Druid 大数据分析之查询

Posted 2020-10-22 collin-xm

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Druid 大数据分析之查询相关的知识，希望对你有一定的参考价值。

1、Druid 查询概述

上一节完成数据导入后，接下来讲讲Druid如何查询及统计分析导入的数据。
Druid的查询是使用REST风格的HTTP请求查询服务节点（Broker、Historical、Realtime），这些服务节点暴露REST查询接口，客户端发送Json对象请求查询接口。一般情况下，查询服务接口发布在Broker节点，基于Linux 的POST请求查询如下所示：

Java代码

/**
* port: 查询请求接口对应Broker，默认8082端口
* query_json_file: 查询Json对象文件（配置）
*/
curl -X POST ‘<queryable_host>:<port>/druid/v2/?pretty‘ -H ‘Content-Type:application/json‘ -d @<query_json_file>

2、Druid 查询类型

Druid在不同场景下，有很多的查询类型。查询是由各种JSON属性和Druid有不同类型的不同场景下查询组成。对于各种类型的查询类型的配置可以json属性文件设置。Druid查询类型，概括一下为3大类：
1. 聚合查询 - 时间序列查询（Timeseries）、排名查询（TopN）、分组查询（GroupBy）
2. 元数据查询 - 时间范围(Time Boundary) 、段元数据(Segment Metadata)、数据源(Datasource)
3. Search查询 - Search
本节以聚合查询为主，其它查询类型比较简单，使用上相对比较少，暂不介绍。对聚合查询类型下的3种查询如何选择进行一下概述：
在可能的情况下，我们建议使用的时间序列和TopN查询代替分组查询，分组查询是Druid最灵活的的查询，但是性能最差。时间序列查询是明显快于GROUPBY查询，因为聚合不需要分组尺寸。对于分组和排序在一个单一的维度，TopN查询更优于GROUPBY。

2.1 Json查询属性

在讲聚合查询下的3种查询类型之前，我们需要对3种查询类型共有的特别重要的Json属性理解与熟悉，常用属性如：queryType、dataSource、granularity、filter、aggregator等。

2.1.1 查询类型（queryType）

对应聚合查询下的3种类型值：timeseries、topN、groupBy

2.1.2 数据源（dataSource）

数据源，类似数据库中表的概念，对应数据导入时Json配置属性dataSource值

2.1.3 聚合粒度（granularity）

  粒度决定如何得到数据块在跨时间维度，或者如何得到按小时，天，分钟的汇总等。在配置查询聚合粒度里有三种配置方法：
  1. 简单聚合粒度 - 支持字符串值有：all、none、second、minute、fifteen_minute、thirty_minute、hour、day、week、month、quarter、year
(1) all - 将所有块变成一块
(2) none - 不使用块数据（它实际上是使用最小索引的粒度，none意味着为毫秒级的粒度）；按时间序列化查询时不建议使用none，因为所有的毫秒不存在，系统也将尝试生成0值，这往往是很多。
  2. 时间段聚合粒度 - Druid指定一精确的持续时间（毫秒）和时间缀返回UTC（世界标准时间）。
  3. 常用时间段聚合粒度 - 与时间段聚合粒度差不多，但是常用时间指平时我们常用时间段，如年、月、周、小时等。
下面对3种聚合粒度配置举例说明：

简单聚合粒度

查询粒度比数据采集时配置的粒度小，则不合理，也无意义，因较小粒度（相比）者无索引数据；如
查询粒度小于采集时配置的查询粒度时，则Druid的查询结果与采集数据配置的查询粒度结果一样。

假设我们存储在Druid的数据使用毫秒粒度获取，数据如下：

Java代码

{"timestamp": "2013-08-31T01:02:33Z", "page": "AAA", "language" : "en"}
{"timestamp": "2013-09-01T01:02:33Z", "page": "BBB", "language" : "en"}
{"timestamp": "2013-09-02T23:32:45Z", "page": "CCC", "language" : "en"}
{"timestamp": "2013-09-03T03:32:45Z", "page": "DDD", "language" : "en"}

以"小时" 粒度提交一个groupby查询，查询配置如下：

Java代码

{
"queryType":"groupBy",
"dataSource":"dataSource",
"granularity":"hour",
"dimensions":[
"language"
],
"aggregations":[
{
"type":"count",
"name":"count"
}
],
"intervals":[
"2000-01-01T00:00Z/3000-01-01T00:00Z"
]
}

