Kylin構建Cube過程詳解

  • 2019 年 10 月 16 日
  • 筆記

1 前言

在使用Kylin的時候，最重要的一步就是創建cube的模型定義，即指定度量和維度以及一些附加信息，然後對cube進行build，當然我們也可以根據原始表中的某一個string字段（這個字段的格式必須是日期格式，表示日期的含義）設定分區字段，這樣一個cube就可以進行多次build，每一次的build會生成一個segment，每一個segment對應着一個時間區間的cube，這些segment的時間區間是連續並且不重合的，對於擁有多個segment的cube可以執行merge，相當於將一個時間區間內部的segment合併成一個。下面開始分析cube的build過程。

2 Cube示例

以手機銷售為例，表SALE記錄各手機品牌在各個國家，每年的銷售情況。表PHONE是手機品牌，表COUNTRY是國家列表，兩表通過外鍵與SALE表相關聯。這三張表就構成星型模型，其中SALE是事實表，PHONE、COUNTRY是維度表。

現在需要知道各品牌手機於2010-2012年，在中國的總銷量，那麼查詢sql為：

SELECT b.`name`, c.`NAME`, SUM(a.count)  FROM SALE AS a  LEFT JOIN PHONE AS b ON a.`pId`=b.`id`  LEFT JOIN COUNTRY AS c ON a.`cId`=c.`id`  WHERE a.`time` >= 2010 AND a.`time` <= 2012 AND c.`NAME` = "中國"  GROUP BY b.`NAME`

其中時間(time), 手機品牌(b.name，後文用phone代替)，國家(c.name，後文用country代替)是維度，而銷售數量(a.count)是度量。手機品牌的個數可用於表示手機品牌列的基度。各手機品牌在各年各個國家的銷量可作為一個cuboid，所有的cuboid組成一個cube，如下圖所示：

上圖展示了有3個維度的cube，每個小立方體代表一個cuboid，其中存儲的是度量列聚合後的結果，比如蘋果在中國2010年的銷量就是一個cuboid。

3 入口介紹

在kylin的web頁面上創建完成一個cube之後可以點擊action下拉框執行build或者merge操作，這兩個操作都會調用cube的rebuild接口，調用的參數包括：

  1. cube名，用於唯一標識一個cube，在當前的kylin版本中cube名是全局唯一的，而不是每一個project下唯一的；
  2. 本次構建的startTime和endTime，這兩個時間區間標識本次構建的segment的數據源只選擇這個時間範圍內的數據；對於BUILD操作而言，startTime是不需要的，因為它總是會選擇最後一個segment的結束時間作為當前segment的起始時間。
  3. buildType標識着操作的類型，可以是」BUILD」、」MERGE」和」REFRESH」。

4 構建Cube過程

Kylin中Cube的Build過程，是將所有的維度組合事先計算，存儲於HBase中，以空間換時間，HTable對應的RowKey，就是各種維度組合，指標存在Column中，這樣，將不同維度組合查詢SQL，轉換成基於RowKey的範圍掃描，然後對指標進行匯總計算，以實現快速分析查詢。整個過程如下圖所示：

主要的步驟可以按照順序分為幾個階段：

  1. 根據用戶的cube信息計算出多個cuboid文件;
  2. 根據cuboid文件生成htable;
  3. 更新cube信息;
  4. 回收臨時文件。
    每一個階段操作的輸入都需要依賴於上一步的輸出，所以這些操作全是順序執行的。下面對這幾個階段的內容細分為11步具體講解一下：

4.1 創建Hive事實表中間表（Create Intermediate Flat Hive Table）

這一步的操作會新創建一個hive外部表，然後再根據cube中定義的星狀模型，查詢出維度和度量的值插入到新創建的表中，這個表是一個外部表，表的數據文件（存儲在HDFS）作為下一個子任務的輸入。

4.2 重新分配中間表（Redistribute Flat Hive Table）

在前面步驟，hive會在HDFS文件夾中生成數據文件，一些文件非常大,一些有些小,甚至是空的。文件分佈不平衡會導致隨後的MR作業不平衡:一些mappers作業很快執行完畢，但其它的則非常緩慢。為了平衡作業，kylin增加這一步「重新分配」數據。首先，kylin獲取到這中間表的行數,然後根據行數的數量,它會重新分配文件需要的數據量。默認情況下，kylin分配每100萬行一個文件。

4.3 提取事實表不同列值 （Extract Fact Table Distinct Columns）

在這一步是根據上一步生成的hive中間表計算出每一個出現在事實表中的維度列的distinct值，並寫入到文件中，它是啟動一個MR任務完成的，它關聯的表就是上一步創建的臨時表，如果某一個維度列的distinct值比較大，那麼可能導致MR任務執行過程中的OOM。

