kylin入门到实战

kylin入门到实战：入门

1.概述

kylin是一款开源的分布式数据分析工具，基于hadoop之上的sql查询接口，能支持超大规模的数据分析。响应时间在亚秒级别，其核心是预计算，计算结果存放在hbase中。

2.特性

• 可扩展超快OLAP引擎:
  Kylin是为减少在Hadoop上百亿规模数据查询延迟而设计
• Hadoop ANSI SQL 接口:
  Kylin为Hadoop提供标准SQL支持大部分查询功能
• 交互式查询能力:
  通过Kylin，用户可以与Hadoop数据进行亚秒级交互，在同样的数据集上提供比Hive更好的性能
• 多维立方体（MOLAP Cube）:
  用户能够在Kylin里为百亿以上数据集定义数据模型并构建立方体
• 与BI工具无缝整合:
  Kylin提供与BI工具，如Tableau，的整合能力，即将提供对其他工具的整合
• 其他特性:
  Job管理与监控
  压缩与编码
  增量更新
  利用HBase Coprocessor
  基于HyperLogLog的Dinstinc Count近似算法
  友好的web界面以管理，监控和使用立方体
  项目及立方体级别的访问控制安全
  支持LDAP
  

3.相关概念

3.1 Fact Table(事实表)：
事实表是指包含了大量不冗余数据的表，其列一般有两种，分别为包含事实数据的列，包含维表foreign key的列。
3.2 Lookup table：包含了对事实表的某些列扩充说明的字段。
3.3 Dimenssion Table(维表)：
由fact table和lookup table 抽象出来的表，包含了多个相关的列，提供对数据不同维度的观察，其中每列的值的数目称为cardinatily。
3.4 model:用来定义用户需要使用的hive表名，及所包含的维度列、度量列、partition列和date格式。
3.5 cube:用来定义某具体查询时会涉及到的维度列及相互之间的关系（如层级关系）、度量列的具体类型（如max，min，sum）等,一个model下可存在多个cube。

kylin入门到实战：cube详述


1.什么是cube？

cube是所有dimession的组合，每一种dimession的组合称之为cuboid。某一有n个dimession的cube会有2n个cuboid，如图：

对应一张hive表，有time,item,location,supplier这四个维度，则0-D cuboid时对应的查询语句为 select sum(money) from table;1-D cuboid对应的查询语句有四个，分别为select sum(money) from table group by time，以及select sum(money) from table group by item,以及select sum(money) from table group by location。对应的在2-D时group by 后面的维度会是time,item,location,supplier两两组合。如果不采取优化措施，理论上kylin在预计算过程中会对上述每一种组合进行预计算，随着维度的增加，计算量将会呈几何倍数的增长。为了解决这种问题，kylin对dimession做了分类，见下文。

2.dimession

为了减少cuboid的数量，kylin对dimession做了如下分类
normal：最为普通常见的dimession类型，与其他类型的dimession组成cuboid。
mandatory：每次查询均会使用到的dimession，在下图中A为Mandatory dimension，则与B、C总共构成了4个cuboid，相较于normal dimension的cuboid（23=8)减少了一半。

在实际生产应用中，比如对于日报表的分析，可能日期就是一个mandatory dimession。
hierarchy：带层级的dimession,如：年->月->日，要求子级的父级必须存在。如下的例子中cuboid由2n降为了n+1。

然而，Kylin的Hierarchy dimensions并没有做集合包含约束，比如：kylin_sales_cube定义Hierarchy dimension为META_CATEG_NAME->CATEG_LVL2_NAME->CATEG_LVL3_NAME，但是同一个CATEG_LVL2_NAME可以对应不同META_CATEG_NAME。因此，hierarchy 显得非常鸡肋，以至于在Kylin后台处理时被废弃了。

derived：指该dimession与维表的primary key是一一对应的关系，可以有效减少cuboid的数量，derived dimession只能由Lookup Table生成。

3.measure

measure为事实表的度量值，kylin提供了下面几个函数：
sum,count,max,min,avarage,count_distinct
其中count_distinct有两种实现方式：
（1）近似Count Distinct。Apache Kylin使用HyperLogLog算法实现了近似Count Distinct,提供了错误率从9.75%到1.22%几种精度供选择；
算法计算后的Count Distinct指标，理论上，结果最大只有64KB，最低的错误率是1.22%；这种实现方式用在需要快速计算、节省存储空间，并且能接受错误率的Count Distinct指标计算。
（2）准Count Distinct。从1.5.3版本开始，Kylin中实现了基于bitmap的精确Count Distinct计算方式。当数据类型为tiny int(byte)、small int(short)以及int，
会直接将数据值映射到bitmap中；当数据类型为long,string或者其他，则需要将数据值以字符串形式编码成dict(字典)，再将字典ID映射到bitmap;
指标计算后的结果，并不是计数后的值，而是包含了序列化值的bitmap.这样，才能确保在任意维度上的Count Distinct结果是正确的。
这种实现方式提供了精确的无错误的Count Distinct结果，但是需要更多的存储资源，如果数据中的不重复值超过百万，结果所占的存储应该会达到几百MB。

来源：大数据随笔