按小时粒度进行的groupby查询结果中timestamp值精确到小时间，比小时粒度更小粒度值自动补填零，

以此类推按天查询，则小时及小粒度补零。timestamp值为UTC

Java代码

[ {
"version" : "v1",
"timestamp" : "2013-08-31T01:00:00.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
}, {
"version" : "v1",
"timestamp" : "2013-09-01T01:00:00.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
}, {
"version" : "v1",
"timestamp" : "2013-09-02T23:00:00.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
}, {
"version" : "v1",
"timestamp" : "2013-09-03T03:00:00.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
} ]

如果指定查询粒度为 none，则返回结果与数据导入时设置粒度（queryGranularity属性值）结果一样，
此处的导入粒度为毫秒，结果如下：

Java代码

[ {
"version" : "v1",
"timestamp" : "2013-08-31T01:02:33.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
}, {
"version" : "v1",
"timestamp" : "2013-09-01T01:02:33.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
}, {
"version" : "v1",
"timestamp" : "2013-09-02T23:32:45.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
}, {
"version" : "v1",
"timestamp" : "2013-09-03T03:32:45.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
} ]

如果指定查询粒度为 all，返回数组长度结果为1，结果如下：

Java代码

[ {
"version" : "v1",
"timestamp" : "2000-01-01T00:00:00.000Z",
"event" : {
"count" : 4,
"language" : "en"
}
} ]

时间段聚合粒度

指定一个精确时间持续时长（毫秒表示）及时间缀，返回UTC时间；支持可选项属性origin，不指定时
默认开始时间（1970-01-01T00:00:00Z）

Java代码

/**持续时间段2小时，从1970-01-01T00:00:00Z开始*/
{"type": "duration", "duration": 7200000}

Java代码

/**持续时间1小时，从origin开始*/
{"type": "duration", "duration": 3600000, "origin": "2012-01-01T00:30:00Z"}

以上简单聚合粒度的示例数据为例，提交groupby查询，持续时间段为24小时，查询配置如下：

Java代码

{
"queryType":"groupBy",
"dataSource":"dataSource",
"granularity":{"type": "duration", "duration": "86400000"},
"dimensions":[
"language"
],
"aggregations":[
{
"type":"count",
"name":"count"
}
],
"intervals":[
"2000-01-01T00:00Z/3000-01-01T00:00Z"
]
}

查询结果：

Java代码

[ {
"version" : "v1",
"timestamp" : "2013-08-31T00:00:00.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
}, {
"version" : "v1",
"timestamp" : "2013-09-01T00:00:00.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
}, {
"version" : "v1",
"timestamp" : "2013-09-02T00:00:00.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
}, {
"version" : "v1",
"timestamp" : "2013-09-03T00:00:00.000Z",
"event" : {
"count" : 1,
"language" : "en"
}
} ]

常用时间段聚合粒度

略...

2.1.4 过滤（Filters）

一个Filter就是一个Json对象，用于过滤数据行过滤，类似SQL中的Where子句。过滤器类型有如下：Selector filte、Regular expression filter（正则表达式过滤）、Logical expression filters（AND、OR、NOT）、In filter、Bound filter、Search filter、javascript filter、Extraction filter

示例简单查看使用方式：

查询过滤（Selector filte）

等价于：WHERE <dimension_string> = ‘<dimension_value_string>‘

Java代码

"filter": { "type": "selector", "dimension": <dimension_string>, "value": <dimension_value_string> }

正则表达过滤（Regular expression filter）

与Selector filte差不多，只是这里使用正则表达式，表达式为标准的Java正则表达式规范

Java代码

"filter": { "type": "regex", "dimension": <dimension_string>, "pattern": <pattern_string> }

逻缉表达过滤（Logical expression filters）

AND

Java代码

"filter": { "type": "and", "fields": [<filter>, <filter>, ...] }

Java代码

"filter": { "type": "or", "fields": [<filter>, <filter>, ...] }

NOT

Java代码

"filter": { "type": "not", "field": <filter> }

IN过滤（In filter）

SQL查询

Java代码

SELECT COUNT(*) AS ‘Count‘ FROM `table` WHERE `outlaw` IN (‘Good‘, ‘Bad‘, ‘Ugly‘)

Druid IN 过滤表示

Java代码

{
"type": "in",
"dimension": "outlaw",
"values": ["Good", "Bad", "Ugly"]
}

范围过滤（Bound filter）

Bound filter 过滤比较值大小或小于某值，默认按字符串比较，使用数据比较需要设置alphaNumeric 属
性为true；默认 Bound filter为非严格性（类闭区间），如 inputString <= upper && inputSting >= lower

