ES in BI

来源：互联网发布：淘宝一阳指是什么编辑：程序博客网时间：2024/05/22 15:55

一直想找一个用于大数据平台实时OLAP（甚至是实时计算）的框架，之前调研的Druid（druid.io）太过复杂，整个Druid由5、6个服务组成，而且加载数据也不太方便，性能一般，亦或是我还不太会用它。后来发现使用ElasticSearch就可以满足海量数据实时OLAP的需求。
ElasticSearch相信大家都很熟悉了，它在搜索领域已经有了举足轻重的地位，而且也支持越来越多的聚合统计功能，还和YARN、Hadoop、Hive、Spark、Pig、Flume等大数据框架兼容的越来越好，比如：可以将ElasticSearch跑在YARN上，还可以在Hive中建立外部表映射到ElasticSearch的Index中，直接在Hive中执行INSERT语句，将数据加载进ElasticSearch。
所谓OLAP，其实就是从事实表中统计任意组合维度的指标，也就是过滤、分组、聚合，其中，聚合除了一般的SUM、COUNT、AVG、MAX、MIN等，还有一个重要的COUNT(DISTINCT)，看上去这些操作在SQL中是非常简单的统计，但在海量数据、低延迟的要求下，并不是那么容易做的。
ElasticSearch本来就是做实时搜索的，过滤自然不是问题，现在也支持各种聚合以及Pipeline aggregations（相当于SQL子查询的功能），而且ElasticSearch的安装部署也非常简单，一个节点只有一个服务进程，关于安装配置可参考：http://lxw1234.com/archives/2015/12/582.htm
本文以两个业务场景的例子，看一下ElasticSearch是如何满足我们的需求的。

例子1：网站流量报告

在我们的报表平台有这样一张报表，用于查看每个网站每天的流量指标：

elasticsearch

其中，维度有：天、小时、网站，指标有：PV、UV、访问次数、跳出率、平均停留时间、回访率等。另外，还有一张报表是地域报告，维度多了省份和城市，指标一样。目前的做法是将可选的维度组合及对应的指标先在Hive中分析好，再将结果同步至MySQL，供报表展现。

真正意义上的OLAP做法，我是这样做的：在Hive分析好一张最细粒度为visit_id（session_id）的事实表，字段及数据如下：

elasticsearch

然后将这张事实表的数据加载到ElasticSearch中的logs2/sitelog1211中。查看数据：

curl -XGET 'http://localhost:9200/logs2/sitelog1211/_search?pretty'
{
  "took" : 1015,
  "timed_out" : false,
  "_shards" : {
    "total" : 10,
    "successful" : 10,
    "failed" : 0
  },
  "hits" : {
    "total" : 3356328,
    "max_score" : 1.0,
    "hits" : [ {
      "_index" : "logs2",
      "_type" : "sitelog1211",
      "_id" : "AVGkoWowd8ibEMoyOhve",
      "_score" : 1.0,
      "_source":{"cookieid" : "8F97E07300BC7655F6945A","siteid" : "633","visit_id" : "feaa25e6-3208-4801-b7ed-6fa45f11ff42","pv" : 2,"is_return_cookie" : 0,
           "is_bounce_visit" : 0,"visit_stay_times" : 34,"visit_view_page_cnt" : 2, "region" : "浙江","city" : "绍兴"}
    },
……

该天事实表中总记录数为3356328。
接着使用下面的查询，完成了上图中网站ID为1127，日期为2015-12-11的流量报告：

curl -XGET 'http://localhost:9200/logs2/sitelog1211/_search?search_type=count&q=siteid:1127&pretty' -d '
{
    "size": 0,
    "aggs" : {
        "pv" : {"sum" : { "field" : "pv" } },
        "uv" : {"cardinality" : {"field" : "cookieid" ,"precision_threshold": 40000}},
        "return_uv" : {
           "filter" : {"term" : {"is_return_cookie" : 1}},
           "aggs" : {
             "total_return_uv" : {"cardinality" : {"field" : "cookieid" ,"precision_threshold": 40000}}
           }
        },
        "visits" : {"cardinality" : {"field" : "visit_id" ,"precision_threshold": 40000}},
        "total_stay_times" : {"sum" : { "field" : "visit_stay_times" }},
        "bounce_visits" : {
           "filter" : {"term" : {"is_bounce_visit" : 1}},
           "aggs" : {
             "total_bounce_visits" : {"cardinality" : {"field" : "visit_id" ,"precision_threshold": 40000}}
           }
        }
    }
}'

