Kylin系列-Apache Kylin中对上亿字符串的精确Count_Distinct示例

上篇文章《在Apache Kylin中使用Count Distinct》中介绍了Apache Kylin中Count Distinct的实现，如果业务中能接受1.22%的误差，那么肯定首选近似算法，因为它能节省很多资源和时间。如果业务中必须使用精确去重，那么就看看本文的例子（针对上亿字符串的精确去重）。

事实表

hive> desc test_t_pbs_uv_fact;
OK
ad_id                   string  //维度
material_id             string   //维度
city_code               string  //维度
user_id                 string   //指标，需要精确Count Distinct
bid_request             bigint //指标，SUM
device_bid_request      bigint//指标，SUM
win                     bigint//指标，SUM 
ck                      bigint//指标，SUM 
pt                      string//维度，日期，yyyy-MM-dd
 

该事实表一天的数据记录大概1.5亿+，其中user_id为字符串，类似MD5后的字符串。

创建Model

在Kylin中创建名为lxw1234_uv_model的模型。

选择维度和指标字段：

 

创建Cube

创建名为lxw1234_uv_cube的Cube，其中，指标定义如下：

 

其他请按实际业务需求配置。

手动修改Cube(JSON)

如果不修改，精确Count Distinct使用了Default dictionary来保存编码后的user_id，而Default dictionary的最大容量为500万，并且，会为每个Segment生成一个Default dictionary，这样的话，跨天进行UV分析的时候，便会产生错误的结果，如果每天不重复的user_id超过500万，那么build的时候会报错：

java.lang.IllegalArgumentException: Too high cardinality is not suitable for dictionary — cardinality: 43377845
at org.apache.kylin.dict.DictionaryGenerator.buildDictionary(DictionaryGenerator.java:96)
at org.apache.kylin.dict.DictionaryGenerator.buildDictionary(DictionaryGenerator.java:73)

该值由参数 kylin.dictionary.max.cardinality 来控制，当然，你可以修改该值为1亿，但是Build时候可能会因为内存溢出而导致Kylin Server挂掉：

# java.lang.OutOfMemoryError: Requested array size exceeds VM limit
# -XX:OnOutOfMemoryError=”kill -9 %p”
#   Executing /bin/sh -c “kill -9 16193″…

因此，这种需求我们需要手动使用Global Dictionary，顾名思义，它是一个全局的字典，不分Segments，同一个user_id，在全局字典中只有一个ID。

目前Kylin的UI中没有可以直接配置Global Dictionary的地方，需要手动修改Cube的JSON描述：

在状态为DISABLED的Cube列表中，点击”Admins”菜单下的”Edit(JSON)”，进入Cube JSON描述的编辑页面，

添加下面的JSON：

 

其中，在override_kylin_properties 中增加了两个Cube的配置参数，用于增加Mapper的运行内存。

"dictionaries": [
    {
      "column": "USER_ID",
      "builder": "org.apache.kylin.dict.GlobalDictionaryBuilder"
    }
  ]

定义了对USER_ID字段使用全局字典。

之后，保存JSON。

Build与查询

Build完成后，在Hive和Kylin中执行下面的查询：

SELECT city_code,
SUM(bid_request) AS bid_request,
COUNT(DISTINCT user_id) AS uv
FROM liuxiaowen.TEST_T_PBS_UV_FACT
GROUP BY city_code
ORDER BY uv DESC limit 30;
 

Hive中耗时：181.134 seconds

Kylin中耗时：9 seconds

查询结果完全一致：

Global Dictionary存在问题

由于Global Dictionary 底层基于bitmap，其最大容量为Integer.MAX_VALUE，即21亿多，如果全局字典中，累计值超过Integer.MAX_VALUE，那么在Build时候便会报错。
因此，使用全局字典还是有容量的限制。

转载请注明：lxw的大数据田地 » Apache Kylin中对上亿字符串的精确Count_Distinct示例