Java代码

{
"type": "bound",
"dimension": "age",
"lower": "21",
"upper": "31" ,
"alphaNumeric": true
}

上述表示等价如：21 <= age <= 31

Bound filter 严格性，需要设置lowerStrict or/and upperStrict 属性值为true如下：

Java代码

{
"type": "bound",
"dimension": "age",
"lower": "21",
"lowerStrict": true,
"upper": "31" ,
"upperStrict": true,
"alphaNumeric": true
}

等价如：21 < age < 31

2.1.5 聚合（Aggregations）

聚合可以在采集时间时规格部分的一种方式，汇总数据进入Druid之前提供。聚合也可以被指定为在查询时多查询的部分，聚合类型如下：Count aggregator、Sum aggregators、Min / Max aggregators、Approximate Aggregations、Miscellaneous Aggregations

Count aggregator

查询返回匹配过滤条件的数据行数，需要注意的是：Druid进行Count查询的数据量并不一定等于数据采
集时导入的数据量，因为Druid在采集数据并导入时已经对数据进行了聚合。

Java代码

{ "type" : "count", "name" : <output_name> }

Sum aggregator

longSum aggregator：计算值为有符号位64位整数

Java代码

{ "type" : "longSum", "name" : <output_name>, "fieldName" : <metric_name> }

doubleSum aggregator：与longSum类似，计算值为64位浮点型

Java代码

{ "type" : "doubleSum", "name" : <output_name>, "fieldName" : <metric_name> }

Min / Max aggregators

doubleMin aggregator

Java代码

{ "type" : "doubleMin", "name" : <output_name>, "fieldName" : <metric_name> }

doubleMax aggregator

Java代码

{ "type" : "doubleMax", "name" : <output_name>, "fieldName" : <metric_name> }

longMin aggregator

Java代码

{ "type" : "longMin", "name" : <output_name>, "fieldName" : <metric_name> }

longMax aggregator

Java代码

{ "type" : "longMax", "name" : <output_name>, "fieldName" : <metric_name> }

类似聚合（Approximate Aggregations）

基数聚合（Cardinality aggregator）

计算Druid多种维度基数，Cardinality aggregator使用HyperLogLog评估基数，这种聚合比带有索引的
hyperUnique聚合慢，运行在一个维度列，意味着不能从数据集中删除字符串维度来提高聚合；一般我们
强力推荐使用hyperUnique aggregator而不是Cardinality aggregator，格式如下：

Java代码

{
"type": "cardinality",
"name": "<output_name>",
"fieldNames": [ <dimension1>, <dimension2>, ... ],
"byRow": <false | true> # (optional, defaults to false)
}

. 维度值聚合-当设置属性byRow为false（默认值）时，通过合并所有给定的维度列来计算值集合。

对于单维度，等价如下：

Java代码

SELECT COUNT(DISTINCT(dimension)) FROM <datasource>

对于多维度，等价如下:

Java代码

SELECT COUNT(DISTINCT(value)) FROM (
SELECT dim_1 as value FROM <datasource>
UNION
SELECT dim_2 as value FROM <datasource>
UNION
SELECT dim_3 as value FROM <datasource>
)

. 行聚合-当设置属性byRow为true时，根所不同维度的值合并来计算行值，等价如下：

Java代码

SELECT COUNT(*) FROM ( SELECT DIM1, DIM2, DIM3 FROM <datasource> GROUP BY DIM1, DIM2, DIM3 )

许多不同国家的人出生地或来自哪里，用druid配置如下：

Java代码

{
"type": "cardinality",
"name": "distinct_countries",
"fieldNames": [ "coutry_of_origin", "country_of_residence" ]
}

HyperUnique aggregator

已经被“hyperunique”在创建索引时聚合的维度值使用HyperLogLog计算估计，更多资料请参考官网

Java代码

{ "type" : "hyperUnique", "name" : <output_name>, "fieldName" : <metric_name> }

后聚合（post-aggregators）

后聚合是对Druid进行聚合后的值进行聚全，如果查询中包括一个后聚合，那么确保所有聚合满足后聚合要求；后聚合有以下几种类型：
1. Arithmetic post-aggregators
2. Field accessor post-aggregator
3. Constant post-aggregator
4. JavaScript post-aggregator
5. HyperUnique Cardinality post-aggregator

