Apache Kylin（三）Kylin上手

2024-02-15 10:20:40

Kylin 上手

根据Kylin 官方给出的测试数据，我们实际操作一下 Kylin。

1. 导入 Hive 数据

首先创建一个project，在界面左上角有个“Add Project” 按钮，这里我们创建的Project名为tuto。

进入Model 界面，从 Hive 中导入两张表：kylin_sales和 kylin_cal_dt

导入完成后可以在左边看到表的定义：

同时 Kylin 会在后台触发一个 MapReduce 任务，计算此表中每个列的基数。一般在隔几分钟后再刷新页面，就可以看到基数信息，如：

需要注意的是，这里 Kylin 对基数采用的是HyperLogLog的近似算法，与精确值略有误差。例如对TRANS_ID 的基数估计为 10491，而若是我们在Hive 中获取 TRANS_ID 的distinct count：

select count(distinct trans_id) from kylin_sales;

> 10000

可以看到计算的结果与kylin计算出的基数稍有误差，不过一般这种近似值作为参考值是足够的。

2. 创建数据模型

2.1. 选择事实表与维度表

数据模型（Data Model）是Cube 的基础，主要根据分析需求进行设计。有了数据模型后，定义Cube的时候就可以直接从此模型定义的表和列中进行选择了，省去了重复指定连接（JOIN）条件的步骤。基于一个数据模型可以创建多个Cube，方便减少用户的重复性工作。

在 Kylin web 界面的 Model 页面，创建一个新Model（也就是数据模型）。必须选择一个事实表，以及（可选）添加一个维度表。

这里snapshot是指是否将维度表以快照（snapshot）的形式存储到内存中以供查询。当维度表小于300MB时，推荐启用维度表以快照形式存储，以简化Cube计算和提高系统整体效率。当维度表超过 300MB 时，则建议关闭维度表快照，以提升Cube构建的稳定性与查询的性能。

对于join key，也支持多组key。

2.2. 选择维度和度量

选择维度和度量的列，这里只是选择一个范围，并不代表这些列将来一定要用作 Cube 的维度或度量。可以把所有可能会用到的列都选进来，后续创建 Cube 的时候，将只能从这些列中进行选择。

选择维度列时，维度可以来自事实表或维度表，例如：

选择度量时，度量只能来自事实表或不加载进内存的维度表，如：

最后一步，是为模型补充分割时间列信息和过滤条件。如果此模型中的事实表记录是按时间增长的，那么可以指定一个日期/时间列作为模型的分割时间列，从而可以让Cube按此列做增量构建。

过滤（Filter）条件是指，如果想把一些记录忽略掉，那么这里可以设置一个过滤条件。Apache Kylin 在向 Hive 请求源数据的时候，会带上此过滤条件，如下所示，会只保留price 大于 0 的记录：

点击 Save 后，即可保存此 Model。

3. 创建 Cube

3.1. Cube Info

从左上角创建按钮新创建一个 Cube，并选择之前创建的Model：

3.2. Dimensions

然后添加Cube的维度：

3.3. Measures

接着是添加度量，Kylin支持的度量有SUM、MIN、MAX、COUNT、COUNT_DISTINCT、TOP_N、EXTENDED_COLUMN、PERCENTILE等。默认会创建一个Count(1) 度量。

可以通过Bulk Add Measure 按钮批量添加度量。目前对于批量添加度量，Kylin仅支持SUM、MIN、MAX等简单函数。只需要选择度量类型，然后再选择需要计算的列即可：

如果需要添加复杂度量，点击“+Measure”按钮添加即可，如：

添加完后的结果为：

3.4. Refresh Setting

接下来是关于Cube数据刷新的设置，这里可以设置自动合并的阈值、自动合并触发时保留的阈值、数据保留的最小时间、以及第一个Segment的起点时间（如果Cube有分割时间列）：

3.5. Advanced Setting

在此页面可以设置维度聚合组和Rowkey属性。

默认Kylin会把所有维度放在同一个聚合组（Aggregation Group，也称维度组）中，如果维度数较多（如 > 15），建议用户根据查询的习惯和模式，点击New Aggregation Group+ 命令，将维度分布到多个聚合组中。通过使用多个聚合组，可以大大降低Cube中Cuboid数量。

举个例子，一个Cube有（M+N）个维度，如果把这些维度都放置在一个组里，那么默认会有2^(M+N)个Cuboid；如果把这些维度分为两个不相交的聚合组，第一个组有M个维度，第二个组有N个维度，那么Cuboid的总数量将减少至2^M+ 2^N，会极大减少Cuboid的数量。

