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

news/2024/10/21 14:31:06/

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：

# 我要查看 wzk_kylin_test_cube_4
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：

Cube statistics hll precision: 14
Total cuboids: 15
Total estimated rows: 213
Total estimated size(MB): 0.002885580062866211
Sampling percentage:  100
Mapper overlap ratio: 1.0
Mapper number: 1
Length of dimension WZK_KYLIN.DW_SALES1.DT is 1
Length of dimension WZK_KYLIN.DW_SALES1.PRODUCTID is 1
Length of dimension WZK_KYLIN.DW_SALES1.CHANNELID is 1
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%|---- Cuboid 0011, est row: 16, est MB: 0, shrink: 34.04%|---- Cuboid 0001, est row: 4, est MB: 0, shrink: 25%|---- Cuboid 0010, est row: 4, est MB: 0, shrink: 25%|---- Cuboid 0101, est row: 15, est MB: 0, shrink: 31.91%|---- Cuboid 0100, est row: 4, est MB: 0, shrink: 26.67%|---- Cuboid 0110, est row: 16, est MB: 0, shrink: 34.04%|---- Cuboid 1011, est row: 16, est MB: 0, shrink: 34.04%|---- Cuboid 1001, est row: 4, est MB: 0, shrink: 25%|---- Cuboid 1000, est row: 1, est MB: 0, shrink: 25%|---- Cuboid 1010, est row: 4, est MB: 0, shrink: 25%|---- Cuboid 1101, est row: 15, est MB: 0, shrink: 31.91%|---- Cuboid 1100, est row: 4, est MB: 0, shrink: 26.67%|---- Cuboid 1110, est row: 16, est MB: 0, shrink: 34.04%
----------------------------------------------------------------------------
============================================================================
Statistics of wzk_kylin_test_cube_4[20240102000000_20240104000000]Cube statistics hll precision: 14
Total cuboids: 15
Total estimated rows: 160
Total estimated size(MB): 0.00215911865234375
Sampling percentage:  100
Mapper overlap ratio: 0.0
Mapper number: 0
Length of dimension WZK_KYLIN.DW_SALES1.DT is 1
Length of dimension WZK_KYLIN.DW_SALES1.PRODUCTID is 1
Length of dimension WZK_KYLIN.DW_SALES1.CHANNELID is 1
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%|---- Cuboid 0011, est row: 12, est MB: 0, shrink: 57.14%|---- Cuboid 0001, est row: 4, est MB: 0, shrink: 33.33%|---- Cuboid 0010, est row: 4, est MB: 0, shrink: 33.33%|---- Cuboid 0101, est row: 13, est MB: 0, shrink: 61.9%|---- Cuboid 0100, est row: 4, est MB: 0, shrink: 30.77%|---- Cuboid 0110, est row: 13, est MB: 0, shrink: 61.9%|---- Cuboid 1011, est row: 14, est MB: 0, shrink: 63.64%|---- Cuboid 1001, est row: 6, est MB: 0, shrink: 42.86%|---- Cuboid 1000, est row: 2, est MB: 0, shrink: 33.33%|---- Cuboid 1010, est row: 7, est MB: 0, shrink: 50%|---- Cuboid 1101, est row: 16, est MB: 0, shrink: 72.73%|---- Cuboid 1100, est row: 7, est MB: 0, shrink: 43.75%|---- 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

-- 建表
drop table wzk_kylin.dim_date;
create table wzk_kylin.dim_date(
dateid string,
dayofyear string,
dayofmonth string,
day_in_year string,
day_in_month string,
weekday string,
week_in_month string,
week_in_year string,
date_type string,
quarter string
)ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';-- 加载数据
LOAD DATA LOCAL INPATH 'dim_date.txt' OVERWRITE
INTO TABLE 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）：

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

上传数据

cd /opt/wzk/kylin_test
vim dim_date.txt

写入如下的数据：
在这里插入图片描述

cd /opt/wzk/kylin_test
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：

cd /opt/wzk/kylin_test
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：

select dim_date.dayofyear, sum(price)
from lagou_kylin.dw_sales join lagou_kylin.dim_date ondw_sales.date1 = dim_date.dateid
group by 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：