Arithmetic post-aggregators

算术后聚合应用已提供的函数从左到右获取字段，这些字段可聚合或后聚合；支持+, -, *, /, and quotient。

算术后聚合可以指定ordering属性，用于聚合结果排序（对topN查询很有用）：

(1) 如果无ordering属性（或null），使用默认的浮点排序。

(2) numericFirst 首先返回有限值，其次是NaN，最后返回无限值。

算术后聚合语法如下：

Java代码

postAggregation : {
"type" : "arithmetic",
"name" : <output_name>,
"fn" : <arithmetic_function>,
"fields": [<post_aggregator>, <post_aggregator>, ...],
"ordering" : <null (default), or "numericFirst">
}

Field accessor post-aggregator - fieldName引用aggregator定义的名称

Java代码

{ "type" : "fieldAccess", "name": <output_name>, "fieldName" : <aggregator_name> }

Constant post-aggregator - 返回指定值

Java代码

{ "type" : "constant", "name" : <output_name>, "value" : <numerical_value> }

2.2 时间序列查询（Timeseries）

这些类型的查询以时间序列查询对象和返回一个JSON数组对象，每个对象表示时间序列查询的值，时间序列查询请求的Json的7个主要属性如下：

属性	描述	必填项
queryType	字符串类型，时间序列 "timeseries"	是
dataSource	字符串类型，数据源（类似数据库表）	是
descending	排序标志，默认为 "false"(升序)	否
intervals	查询时间范围跨度，JSON对象，ISO-8601区间	是
granularity	定义查询结果块粒度	是
filter	过滤条件	否
aggregations	聚合	是
postAggregations	后聚合	否
context	上下文	否

引用官网序列化查询json配置代码

{
"queryType": "timeseries",
"dataSource": "sample_datasource",
"granularity": "day",
"descending": "true",
"filter": {
"type": "and",
"fields": [
{ "type": "selector", "dimension": "sample_dimension1", "value": "sample_value1" },
{ "type": "or",
"fields": [
{ "type": "selector", "dimension": "sample_dimension2", "value": "sample_value2" },
{ "type": "selector", "dimension": "sample_dimension3", "value": "sample_value3" }
]
}
]
},
"aggregations": [
{ "type": "longSum", "name": "sample_name1", "fieldName": "sample_fieldName1" },
{ "type": "doubleSum", "name": "sample_name2", "fieldName": "sample_fieldName2" }
],
"postAggregations": [
{ "type": "arithmetic",
"name": "sample_divide",
"fn": "/",
"fields": [
{ "type": "fieldAccess", "name": "postAgg__sample_name1", "fieldName": "sample_name1" },
{ "type": "fieldAccess", "name": "postAgg__sample_name2", "fieldName": "sample_name2" }
]
}
],
"intervals": [ "2012-01-01T00:00:00.000/2012-01-03T00:00:00.000" ]
}

上述配置了过滤条件，2个聚合，后聚合器将2个聚合结果进行相除。查询结果如下，查询结果存储在属性result，以键值对方式存储：

Java代码

[
{
"timestamp": "2012-01-01T00:00:00.000Z",
"result": { "sample_name1": <some_value>, "sample_name2": <some_value>, "sample_divide": <some_value> }
},
{
"timestamp": "2012-01-02T00:00:00.000Z",
"result": { "sample_name1": <some_value>, "sample_name2": <some_value>, "sample_divide": <some_value> }
}
]

2.3 排名查询（TopN query）

TopN查询根据规范返回给定维度的有序的结果集，从概念上来讲，TopN查询被认为单维度、有序的类似分组查询。在某些情况下，TopN查询比分组查询（groupby query）快。TopN查询结果返回Json数组对象。
TopN在每个节点将顶上K个结果排名，在Druid默认情况下最大值为1000。在实践中，如果你要求前1000个项顺序排名，那么从第1-999个项的顺序正确性是100%，其后项的结果顺序没有保证。你可以通过增加threshold值来保证顺序准确。

属性	描述	必填项
queryType	字符串类型，时间序列 "topN"	是
dataSource	字符串类型，数据源（类似数据库表）	是
intervals	查询时间范围跨度，JSON对象，ISO-8601区间	是
granularity	定义查询结果块粒度	是
filter	过滤条件	否
aggregations	聚合	是
postAggregations	后聚合	否
dimension	查询的维度（列）	是
threshold	返回Top N个结果	是
metric	字符串或Json对象指定度量对Top N个结果排序	是
context	上下文	否