基本上1~2秒就可以返回结果：

{
  "took" : 1887,
  "timed_out" : false,
  "_shards" : {
    "total" : 10,
    "successful" : 10,
    "failed" : 0
  },
  "hits" : {
    "total" : 5888,
    "max_score" : 0.0,
    "hits" : [ ]
  },
  "aggregations" : {
    "uv" : {
      "value" : 5859
    },
    "visits" : {
      "value" : 5889
    },
    "return_uv" : {
      "doc_count" : 122,
      "total_return_uv" : {
        "value" : 119
      }
    },
    "bounce_visits" : {
      "doc_count" : 5177,
      "total_bounce_visits" : {
        "value" : 5177
      }
    },
    "pv" : {
      "value" : 10820.0
    },
    "total_stay_times" : {
      "value" : 262810.0
    }
  }
}

接着是地域报告中维度为省份的指标统计，查询语句为：

curl -XGET 'http://localhost:9200/logs2/sitelog1211/_search?search_type=count&q=siteid:1127&pretty' -d '
{
    "size": 0,
    "aggs" : {
       "area_count" : {
           "terms" : {"field" : "region","order" : { "pv" : "desc" }},
           "aggs" : {
               "pv" : {"sum" : { "field" : "pv" } },
               "uv" : {"cardinality" : {"field" : "cookieid" ,"precision_threshold": 40000}},
               "return_uv" : {
                  "filter" : {"term" : {"is_return_cookie" : 1}},
                  "aggs" : {
                    "total_return_uv" : {"cardinality" : {"field" : "cookieid" ,"precision_threshold": 40000}}
                  }
               },
               "visits" : {"cardinality" : {"field" : "visit_id" ,"precision_threshold": 40000}},
               "total_stay_times" : {"sum" : { "field" : "visit_stay_times" }},
               "bounce_visits" : {
                  "filter" : {"term" : {"is_bounce_visit" : 1}},
                  "aggs" : {
                    "total_bounce_visits" : {"cardinality" : {"field" : "visit_id" ,"precision_threshold": 40000}}
                  }
               }
           }
       }
    }
}'

因为要根据省份分组，比之前的查询慢一点，但也是秒级返回：

{
  "took" : 4349,
  "timed_out" : false,
  "_shards" : {
    "total" : 10,
    "successful" : 10,
    "failed" : 0
  },
  "hits" : {
    "total" : 5888,
    "max_score" : 0.0,
    "hits" : [ ]
  },
  "aggregations" : {
    "area_count" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 2456,
      "buckets" : [ {
        "key" : "北京",
        "doc_count" : 573,
        "uv" : {
          "value" : 568
        },
        "visits" : {
          "value" : 573
        },
        "return_uv" : {
          "doc_count" : 9,
          "total_return_uv" : {
            "value" : 8
          }
        },
        "bounce_visits" : {
          "doc_count" : 499,
          "total_bounce_visits" : {
            "value" : 499
          }
        },
        "pv" : {
          "value" : 986.0
        },
        "total_stay_times" : {
          "value" : 24849.0
        }
      }, {
        "key" : "山东",
        "doc_count" : 368,
        "uv" : {
          "value" : 366
        },
        "visits" : {
          "value" : 368
        },
        "return_uv" : {
          "doc_count" : 9,
          "total_return_uv" : {
            "value" : 9
          }
        },
        "bounce_visits" : {
          "doc_count" : 288,
          "total_bounce_visits" : {
            "value" : 288
          }
        },
        "pv" : {
          "value" : 956.0
        },
        "total_stay_times" : {
          "value" : 30266.0
        }
      },
……