kylin_cube_5_243">wzk_test_kylin_cube_5

在这里插入图片描述

kylin_cube_5_2_245">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

kylin_cube_5_250">wzk_test_kylin_cube_5

查看 wzk_test_kylin_cube_5：

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

查询结构如下：

============================================================================
Statistics of wzk_kylin_test_cube_5[FULL_BUILD]Cube statistics hll precision: 14
Total cuboids: 2047
Total estimated rows: 7999
Total estimated size(MB): 0.03921151161193848
Sampling percentage:  100
Mapper overlap ratio: 1.0
Mapper number: 1
Length of dimension WZK_KYLIN.DW_SALES.DATE1 is 1
Length of dimension WZK_KYLIN.DIM_DATE.DATEID is 1
Length of dimension WZK_KYLIN.DIM_DATE.DAYOFYEAR is 1
Length of dimension WZK_KYLIN.DIM_DATE.DAYOFMONTH is 1
Length of dimension WZK_KYLIN.DIM_DATE.DAY_IN_YEAR is 1
Length of dimension WZK_KYLIN.DIM_DATE.DAY_IN_MONTH is 1
Length of dimension WZK_KYLIN.DIM_DATE.WEEKDAY is 1
Length of dimension WZK_KYLIN.DIM_DATE.WEEK_IN_MONTH is 1
Length of dimension WZK_KYLIN.DIM_DATE.WEEK_IN_YEAR is 1
Length of dimension WZK_KYLIN.DIM_DATE.DATE_TYPE is 1
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%
----------------------------------------------------------------------------
2024-08-10 16:46:06,454 INFO  [close-hbase-conn] hbase.HBaseConnection:137 : Closing HBase connections...
2024-08-10 16:46:06,454 INFO  [close-hbase-conn] client.ConnectionManager$HConnectionImplementation:2155 : Closing master protocol: MasterService
2024-08-10 16:46:06,456 INFO  [close-hbase-conn] client.ConnectionManager$HConnectionImplementation:1712 : Closing zookeeper sessionid=0x200dd291db1003c
2024-08-10 16:46:06,467 INFO  [main-EventThread] zookeeper.ClientCnxn:512 : EventThread shut down
2024-08-10 16:46:06,467 INFO  [close-hbase-conn] zookeeper.ZooKeeper:684 : Session: 0x200dd291db1003c closed
root@h122:~#

对应的截图如下所示：
在这里插入图片描述

kylin_cube_5_2_292">wzk_test_kylin_cube_5_2

查看 wzk_test_kylin_cube_5_2：

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


http://www.ppmy.cn/news/1539183.html

相关文章

vue-router拦截器

vue-router拦截器

在 Vue 项目中，vue-router 的路由拦截器和组件内部的路由拦截器（如 beforeRouteEnter、beforeRouteUpdate、beforeRouteLeave）虽然都能拦截路由，但它们的作用范围和使用场景有所不同。下面是二者的区别总结： 1. 全局路…
阅读更多...
电子电气架构 --- 智能网联汽车未来是什么样子？

电子电气架构 --- 智能网联汽车未来是什么样子？

我是穿拖鞋的汉子，魔都中坚持长期主义的汽车电子工程师。 老规矩，分享一段喜欢的文字，避免自己成为高知识低文化的工程师： 屏蔽力是信息过载时代一个人的特殊竞争力，任何消耗你的人和事，多看一眼都是你的不对。非必要不费力证明自己，无利益不试图说服别人，是精神上的节…
阅读更多...
JAVA毕业设计191—基于Java+Springboot+vue的电子产品商城管理系统(源代码+数据库)

JAVA毕业设计191—基于Java+Springboot+vue的电子产品商城管理系统(源代码+数据库)

毕设所有选题： https://blog.csdn.net/2303_76227485/article/details/131104075 基于JavaSpringbootvue的电子产品商城管理系统(源代码数据库)191 一、系统介绍 本项目前后端不分离，分为用户、管理员两种角色 1、用户： 注册、登录、商品…
阅读更多...
后端开发必知：BeanUtils 如何在 DTO 与 VO 间巧妙复制数据

后端开发必知：BeanUtils 如何在 DTO 与 VO 间巧妙复制数据

作为一名后端开发者，我们深知数据安全的重要性，尤其是像手机号、身份证号等关键数据。 为了防止关键数据泄露，JAVA领域，基本都采用了 VO（Value Object）和 DTO（Data Transfer Object&#xff09…
阅读更多...
数据分布过于集中 怎么办,python 人工智能 ，数据分析，机器学习pytorch tensorflow ，

数据分布过于集中 怎么办,python 人工智能 ，数据分析，机器学习pytorch tensorflow ，

数据分布过于集中，意味着数据的大部分值都聚集在某个特定区间内，这可能会导致统计分析的结果不够稳健，或者模型训练时出现过拟合等问题。针对这种情况，可以考虑以下几种方法来处理： 变换成 1. **数据转换**&#xff1…
阅读更多...
Leetcode 2466. 统计构造好字符串的方案数 入门dp(取模) C++实现

Leetcode 2466. 统计构造好字符串的方案数 入门dp(取模) C++实现

问题：Leetcode 2466. 统计构造好字符串的方案数 给你整数 zero ，one ，low 和 high ，我们从空字符串开始构造一个字符串，每一步执行下面操作中的一种： 将 0 在字符串末尾添加 zero 次。将 1 在字符串末尾添…
阅读更多...
GaussDB 主备版本8 -数据库对象 学习

GaussDB 主备版本8 -数据库对象 学习

1 表空间 1.1 GaussDB自带了两个表空间：pg_default和pg_global 1.1.1 默认表空间pg_default：用来存储非共享系统表、用户表、用户表index、临时表、临时表index、内部临时表的默认表空间。对应存储目录为实例数据目录下的base目录。 1.1.2 共享表空间pg…
阅读更多...
Java 多线程（一）—— 线程的创建与属性

Java 多线程（一）—— 线程的创建与属性

线程的创建 方式一：继承 Thread 类，重写 run 方法 class MyThread extends Thread {Overridepublic void run() {System.out.println("hello Thread");} }方式二：实现 Runnnable 接口： class MyRunnable implements …
阅读更多...
最新文章

Copyright @ 2022~2023