Hologres如何支持超高基数UV计算(基于roaringbitmap实现)

RoaringBitmap是一种压缩位图索引 RoaringBitmap自身的数据压缩和去重特性十分适合对于大数据下uv计算。其主要原理如下

对于32bit数, RoaringBitmap会构造2^16个桶 对应32位数的高16位 32位数的低16位则映射到对应桶的一个bit上。单个桶的容量由桶中的已有的最大数值决定bitmap把32位数用1位表示 可以大大地压缩数据大小。bitmap位运算为去重提供了手段。

主体思想 T 1 把上一天的所有数据根据最大的查询维度聚合出的uid结果放入RoaringBitmap中 把RoaringBitmap和查询维度存放在聚合结果表 每天百万条 。之后查询时 利用Hologres强大的列存计算直接按照查询维度去查询聚合结果表 对其中关键的RoaringBitmap字段做or运算进行去重后并统计基数 即可得出对应用户数UV count条数即可计算得出PV 达到亚秒级查询。

只需进行一次最细粒度的预聚合计算 也只生成一份最细粒度的预聚合结果表。得益于Hologres的实时计算能力 该方案下预计算所需的次数和空间都达到较低的开销。

Hologres计算UV、PV方案详情

图1 Hologres基于RoaringBitmap计算pv uv流程

1.创建相关基础表

1 使用RoaringBitmap前需要创建RoaringBitmap extention 语法如下 同时该功能需要Hologres ?0.10版本。

CREATE EXTENSION IF NOT EXISTS roaringbitmap;

2 创建表ods_app为明细源表 存放用户每天大量的明细数据 按天分区 其DDL如下

BEGIN;
CREATE TABLE IF NOT EXISTS public.ods_app (
 uid text,
 country text,
 prov text,
 city text,
 channel text,
 operator text,
 brand text,
 ip text,
 click_time text,
 year text,
 month text,
 day text,
 ymd text NOT NULL
CALL set_table_property( public.ods_app , bitmap_columns , country,prov,city,channel,operator,brand,ip,click_time, year, month, day, ymd );
--distribution_key根据需求设置 根据该表的实时查询需求 从什么维度做分片能够取得较好效果即可
CALL set_table_property( public.ods_app , distribution_key , uid );
--用于做where过滤条件 包含完整年月日时间字段推荐设为clustering_key和event_time_column
CALL set_table_property( public.ods_app , clustering_key , ymd );
CALL set_table_property( public.ods_app , event_time_column , ymd );
CALL set_table_property( public.ods_app , orientation , column );
COMMIT;

3 创建表uid_mapping为uid映射表 uid映射表用于映射uid到32位int类型。

RoaringBitmap类型要求用户ID必须是32位int类型且越稠密越好 用户ID最好连续 而常见的业务系统或者埋点中的用户ID很多是字符串类型 因此使用uid_mapping类型构建一张映射表。映射表利用Hologres的SERIAL类型 自增的32位int 来实现用户映射的自动管理和稳定映射。

注: 该表在本例每天批量写入场景 可为行存表也可为列存表 没有太大区别。如需要做实时数据 例如和Flink联用 需要是行存表 以提高Flink维表实时JOIN的QPS。

BEGIN;
 CREATE TABLE public.uid_mapping (
 uid text NOT NULL,
 uid_int32 serial,
 PRIMARY KEY (uid) 
 --将uid设为clustering_key和distribution_key便于快速查找其对应的int32值
CALL set_table_property( public.uid_mapping , clustering_key , uid );
CALL set_table_property( public.uid_mapping , distribution_key , uid );
CALL set_table_property( public.uid_mapping , orientation , row );
COMMIT;

3 创建表dws_app基础聚合表 用于存放在基础维度上聚合后的结果

基础维度为之后进行查询计算pv和uv的最细维度 这里以country prov city为例构建聚合表

begin;
create table dws_app(
 country text,
 prov text,
 city text, 
 ymd text NOT NULL, --日期字段
 uid32_bitmap roaringbitmap, -- UV计算
 pv integer, -- PV计算
 primary key(country, prov, city, ymd)--查询维度和时间作为主键 防止重复插入数据
CALL set_table_property( public.dws_app , orientation , column );
--clustering_key和event_time_column设为日期字段 便于过滤
CALL set_table_property( public.dws_app , clustering_key , ymd );
CALL set_table_property( public.dws_app , event_time_column , ymd );
--distribution_key设为group by字段
CALL set_table_property( public.dws_app , distribution_key , country,prov,city );
end;

