1. 引言

在做OLAP数据分析时，常常会遇到过滤分析需求，比如：除去只有性别、常驻地标签的用户，计算广告媒体上的覆盖UV。OLAP解决方案Kylin不支持复杂数据类型（array、struct、map），要求数据输入Schema必须是平铺的，但是平铺后丢失了用户的聚合标签信息，而没有办法判断某一个用户是否只有性别、常驻地标签。显然，我们需要一种支持复杂数据类型的OLAP数据库；底层为Lucene的Elasticsearch正在向OLAP融合，腾讯内部已经用基于Lucene的分析数据库Hermes来做多维数据分析。

Elasticsearch（ES）在设计之初是用来做全文检索的搜索引擎，但随着倒排索引所表现出来优秀的查询性能，有越来越多人拿它做分析数据库使。可将ES视作文档型NoSQL数据库，一般情况下将具有相同schema的文档（document）归属于一个type，所有的文档存储于某一个index；ES与RDBMS的概念对比如下：

Relational DB ⇒ Databases ⇒ Tables ⇒ Rows ⇒ Columns

Elasticsearch ⇒ Indices ⇒ Types ⇒ Documents ⇒ Fields

2. 写数据

广告日志与标签数据均落在Hive表，并且ES官方提供与Hive的集成。因此，我们首选用Hive向ES写数据。首先，采用ES做OLAP分析引擎，创建表如下：

add jar /path/elasticsearch-hadoop-2.3.1.jar;

create external table ad_tag (

  dvc string,

  medias array < string >,

  c1_arr array < string >,

  week_time string

) stored by 'org.elasticsearch.hadoop.hive.EsStorageHandler' tblproperties(

  'es.nodes' = '<ip1>:9200,<ip2>:9200',

  'es.resource' = 'ad-{week_time}/tag',

  'es.mapping.exclude' = 'week_time'

);

在设计Hive表结构时，ES的计算UV的distinct count（cardinality）存在着计算误差；因此，我们按dvc对其他字段做了聚合，UV的计算转换成了ES doc命中数。其中，es.nodes表示ES的节点，只需配置一个节点即可；es.resource对应于ES的Index/Type；es.mapping.exclude在写ES时不会被索引的字段。因我们只有写操作而没有通过Hive查询ES数据，因此并没有设置es.query。Hive向ES写数据如下：

set hive.map.aggr = false;

insert overwrite table ad_tag

select

  media,

  a.dvc as dvc,

  case when c1_arr is null then array('empty') else c1_arr end as c1_arr,

  '2016-10-08' as week_time

from

  (

    select

      dvc,

      app_name as media

    from

      ad_log

    where

      is_exposure = '1'

      and day_time between date_sub('2016-10-08', 6)

      and '2016-10-08'

    group by

      dvc,

      app_name

  ) a

  left outer join (

    select

      dvc,

      collect_set(c1) as c1_arr

    from

      tag lateral view inline(tag) in_tb

    where

      day_time = '2016-10-08'

    group by

      dvc

  ) b on a.dvc = b.dvc;

在写ES时，在构建索引时不需要分词，通过PUT index template方式实现之：

{

  "template": "ad*",

  "mappings": {

    "_default_": {

      "dynamic_templates": [

        {

          "string_template": {

            "mapping": {

              "include_in_all": false,

              "index": "not_analyzed",

              "type": "string",

              "index_options": "docs"

            },

            "match": "*"

          }

        }

      ]

    }

  }

}

3. 多维分析

ES官方的查询语言是DSL，主要分为两类：

• Query，相当于SQL中的where部分，可套用filter、match等；
• Aggregation，相当于SQL中的group by部分，在aggs内部也可以套用filter。

DSL可以嵌套，表达异常复杂的查询操作；但是，若以字符串拼接的方式实现DSL，则显得可维护性太差。因此，官方提供了elasticsearch-dsl-py，可以将DSL等同于一段Python代码。我们的多维分析器便是基于此实现的（Python 3.5 + elasticsearch_dsl 2.1.0）

整体上曝光UV、有标签的UV、除去常用标签UV，以及每一个媒体上曝光UV、有标签的UV、除去常用标签UV的分析（相当于group by media with cube）：

client = Elasticsearch(['<host1>'], port=20009, timeout=50)

def per_media(index_name):

    """count(distinct dvc) group by media with cube"""

    ms = MultiSearch(using=client, index=index_name)

    all_doc = Search()

    all_doc.aggs.bucket('per_media', 'terms', field='medias', size=1000)

    tagged = Search().query('filtered', filter=~Q('term', c1_arr='empty'))

    tagged.aggs.bucket('per_media', 'terms', field='medias', size=1000)

    useful = Search().query('filtered', filter=~Q('term', c1_arr='empty') & Q('script',

                                                                              script="""['常驻地', '性别'].intersect(doc['c1_arr'].values).size() < doc['c1_arr'].values.size()"""))

    useful.aggs.bucket('per_media', 'terms', field='medias', size=1000)

    ms = ms.add(all_doc)

    ms = ms.add(tagged)

    ms = ms.add(useful)

    responses = ms.execute()

    result_list = []

    result_dict = defaultdict(lambda: [])

    for resp in responses:  # get per media uv(all, tagged, useful_tagged)

        print("Query %d: %r." % (responses.index(resp), resp.search.to_dict()))

        result_list.append(resp.hits.total)

        for buck in resp.aggregations['per_media']['buckets']:

            result_dict[buck['key']].append(buck['doc_count'])

    for k, v in result_dict.items():  # fill up default value 0

        if len(v) < 3:

            result_dict[k] = v + [0] * (3 - len(v))

    return result_list, result_dict

媒体与标签组合维度下的UV统计：

def per_media_c1(index_name):

    """return {(media, c1) -> tagged_uv}"""

    s = Search(using=client, index=index_name)

    tagged = s.query('filtered', filter=~Q('term', c1_arr='empty'))

    tagged.aggs.bucket('per_media', 'terms', field='medias', size=1000) \

        .bucket('per_c1', 'terms', field='c1_arr', size=100)

    result = {}

    response = tagged.execute()

    for buck in response.aggregations['per_media']['buckets']:

        key = buck['key']

        for b in buck['per_c1']['buckets']:

            result[(key, b['key'])] = b['doc_count']

    return result