4.4 創建維度字典（Build Dimension Dictionary）

這一步是根據上一步生成的distinct column文件和維度表計算出所有維度的子典信息，並以字典樹的方式壓縮編碼，生成維度字典，子典是為了節約存儲而設計的。
每一個cuboid的成員是一個key-value形式存儲在hbase中，key是維度成員的組合，但是一般情況下維度是一些字符串之類的值（例如商品名），所以可以通過將每一個維度值轉換成唯一整數而減少內存佔用，在從hbase查找出對應的key之後再根據子典獲取真正的成員值。

4.5 保存Cuboid的統計信息（Save Cuboid Statistics）

計算和統計所有的維度組合，並保存，其中，每一種維度組合，稱為一個Cuboid。理論上來說，一個N維的Cube，便有2的N次方種維度組合，參考網上的一個例子，一個Cube包含time, item, location, supplier四個維度，那麼組合（Cuboid）便有16種：

4.6 創建HTable

創建一個HTable的時候還需要考慮一下幾個事情：

  1. 列簇的設置。
  2. 每一個列簇的壓縮方式。
  3. 部署coprocessor。
  4. HTable中每一個region的大小。
    在這一步中，列簇的設置是根據用戶創建cube時候設置的，在HBase中存儲的數據key是維度成員的組合，value是對應聚合函數的結果，列簇針對的是value的，一般情況下在創建cube的時候只會設置一個列簇，該列包含所有的聚合函數的結果；
    在創建HTable時默認使用LZO壓縮，如果不支持LZO則不進行壓縮，在後面kylin的版本中支持更多的壓縮方式；
    kylin強依賴於HBase的coprocessor，所以需要在創建HTable為該表部署coprocessor，這個文件會首先上傳到HBase所在的HDFS上，然後在表的元信息中關聯，這一步很容易出現錯誤，例如coprocessor找不到了就會導致整個regionServer無法啟動，所以需要特別小心；region的劃分已經在上一步確定了，所以這裡不存在動態擴展的情況，所以kylin創建HTable使用的接口如下：
    public void createTable(final HTableDescriptor desc , byte [][] splitKeys)

4.7 用Spark引擎構建Cube(Build Cube with Spark)

在Kylin的Cube模型中，每一個cube是由多個cuboid組成的，理論上有N個普通維度的cube可以是由2的N次方個cuboid組成的，那麼我們可以計算出最底層的cuboid，也就是包含全部維度的cuboid（相當於執行一個group by全部維度列的查詢），然後在根據最底層的cuboid一層一層的向上計算，直到計算出最頂層的cuboid（相當於執行了一個不帶group by的查詢），其實這個階段kylin的執行原理就是這個樣子的，不過它需要將這些抽象成mapreduce模型，提交Spark作業執行。
使用Spark，生成每一種維度組合（Cuboid）的數據。
Build Base Cuboid Data；
Build N-Dimension Cuboid Data : 7-Dimension；
Build N-Dimension Cuboid Data : 6-Dimension；
……
Build N-Dimension Cuboid Data : 2-Dimension；
Build Cube。

4.8 將Cuboid數據轉換成HFile(Convert Cuboid Data to HFile)

創建完了HTable之後一般會通過插入接口將數據插入到表中，但是由於cuboid中的數據量巨大，頻繁的插入會對Hbase的性能有非常大的影響，所以kylin採取了首先將cuboid文件轉換成HTable格式的Hfile文件，然後在通過bulkLoad的方式將文件和HTable進行關聯，這樣可以大大降低Hbase的負載，這個過程通過一個MR任務完成。

4.9 導HFile入HBase表(Load HFile to HBase Table)

將HFile文件load到HTable中，這一步完全依賴於HBase的工具。這一步完成之後，數據已經存儲到HBase中了，key的格式由cuboid編號+每一個成員在字典樹的id組成，value可能保存在多個列組裡，包含在原始數據中按照這幾個成員進行GROUP BY計算出的度量的值。

4.10 更新Cube信息（Update Cube Info）

更新cube的狀態，其中需要更新的包括cube是否可用、以及本次構建的數據統計，包括構建完成的時間，輸入的record數目，輸入數據的大小，保存到Hbase中數據的大小等，並將這些信息持久到元數據庫中。

4.11 清理Hive中間表(Hive Cleanup)

這一步是否成功對正確性不會有任何影響，因為經過上一步之後這個segment就可以在這個cube中被查找到了，但是在整個執行過程中產生了很多的垃圾文件，其中包括：

  1. 臨時的hive表;
  2. 因為hive表是一個外部表，存儲該表的文件也需要額外刪除；
  3. fact distinct這一步將數據寫入到HDFS上為建立子典做準備，這時候也可以刪除了;
  4. rowKey統計的時候會生成一個文件，此時可以刪除；
  5. 生成HFile時文件存儲的路徑和hbase真正存儲的路徑不同，雖然load是一個remove操作，但是上層的目錄還是存在的，也需要刪除。

至此整個Build過程結束。

VirMach 便宜 VPS

QNews

QNews