在单个聚合组中，可以对维度设置一些高级属性，如Mandatory Dimensions、Hierarchy Dimensions、Joint Dimensions 等。这几种属性都是为了优化Cube的计算而设计：

Mandatory Dimensions（强制维度）：指的是那些总是会出现在Where条件或Group By 语句里的维度。在指定某个维度为Mandatory Dimensions 后，Kylin可以不予计算那些不包含此维度的Cuboid，从而减少计算量
Hierarchy Dimensions（层级维度）：指一组有层级关系的维度，如“国家”、“省”、“市”。这里“国家“是*别的维度，”省“、”市“依次是次要级别。用户为按高级别维度进行查询，也会按低级别维度进行查询。但当查询低级别维度时，往往会带上高级别维度的条件，而不会孤立地查询低维度的数据。例如，用户会使用”国家“作为条件进行查询，也会使用”国家“+”省“+”市“的条件进行查询。通过指定层级维度，Kylin可以略过不满足此模式的Cuboid
Joint Dimensions（联合维度）：将多个维度视作为一个维度，在进行组合计算的时候，它们要们一起出现，要们均不出现。通常适用于以下几种情况：
- 总是一起查询的维度
- 彼此之间有一定映射关系，如USER_ID 和 EMAIL
- 基数很低的维度，如性别、布尔类型的属性

在此步骤中，web 界面里自动选择了要添加的维度到此聚合组中。然后用户可以根据模型特征和查询模式，设置高级维度属性。Hierarchy Dimension 和 Joint Dimension 可以设置多组，但是要主要的是，一个维度出现在某个属性中后，将不能再设置为另一种属性。但是一个维度是可以同时出现在多个聚合组中的。

添加完后的聚合组为：

Kylin中，会将Cube的构建结果以Key-Value的形式存储到HBase中。而HBase是单行键索引，所以在存储时，但是Kylin又需要按照多个维度来对度量进行检索。所以在存储到HBase中时，Kylin会将多个维度拼接组成Rowkey。在HBase中的存储结构如下：

可以看到Dimensions 是rowkey，Metrics是value。由于同一维度中的数值长短不一，如国家名，短的如“中国”，长的如“巴布亚新几内亚”，因此将多个不同列的值进行拼接的时候，要么添加分隔符，要么通过某种编码使各个列所占的宽固定。Kylin为了能够在HBase上高效地进行存储和检索，会使用第二种方式对维度值进行编码。维度编码的优势有：

压缩信息存储空间；
提高扫描效率，减少解析开销。

对于各个维度在rowkey中的顺序，也会对查询的性能产生比较明显的影响。在这里用户可以根据查询的模式和习惯，通过拖拽的方式调整各个维度在Rowkey上的顺序：

一般原则是：将过滤频率高的列放置在过滤频率低的列之前，将基数高的列放在基数低的列之前。这样做的好处是：充分利用过滤条件来缩小在HBase中扫描的范围，从而提高查询的效率。

在构建Cube时，可以通过维度组合白名单（Mandatory Cuboids）确保想要构建的Cuboid能被成功构建：

Kylin支持对于复杂的COUNT DISTINCT度量进行字典构建，以保证查询性能。目前提供两种字典格式：Global Dictionary 和 Segment Dictionary。如下所示：

其中，Global Dictionary 可以将一个非Integer的值转为Integer值，以便bitmap进行去重，如果要计算的COUNT DISTINCT的列本身已经是Integer类型，那就不需要定义Global Dictionary。并且Global Dictionary会被所有segment共享，因此支持跨segments做上卷去重操作。

而Segment Dictionary 虽然也是用于精确计算COUNT DISTINCT 的字典，但与Global Dictionary不同的是，它是基于一个segment的值构建的，因此不支持跨segments的汇总计算。如果你的cube 不是分区的，或者能保证你的所有SQL按照partition column 进行group by，那么最好使用Segment Dictionary 而不是 Global Dictionary，这样可以避免单个字典过大的问题。

Kylin 目前支持两种构建Cube 的引擎：Mapreduce 和 Spark。如果你的Cube只有简单度量（如SUM、MIN、MAX），建议使用Spark。如果Cube中有复杂类型度量（如COUNT DISTINCT、TOP_N），建议使用MapReduce。

为了提升构建性能，可以在Advanced Snapshot Table中将维度表设置为全局维度表，同时提供不同的存储类型：

在构建时，可以在Advanced Column Family 中对度量进行分组，如果有超过一个的COUNT DISTINCT或 Top_N 度量，可以将它们放在更多的列簇中，以优化HBase的I/O：

