0


大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细

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:

  • 手动合并 Segment
  • 案例 1 Kylin 策略
  • 案例 2 自动合并
  • JDBC 连接 Kylin

在这里插入图片描述

Cuboid剪枝优化

Cuboid 特指 Kylin 中在某一种维度组合下所计算的所有数据,以减少Cuboid数量为目的的优化统称为Cuboid剪枝。
在没有采取任何优化措施的情况下,Kylin会对每一种维度的组合进行预计算。

  • 如果有4个维度,可能最终会有 2^4 = 16个 Cuboid需要计算
  • 如果有10个维度,那么没有经过任何优化的Cube就存在2^10 = 1024个Cuboid
  • 如果有20个维度,那么Cube中总共会存在2^20 = 1048576个Cuboid 过多的Cuboid数量对构建引擎、存储引擎压力是非常巨大的,因此,在构建维度数量较多的Cube时候,尤其要注意Cube的剪枝优化。

Cube的剪枝优化是一种试图减少额外空间占用的方法,这种方法的前提是不会明显影响查询时间,在做剪枝优化的时候:

  • 需要选择跳过那些多余的Cuboid
  • 有的Cuboid因为查询样式的原因永远不会被查询到,因此显得多余
  • 有的Cuboid的能力和其他Cuboid接近,因此显得多余

Kylin提供了一系列简单的工具来帮助他们完成Cube的剪枝优化。

检查Cuboid数量

ApacheKylin 提供了一个简单的工具,检查Cube中哪些Cuboid最终被预计算了,称这些Cuboid被物化的Cuboid,该工具还能给出每个Cuboid所占空间的估计值。由于该工具需要在对数据进行一定阶段的处理之后才能估算Cuboid的大小,一般来说在Cube构建完毕之后再使用该工具。

使用如下的命令行工具去检查这个Cube中的Cuboid状态:

  1. # 我要查看 wzk_kylin_test_cube_4
  2. kylin.sh org.apache.kylin.engine.mr.common.CubeStatsReader wzk_kylin_test_cube_4

执行之后的结果如下图所示:
在这里插入图片描述
具体的Cube信息如下所示:

  1. Cube statistics hll precision: 14
  2. Total cuboids: 15
  3. Total estimated rows: 213
  4. Total estimated size(MB): 0.002885580062866211
  5. Sampling percentage: 100
  6. Mapper overlap ratio: 1.0
  7. Mapper number: 1
  8. Length of dimension WZK_KYLIN.DW_SALES1.DT is 1
  9. Length of dimension WZK_KYLIN.DW_SALES1.PRODUCTID is 1
  10. Length of dimension WZK_KYLIN.DW_SALES1.CHANNELID is 1
  11. Length of dimension WZK_KYLIN.DW_SALES1.REGIONID is 1|---- Cuboid 1111, est row: 47, est MB: 0|---- Cuboid 0111, est row: 47, est MB: 0, shrink: 100%
  12. |---- Cuboid 0011, est row: 16, est MB: 0, shrink: 34.04%
  13. |---- Cuboid 0001, est row: 4, est MB: 0, shrink: 25%
  14. |---- Cuboid 0010, est row: 4, est MB: 0, shrink: 25%
  15. |---- Cuboid 0101, est row: 15, est MB: 0, shrink: 31.91%
  16. |---- Cuboid 0100, est row: 4, est MB: 0, shrink: 26.67%
  17. |---- Cuboid 0110, est row: 16, est MB: 0, shrink: 34.04%
  18. |---- Cuboid 1011, est row: 16, est MB: 0, shrink: 34.04%
  19. |---- Cuboid 1001, est row: 4, est MB: 0, shrink: 25%
  20. |---- Cuboid 1000, est row: 1, est MB: 0, shrink: 25%
  21. |---- Cuboid 1010, est row: 4, est MB: 0, shrink: 25%
  22. |---- Cuboid 1101, est row: 15, est MB: 0, shrink: 31.91%
  23. |---- Cuboid 1100, est row: 4, est MB: 0, shrink: 26.67%
  24. |---- Cuboid 1110, est row: 16, est MB: 0, shrink: 34.04%
  25. ----------------------------------------------------------------------------
  26. ============================================================================
  27. Statistics of wzk_kylin_test_cube_4[20240102000000_20240104000000]
  28. Cube statistics hll precision: 14
  29. Total cuboids: 15
  30. Total estimated rows: 160
  31. Total estimated size(MB): 0.00215911865234375
  32. Sampling percentage: 100
  33. Mapper overlap ratio: 0.0
  34. Mapper number: 0
  35. Length of dimension WZK_KYLIN.DW_SALES1.DT is 1
  36. Length of dimension WZK_KYLIN.DW_SALES1.PRODUCTID is 1
  37. Length of dimension WZK_KYLIN.DW_SALES1.CHANNELID is 1
  38. Length of dimension WZK_KYLIN.DW_SALES1.REGIONID is 1|---- Cuboid 1111, est row: 22, est MB: 0|---- Cuboid 0111, est row: 21, est MB: 0, shrink: 95.45%
  39. |---- Cuboid 0011, est row: 12, est MB: 0, shrink: 57.14%
  40. |---- Cuboid 0001, est row: 4, est MB: 0, shrink: 33.33%
  41. |---- Cuboid 0010, est row: 4, est MB: 0, shrink: 33.33%
  42. |---- Cuboid 0101, est row: 13, est MB: 0, shrink: 61.9%
  43. |---- Cuboid 0100, est row: 4, est MB: 0, shrink: 30.77%
  44. |---- Cuboid 0110, est row: 13, est MB: 0, shrink: 61.9%
  45. |---- Cuboid 1011, est row: 14, est MB: 0, shrink: 63.64%
  46. |---- Cuboid 1001, est row: 6, est MB: 0, shrink: 42.86%
  47. |---- Cuboid 1000, est row: 2, est MB: 0, shrink: 33.33%
  48. |---- Cuboid 1010, est row: 7, est MB: 0, shrink: 50%
  49. |---- Cuboid 1101, est row: 16, est MB: 0, shrink: 72.73%
  50. |---- Cuboid 1100, est row: 7, est MB: 0, shrink: 43.75%
  51. |---- Cuboid 1110, est row: 15, est MB: 0, shrink: 68.18%

对应的截图如下图:
在这里插入图片描述

  • 估计Cuboid大小的精度(HII Precision)
  • 总共的Cuboid数量
  • Segment 的总行数估计
  • Segment的大小估计,Segment的大小决定Mapper、Reducer的数量、数据分片数量等
  • 所有的Cuboid及它的分析结果都以树状的形式打印了出来
  • 在这颗树上,每个节点代表一个Cuboid,每个Cuboid都由一连串1和0的数字组成
  • 数字串的长度等于有效维护度的数量,从左到右每个数字依次代表RowKeys设置中的各个维度,如果数字为0,则代表这个Cuboid中不存在相应的维度,如果数字为1,则代表这个Cuboid中存在相应的维度
  • 除了最顶端的Cuboid之外,每个Cuboid都有一个父亲Cuboid,且都比父亲Cuboid少了一个“1”,其意义是这个Cuboid就是由它的父亲节点减少一个维度聚合而来的(上卷)
  • 最顶端的Cuboid成为Base Cuboid,它直接由源数据计算而来,Base Cuboid的具体信息,包括该Cuboid的输出中除了0和1的数字串以外,后面还有每个Cuboid的具体信息,包括该Cuboid行数的估计值、该Cuboid大小的估计值,以及这个Cuboid的行数与父亲节点的对比(Shrink值)
  • 所有Cuboid行数的估计值之和应该等于Segment的行数估计值,所有Cuboid的大小估计值应该等于该Segment的大小估计值,每个Cuboid都是在它的父亲节点的基础上进一步聚合而成的

检查Cube大小

在WebGUI的Model页面选择一个READ状态为Cube,光标移动到该Cube的CubeSize列时,WebGUI会提示Cube的源数据大小,以及当前Cube的大小除以数据源大小的比例,称为膨胀率(Expansion Rate)。

