需要注意的是,手动合并的操作可能会占用大量资源,因此在高负载时需要谨慎操作,并在合适的时间段执行合并任务。

手动触发合并Segment

Kylin提供了一种简单的机制用于控制Cube中Segment的数量:合并Segment,在WebGUI中选中需要进行Segments合并的Cube。

单击Action => Merge

我们刚才分阶段进行了任务的Build操作,

01-01、01-02、01-03、01-04 的任务,我们可以使用 Merge 来进行合并:

在这里插入图片描述

选中需要合并的Segment,可以同时合并多个Segment,但这些Segment必须是连续的,单击提交系统会提交一个类型为 MERGE 的构建任务,这里可以选择时间阶段,我选择的是 01-03到01-04:

在这里插入图片描述

提交任务,可以看到是一个 Merge任务,看名字:【MERGE】,等待合并完毕:

在这里插入图片描述

合并完毕的结果如下图:

在这里插入图片描述

注意事项

在MERGE构建结束之前,所有选中用来合并的Segment仍然处于可用的状态在MERGE类型的构建完成之前,系统将不允许提交这个Cube上任何类型的其他构建任务当MERGE构建结束的时候,系统将选中合并的Segment替换为新的Segment,而被替换下的Segment等待将被垃圾回收和清理,以节省系统资源

删除Segment

使用WebUI删除Cube的Segment,

这里选择 Disable 就可以删除Segment了:

在这里插入图片描述

Disable之后,可以看到下面的:DeleteSegment操作,就可以删除指定的Segment了:

在这里插入图片描述

自动合并

手动维护Segment很繁琐,人工成本高,Kylin中是可以支持自动合并Segment。

在Cube Designer的 Refresh Settings的页面中有:

Auto Merge ThresholdsRetention Thresholds

Refresh Settings的页面:

在这里插入图片描述

两个设置项可以用来帮助管理Segment碎片,这两项设置搭配使用这两项设置可以大大减少对Segment进行管理的麻烦。

Auto Merge Thresholds

允许用户设置几个层级的时间阈值,层级越靠后,时间阈值越大每当Cube中有新的Segment状态变为READY的时候,就会自动触发一次系统自动合并

合并策略

尝试最大一级的时间阈值,例如:针对(7天、28天)层级的日志,先检查能够将连续的若干个Segment合并成为一个超过28天的大Segment如果有个别的Segment的事件长度本身已经超过28天,系统会跳过Segment如果满足条件的连续Segment还不能够累积超过28天,那么系统会使用下一个层级的时间戳重复寻找

案例1 理解Kylin自动合并策略

假设自动合并阈值设置为7天、28天如果现在有A-H 8个连续的Segment,它们的时间长度为28天(A)、7天(B)、1天(C)、一天(D)、一天(E)、一天(F)、一天(G)、一天(H)此时,第9个Segment加入,时间长度为1天

自动合并的策略为:

Kylin判断时能够将连续的Segment合并到28天这个阈值,由于Segment A已经超过28天,会被排除。剩下的连续Segment,所有时间加一起 B+C+D+E+F+G+H+I < 28天,无法满足28天的阈值,则开始尝试7天的阈值跳过 A(28)、B(7)均超过7天,排除剩下的连续Segment,所有时间加在一起 C+D+E+F+G+H+I 达到7天的阈值,触发合并,提交Merge任务,并构建一个SegmentX(7天)合并后,Segment为:A(28天)、B(7天)、X(7天)连续触发检查,A(28天)跳过,B+X(7+7=14)< 28天,不满足第一阈值,重新使用第二阈值触发跳过B、X尝试终止

案例2 配置自动合并4天的Segment

选中Model,选择Edit进行编辑:

在这里插入图片描述

直接到Refresh Setting选项卡,将选项修改为,4天:

在这里插入图片描述

后续将自动进行Segment的构建。

配置保留的Segment

自动合并是将多个Segment合并为一个Segment,以达到清理碎片的目的,保留Segment则是及时清理不再使用的Segment。

在很多场景中,只会对过去一段时间内的数据进行查询,例如:

对于某个只显示过去1年数据的报表支持它的Cube其实只需要保留过去一年类的Segment即可由于数据在Hive中已经存在备份,则不需在Kylin中备份超过一年的类似数据

可以将Retention Threshold设置为365,每当有新的Segment状态变为READY的时候,系统会检查每一个Segment。如果它的结束时间距离最晚的一个Segment的结束时间已经大于等于RetentionThreshold,那么这个Segment将视为无需保留,系统会自动从Cube中删除这个Segment。

保留策略示意图如下所示:

在这里插入图片描述

使用JDBC连接操作Kylin

简单介绍

要将数据以可视化方式展示出来,需要使用Kylin的JDBC方式连接执行SQL,获取Kylin的执行结果使用Kylin的JDBC与JDBC操作MySQL一致

业务需求

通过JDBC的方式,查询按照日期、区域、产品维度统计订单总额/总数量结果

开发步骤

添加依赖

<code><dependency>

<groupId>org.apache.kylin</groupId>

<artifactId>kylin-jdbc</artifactId>

<version>3.1.1</version>

</dependency>

实现规划

创建Connection连接对象构建SQL语句创建Statement对象,并执行executeQuery打印结果

编写代码

我这里用Scala实现了,Java也差不多

package icu.wzk.kylin

import java.sql.DriverManager

object KylinJdbcTest {

def main(args: Array[String]): Unit = {

// 创建连接对象

val connection = DriverManager.getConnection("jdbc:kylin://h122.wzk.icu:7070/wzk_test_kylin", "ADMIN", "KYLIN")

// 创建Statement

val statement = connection.createStatement();

// 构建SQL语句

var sql =

"""

|select

| t1.dt,

| t2.regionid,

| t2.regionname,

| t3.productid,

| t3.productname,

| sum(t1.price) as total_money,

| sum(t1.amount) as total_amount

|from

| dw_sales1 t1

|inner join dim_region t2

|on t1.regionid = t2.regionid

|inner join dim_product t3

|on t1.productid = t3.productid

|group by

| t1.dt,

| t2.regionid,

| t2.regionname,

| t3.productid,

| t3.productname

|order by

| t1.dt,

| t2.regionname,

| t3.productname

|""".stripMargin

val resultSet = statement.executeQuery(sql)

println("dt region product_name total_money total_amount")

while (resultSet.next()) {

// 获取时间

val dt = resultSet.getString("dt")

// 获取区域名称

val regionName = resultSet.getString("regionname")

// 获取产品名称

val productName = resultSet.getString("productname")

// 获取累计金额

val totalMoney = resultSet.getDouble("total_money")

// 获取累计数量

val totalAmount = resultSet.getDouble("total_amount")

println(f"$dt $regionName $productName $totalMoney $totalAmount")

}

connection.close()

}

}

测试运行

我们运行代码,可以看到如下的运行结果:

在这里插入图片描述



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。