2.更新dws表及id_mapping表

每天从上一天的uid中找出新客户 uid映射表uid_mapping中没有的uid 插入到uid映射表中

WITH
-- 其中ymd 20210329 表示上一天的数据
 user_ids AS ( SELECT uid FROM ods_app WHERE ymd 20210329 GROUP BY uid )
 ,new_ids AS ( SELECT user_ids.uid FROM user_ids LEFT JOIN uid_mapping ON (user_ids.uid uid_mapping.uid) WHERE uid_mapping.uid IS NULL )
INSERT INTO uid_mapping SELECT new_ids.uid
FROM new_ids
;

更新完uid映射表后 将数据做聚合运算后插入聚合结果表 主要步骤如下

首先通过源表inner join uid映射表 得到上一天的聚合条件和对应的uid_int32 然后按照聚合条件做聚合运算后插入RoaringBitmap聚合结果表 作为上一天的聚合结果 每天只需进行一次聚合 存放一份数据 数据条数最坏等于UV的量。以案例说明 明细表每天几亿的增量 在聚合结果表每天只需存放百万级数据。

WITH
 aggregation_src AS( SELECT country, prov, city, uid_int32 FROM ods_app INNER JOIN uid_mapping ON ods_app.uid uid_mapping.uid WHERE ods_app.ymd 20210329 )
INSERT INTO dws_app SELECT country
 ,prov
 ,city
 , 20210329 
 ,RB_BUILD_AGG(uid_int32)
 ,COUNT(1)
FROM aggregation_src
GROUP BY country
 ,prov
 ,city
;

3.UV、PV查询

查询时 从汇总表dws_app 中按照查询维度做聚合计算 查询bitmap基数 得出Group by条件下的用户数

--运行下面RB_AGG运算查询 可先关闭三阶段聚合开关性能更佳 默认关闭 
set hg_experimental_enable_force_three_stage_agg off 
--可以查询基础维度任意组合 任意时间段的uv pv
SELECT country
 ,prov
 ,city
 ,RB_CARDINALITY(RB_OR_AGG(uid32_bitmap)) AS uv
 ,sum(1) AS pv
FROM dws_app
WHERE ymd 20210329 
GROUP BY country
 ,prov
 ,city;
--查一个月 
SELECT country
 ,prov
 ,RB_CARDINALITY(RB_OR_AGG(uid32_bitmap)) AS uv
 ,sum(1) AS pv
FROM dws_app
WHERE ymd 20210301 and ymd 20210331 
GROUP BY country
 ,prov;
该查询等价于
SELECT country
 ,prov
 ,city
 ,COUNT(DISTINCT uid) AS uv
 ,COUNT(1) AS pv
FROM ods_app
WHERE ymd 20210329 
GROUP BY country
 ,prov
 ,city;
SELECT country
 ,prov
 ,COUNT(DISTINCT uid) AS uv
 ,COUNT(1) AS pv
FROM ods_app
WHERE ymd 20210301 and ymd 20210331 
GROUP BY country
 ,prov; 

4.可视化展示

计算出UV、PV和 大多数情况需要用BI工具以更直观的方式可视化展示 由于需要使用RB_CARDINALITY 和 RB_OR_AGG 进行聚合计算 需要使用BI的自定义聚合函数的能力 常见的具备该能力的BI包括Apache Superset和Tableau 下面将会讲述这两个BI工具的最佳实践。

4.1 使用 Apache Superset

Apache Superset 对接 Hologres 的方式 请参考产品手册。在Superset中可以直接使用dws_app表作为Dataset使用

并且在数据集中 创建一个单独Metrics 名为UV 表达式如下

RB_CARDINALITY(RB_OR_AGG(uid32_bitmap))

然后您就可以开始探索数据了

当然也可以创建Dashborad

4.2 使用 Tableau

Tableau 对接 Hologres 的方式 请参考产品手册。可以使用Tableau的直通函数直接实现自定义函数的能力 详细介绍请参照Tableau的手册。在Tableau对接Hologres后 可以创建一个计算字段 表达式如下

RAWSQLAGG_INT( RB_CARDINALITY(RB_OR_AGG(%1)) , [Uid32 Bitmap])

然后您就可以开始探索数据了

当然也可以创建Dashborad

本文转自网络，原文链接：https://developer.aliyun.com/article/784334
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！