这里需要说明一下，在ElasticSearch中，对于去重计数（COUNT DISTINCT）是基于计数估计（Cardinality），因此如果去重记录数比较大（超过40000），便可能会有误差，误差范围是0~2%。

例子2：用户标签的搜索统计

有一张数据表，存储了每个用户ID对应的标签，同样加载到ElasticSearch中，数据格式如下：

curl -XGET 'http://localhost:9200/lxw1234/user_tags/_search?&pretty'
{
  "took" : 220,
  "timed_out" : false,
  "_shards" : {
    "total" : 10,
    "successful" : 10,
    "failed" : 0
  },
  "hits" : {
    "total" : 820165,
    "max_score" : 1.0,
    "hits" : [ {
      "_index" : "lxw1234",
      "_type" : "user_tags",
      "_id" : "222222222222222",
      "_score" : 1.0,
      "_source":{"sex" : "女性","age" : "27到30岁","income" : "5000到10000","edu" : "本科",
"appcategory" : "娱乐类|1.0","interest" : "","onlinetime" : "9:00~12:00|1.0","os" : "IOS|1.0",
"hobby" : "游戏|28.57,房产|8.57,服饰鞋帽箱包|28.57,互联网/电子产品|5.71,家居|8.57,餐饮美食|5.71,体育运动|14.29","region" : "河南省"}
    }
......

每个用户都有性别、年龄、收入、教育程度、兴趣、地域等标签，其中使用_id来存储用户ID，也是主键。

查询1：SELECT count(1) FROM user_tags WHERE sex = ‘女性’ AND appcategory LIKE ‘%游戏类%';

curl -XGET 'http://localhost:9200/lxw1234/user_tags/_count?pretty' -d '
{
    "filter" : {
        "and" : [
          {"term" : {"sex" : "女性"}},
          {"match_phrase" : {"appcategory" : "游戏类"}}
        ]
    }
}'

返回结果：

{
  "count" : 106977,
  "_shards" : {
    "total" : 10,
    "successful" : 10,
    "failed" : 0
  }
}

查询2：先筛选，再分组统计：

SELECT edu,COUNT(1) AS cnt 
FROM user_tags 
WHERE sex = '女性' 
AND appcategory LIKE '%游戏类%' 
GROUP BY edu 
ORDER BY cnt DESC 
limit 10;

查询语句：

curl -XGET 'http://localhost:9200/lxw1234/user_tags/_search?search_type=count&pretty' -d '
{
    
    "filter" : {
        "and" : [
          {"term" : {"sex" : "女性"}},
          {"match_phrase" : {"appcategory" : "游戏类"}}
        ]
    },
    "aggs" : {
        "edu_count" : {
            "terms" : {
              "field" : "edu",
              "size" : 10
            }
        }
    }
}'

返回结果：

{
  "took" : 479,
  "timed_out" : false,
  "_shards" : {
    "total" : 10,
    "successful" : 10,
    "failed" : 0
  },
  "hits" : {
    "total" : 106977,
    "max_score" : 0.0,
    "hits" : [ ]
  },
  "aggregations" : {
    "edu_count" : {
      "doc_count_error_upper_bound" : 0,
      "sum_other_doc_count" : 0,
      "buckets" : [ {
        "key" : "本科",
        "doc_count" : 802670
      }, {
        "key" : "硕士研究生",
        "doc_count" : 16032
      }, {
        "key" : "专科",
        "doc_count" : 1433
      }, {
        "key" : "博士研究生",
        "doc_count" : 25
      }, {
        "key" : "初中及以下",
        "doc_count" : 4
      }, {
        "key" : "中专/高中",
        "doc_count" : 1
      } ]
    }
  }
}

从目前的调研结果来看，ElasticSearch没有让人失望，部署简单，数据加载方便，聚合功能完备，查询速度快，目前完全可以满足我们的实时搜索、统计和OLAP需求，甚至可以作为NOSQL来使用，接下来再做更深入的测试。
另外，还有一个开源的SQL for ElasticSearch的框架Crate（crate.io），是在ElasticSearch之上封装了SQL接口，使得查询统计更加方便，不过SQL支持的功能有限，使用的ElasticSearch版本较低，后面试用一下再看。

0 0