3.6. Configuration Overwrites

在这里可以为 Cube 配置参数。首先Kylin的全局参数在conf/kylin.properties 文件中；如果Cube需要覆盖全局设置的话，需要在此指定。

例如，指定 kylin.hbase.region.cut 的值为 1，则此Cube在存储的时候，Kylin将会按每个HTable Region 存储空间为 1GB 来创建HTable Region。如果用户希望任务从YARN 中获取更多内存，可以设置kylin.engine.mr.config-override.mapreduce.map.memory.mb、kylin.engin.mr.config-override.mapreduce.map.java.opts 等mapreduce 相关参数。如果用户希望Cube的构建任务使用不同的YARN资源队列，可以设置kylin.engine.mr.config-override.mapreduce.job.queuename。这些配置均可以在Cube级别重写。

配置完后保存，Cube 就创建完毕了。

4. 构建Cube

新创建的Cube只有定义，没有计算的数据，状态还是DISABLED，所以不会被查询引擎挑中。为了让Cube有数据，需要对它进行构建。构建有两种：全量与增量。两者构建步骤完全一样，区别在于构建时读取的数据源是全集还是子集。

Cube的构建过程如下，由任务引擎调度执行：

创建临时Hive平表（从Hive中读取数据）
计算各维度的不同值，并收集各Cuboid的统计数据
创建并保存字典
保存Cuboid统计信息
创建HTable
计算Cube（一轮或若干轮计算）
将Cube计算结果转为HFile
加载HFile到HBase
更新Cube元数据
垃圾回收

上述步骤中，前5步是为了计算Cube而作的准备工作，如遍历维度值来创建字典，对数据做统计和估算以创建HTable等。第6步是真正的Cube计算，取决于使用的Cube算法，它可能是一轮MapReduce任务，也可能是N（在没有优化的情况下，N可以被视作维度数）轮迭代的MapReduce。

由于Cube运算的中间结果是以SequenceFile的格式存储在HDFS上的，所以为了导入HBase，还需要进行第7步操作，将这些结果转换成HFile。第8步通过HBase BulkLoad 将HFile导入到HBase 集群，这一步完成后，HTable就可以查询到数据。第9步更新Cube的数据，将此构建的Segment状态从“NEW”更新为“READY”，表示已经可供查询。最后一步，清理构建过程中生成的临时文件等垃圾，释放集群资源。

Monitor页面会显示当前项目下进气的构建任务

4.1. 全量构建与增量构建

对数据模型中没有指定分割时间列信息的Cube，Kylin会采用全量构建，即每次都从Hive中读取全部的数据来开始构建。通常适用于以下两种情形：

事实表的数据不是按时间增长的
事实表的数据比较小或更新频率很低，全量构建不会造成太大的存储空间浪费

进行增量构建的时候，Kylin每次会从Hive中读取一个时间范围内的数据，然后进行计算，并以一个Segment的形式保存。下次构建的时候，自动以上此结束的时间为起点时间，再选择新的终止时间进行构建。经过多次构建后，Cube中会有多个Segment依次按时间顺序进行排列，如Seg-1，Seg-2，…，Seg-N。进行查询的时候，Kylin会查询一个或多个Segment然后做聚合计算，以便返回正确的结果给请求者。

使用增量构建的优势是，每次只需要对新增数据进行计算，避免了对实例数据重复计算。对于数据量很大的Cube，使用增量计算是必须的。

下面是为构建一个Segment的Cube的数据框，需要用户选择时间范围：

在从Hive中读取源数据的时候，Kylin会带上此条件。构建完毕后，Cube成为Ready状态：

4.2. 历史数据刷新

Cube构建完成后，如果某些历史数据发生了变动，需要针对相应的Segment重新进行计算，这种构建称为刷新。刷新通常只针对增量构建的Cube而言，因为全量构建的Cube只要重新全部构建就可以得到更新；而增量更新的Cube因为有多个Segment，需要先选择刷新的Segment，然后再进行刷新。如下所示：

在刷新的同时，Cube仍可以被查询，只是返回的是陈旧数据。在Segment刷新完毕后，新Segment会立即生效，查询开始返回最新的数据。原Segment则成为垃圾，等待回收。

5. 查询

Cube构建好后，即可进行查询。不过只有当查询的模式跟Cube定义相匹配的时候，Kylin才能够使用Cube的数据来完成查询。Group By 的列和 Where 条件里的列，必须是在维度中定义的列，而SQL中的度量，应该跟Cube中定义的度量一致。

例如，我们查询每天的总销售额的结果为：

可以看到耗时仅0.68s，速度非常快。得益于Kylin的预计算，可以大大缩减数据查询的时间。

码农公寓