我们可以在页面上看到Cube的大小信息,如下图所示:
在这里插入图片描述
一般来说,Cube的膨胀率应该在0%-1000%之间,如果一个Cube的膨胀率超过1000%,那么应该查找当中的原因,膨胀率高可能有以下几个方面的原因:

  • Cube中的维度数量较多,且没有进行很好的Cuboid剪枝优化,导致Cuboid数量极多
  • Cube中存在较高基数的维度(基数的维度是指维度中有多少个不同的值),导致包含这类维度的每个Cuboid占用的空间都很大,这些Cuboid累积造成整体Cube体积变大。
  • 存在占用空间大的度量,例如Count Distinct,因此需要Cuboid的每一行中都为其保存了一个较大度量数据,最坏的情况会导致Cuboid中每一行都有数十KB,从而造成整个Cube的体积变大

对于Cube的膨胀率居高不下的情况,需要结合实际数据进行分析,优化。

使用衍生维度

一个维度可以是普通维度或者衍生维度(Derived)
将维度表的维度设置为衍生维度,这个维度不会参与计算,而是使用维度表的主键(或事实表的外键)来替代它。
Kylin会在底层记录维表主键与其他维度之间的映射关系,以便在查询时能够动态的将维度表的主键翻译成这些非主键维度,并进行实时聚合。
创建Cube的时候,这些维度如果指定为衍生维度,Kylin将会排除这些维度,而是使用维度表的主键来代替它们创建Cuboid,后续查询的时候,再基于主键的聚合结果,在进行一次聚合。
使用衍生角度会有效减少Cube中的Cuboid数量,但在查询的时候会增加聚合的时间。

不适合的场景:

  • 如果从维度表主键到某个维度表所需要的聚合工作量非常大,此时作为一个普通的维度表聚合更合适,否则会影响Kylin的查询性能。

案例1-定义衍生维度及对比

基本介绍

有以下时间日期维表:
在这里插入图片描述

编写 SQL

  1. -- 建表droptable wzk_kylin.dim_date;createtable wzk_kylin.dim_date(
  2. dateid string,
  3. dayofyear string,
  4. dayofmonth string,
  5. day_in_year string,
  6. day_in_month string,
  7. weekday string,
  8. week_in_month string,
  9. week_in_year string,
  10. date_type string,
  11. quarter string
  12. )ROW FORMAT DELIMITED FIELDSTERMINATEDBY',';-- 加载数据LOADDATALOCAL INPATH 'dim_date.txt' OVERWRITE
  13. INTOTABLE wzk_kylin.dim_date;

备注信息:
日期维度代表 dim_date中两个字段,dayofyear、dayofmonth、不能是year、month。

测试数据

dim_date里,少放几条数据(机器太弱了跑不动):

  1. 2024-01-01,2024,01,001,01,1,1,01,workday,Q1
  2. 2024-01-02,2024,01,002,02,2,1,01,workday,Q1
  3. 2024-01-03,2024,01,003,03,3,1,01,workday,Q1
  4. 2024-01-04,2024,01,004,04,4,1,01,workday,Q1

上传数据

  1. cd /opt/wzk/kylin_test
  2. vim dim_date.txt

写入如下的数据:
在这里插入图片描述

  1. cd /opt/wzk/kylin_test
  2. vim dim_date.sql

写入的数据如下图所示:
在这里插入图片描述
执行如下的脚本:

  1. cd /opt/wzk/kylin_test
  2. hive -f dim_date.sql

执行结果如下图所示:
在这里插入图片描述

Cube设计

在这里插入图片描述
对应的SQL:

  1. select dim_date.dayofyear,sum(price)from lagou_kylin.dw_sales join lagou_kylin.dim_date on
  2. dw_sales.date1 = dim_date.dateid
  3. groupby dim_date.dayofyear;

