Hologres如何基于roaringbitmap实现超高基数UV计算？

Posted 2021-05-29 阿里云开发者

简介：本文将会介绍Hologres基于roaringbitmap实现超高基数的UV计算

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

原文链接：https://developer.aliyun.com/article/784334?

版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。