基本的执行流程如:
创建项目 - 指定数据源 - 定义Model- 定义Cube - 查询

加载数据源

之前已经操作过很多次了,这里就简单一些写了,添加日期维度表:
在这里插入图片描述
创建Model,wzk_test_model_5,选择如下的连表关系:
在这里插入图片描述

维度按照按照如下图的配置进行:
在这里插入图片描述
度量还是按原来的:
在这里插入图片描述
剩下的部分默认即可。

构建Cube

我们分别构建刚才创建的两个Cube:
在这里插入图片描述

构建结果

构建的结果如下图所示:

wzk_test_kylin_cube_5

在这里插入图片描述

wzk_test_kylin_cube_5_2

在这里插入图片描述

检查Cube的Cuboid数量

我们刚才创建了两个Cube如下图所示:
在这里插入图片描述

wzk_test_kylin_cube_5

查看 wzk_test_kylin_cube_5:

  1. kylin.sh org.apache.kylin.engine.mr.common.CubeStatsReader wzk_kylin_test_cube_5

查询结构如下:

  1. ============================================================================
  2. Statistics of wzk_kylin_test_cube_5[FULL_BUILD]
  3. Cube statistics hll precision: 14
  4. Total cuboids: 2047
  5. Total estimated rows: 7999
  6. Total estimated size(MB): 0.03921151161193848
  7. Sampling percentage: 100
  8. Mapper overlap ratio: 1.0
  9. Mapper number: 1
  10. Length of dimension WZK_KYLIN.DW_SALES.DATE1 is 1
  11. Length of dimension WZK_KYLIN.DIM_DATE.DATEID is 1
  12. Length of dimension WZK_KYLIN.DIM_DATE.DAYOFYEAR is 1
  13. Length of dimension WZK_KYLIN.DIM_DATE.DAYOFMONTH is 1
  14. Length of dimension WZK_KYLIN.DIM_DATE.DAY_IN_YEAR is 1
  15. Length of dimension WZK_KYLIN.DIM_DATE.DAY_IN_MONTH is 1
  16. Length of dimension WZK_KYLIN.DIM_DATE.WEEKDAY is 1
  17. Length of dimension WZK_KYLIN.DIM_DATE.WEEK_IN_MONTH is 1
  18. Length of dimension WZK_KYLIN.DIM_DATE.WEEK_IN_YEAR is 1
  19. Length of dimension WZK_KYLIN.DIM_DATE.DATE_TYPE is 1
  20. Length of dimension WZK_KYLIN.DIM_DATE.QUARTER is 1|---- Cuboid 11111111111, est row: 4, est MB: 0|---- Cuboid 00110001111, est row: 1, est MB: 0, shrink: 25%
  21. ----------------------------------------------------------------------------
  22. 2024-08-10 16:46:06,454 INFO [close-hbase-conn] hbase.HBaseConnection:137 : Closing HBase connections...
  23. 2024-08-10 16:46:06,454 INFO [close-hbase-conn] client.ConnectionManager$HConnectionImplementation:2155 : Closing master protocol: MasterService
  24. 2024-08-10 16:46:06,456 INFO [close-hbase-conn] client.ConnectionManager$HConnectionImplementation:1712 : Closing zookeeper sessionid=0x200dd291db1003c
  25. 2024-08-10 16:46:06,467 INFO [main-EventThread] zookeeper.ClientCnxn:512 : EventThread shut down
  26. 2024-08-10 16:46:06,467 INFO [close-hbase-conn] zookeeper.ZooKeeper:684 : Session: 0x200dd291db1003c closed
  27. root@h122:~#

对应的截图如下所示:
在这里插入图片描述

wzk_test_kylin_cube_5_2

查看 wzk_test_kylin_cube_5_2:

  1. kylin.sh org.apache.kylin.engine.mr.common.CubeStatsReader wzk_test_kylin_cube_5_2

查询结果如下:
在这里插入图片描述

标签: 大数据 apache kylin

本文转载自: https://blog.csdn.net/w776341482/article/details/142845678
版权归原作者 武子康 所有, 如有侵权,请联系我们删除。

“大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细”的评论:

还没有评论