Kylin官方案例详细剖析及剪枝优化-OLAP商业环境实战

版权声明：本套技术专栏是作者（秦凯新）平时工作的总结和升华，通过从真实商业环境抽取案例进行总结和分享，并给出商业应用的调优建议和集群环境容量规划等内容，请持续关注本套博客。版权声明：禁止转载，欢迎学习。

Kylin官方案例是一个非常经典的案例，包含的技术细节通过深挖能呈现出更具价值的信息，如：数据仓库理论，星型模型，雪花模型，角色扮演维度，维度剪枝等。相信您会通过我的深入剖析，有一种恍然大悟的感觉。官方案例是一个订单案例，其中包含了订单事实表，订单日期表，商品分类维度，账号维度（购买者和销售者）以及区域维度（购买者和销售者）。

一 Kylin官方案例表关系及字段详解

1.1 Kylin官方案例表简要说明

• KYLIN_SALES是事实表，保存了销售订单的明细信息。各列分别保存着卖家、商品分类、订单金额、商品数量等信息，每一行对应着一笔交易订单。
• KYLIN_CATEGORY_GROUPINGS是维表，保存了商品分类的详细介绍，例如商品分类名称等。
• KYLIN_CAL_DT也是维表，保存了时间的扩展信息。如单个日期所、月始、周始、年份、月份等。
• KYLIN_ACCOUNT也是维表，作为角色扮演维度，包含购买者和开发者账号。
• KYLIN_COUNTRY包含区域维度，作为角色扮演维度，包含购买者和开发者所在区域信息。

1.2 KYLIN_SALES 事实表字段详解：

1.3 KYLIN_CATEGORY_GROUPINGS 字段说明 ：

1.3.1 KYLIN_CATEGORY_GROUPINGS主要字段：

• LEAF_CATEG_ID：主键
• SITE_ID：外键

  

1.3.2 KYLIN_CATEGORY_GROUPINGS 对外连接关系：

1.3.3 KYLIN_CATEGORY_GROUPINGS 主要字段解释：

1.4 KYLIN_COUNTRY 主要字段详解：

1.5 KYLIN_ACCOUNT 主要字段详解：

1.6 雪花模型关系总览：

二 建立模型（Model）

2.1 Kylin 官方模型 model关系图如下：

2.2 第一步：雪花和星型模型，建立inner join关系，重要的是确定字段关联，对于角色维度（KYLIN_ACCOUNT和KYLIN_COUNTRY），需要别名处理。

对 “Add Lookup Table” 页面的几点说明：

1. 数据关系不仅仅是事实表与维度表之间（星型模型），维度表和维度表之间（雪花模型）也可以建立联系；
2. 表与表之间的连接添加有三种：“Left Join”、“Inner Join”、“Right Join”；
3. Skip snapshot for this lookup table 选项指的是是否跳过生成 snapshotTable，由于某些 Lookup 表特别大（大于 300M），如果某一个维度的基数比较大 ，可能会导致内存出现 OOM，所以在创建 snapshotTable 的时候会限制原始表的大小不能超过配置的一个上限值（kylin.snapshot.max-mb，默认值300）;
4. 跳过构建 snapshot 的 lookup 表将不能搜索，同时不支持设置为衍生维度（Derived）；
5. 大部分情况下都是使用 “Left Join”，其他两种 Join 方式不是很常用。

2.2.1 每一个 Snapshot 是和一个 Hive 维度表对应的，生成的过程是：

• 从原始的hive维度表中顺序得读取每一行每一列的值;

• 使用 TrieDictionary 方式对这些所有的值进行编码（一个值对应一个 Id）；

• 再次读取原始表中每一行的值，将每一列的值使用编码之后的 Id 进行替换，得到了一个只有 Id 的新表；

• 同时保存这个新表和 Dictionary 对象（Id 和值的映射关系）就能够保存整个维度表；

• Kylin 将这个数据存储到元数据库中。

  该处Snapshot Table 总结的很好，所以标明引用地址：https://juejin.im/post/5bcf370d6fb9a05cff3255dd
  复制代码

2.2.2 雪花模型关系图

2.3 第二步：资格维度选择:

在 Dimensions 页面选择可能参与计算的维度，这里被选择的只是在 Cube 构建的时候拥有被选择资格的维度，并不是最后参与 Cube 构建的维度，推荐将维度表中的字段都选择上。 如下展示了Dimensions的选择：

• 对于KYLIN_SALES，其中SLR_SEGMENT_CD，PRICE，ITEM_COUNT没有选择，所以没有资格参与cubeId构建

• 对于KYLIN_CAL_DT，其中仅选择了部分参与的维度，其他没有资格参与cubeId构建

• 对于KYLIN_CATEGORY_GROUPING，其中仅选择了部分参与的维度，其他没有资格参与cubeId构建

• 对于BUYER_ACCOUNT 与 SELLER_ACCOUNT，全部有资格参与cubeId构建

• 对于BUYER_COUNTRY，只有COUNTRY , NAME 有资格参与cubeId构建

  

• 对于SELLER_COUNTRY，只有COUNTRY , NAME 有资格参与cubeId构建

同理如上

2.3.1 资格维度选择结果总览：

2.4 第三步： Measures 度量指标选择：

在 Measures 页面选择可能用于计算的度量。一般而言，销售额、流量、温湿度等会作为度量。

2.5 第四步：Settings设置

在 Settings 页面可以设置分区以及过滤条件，其中分区是为了系统可以进行增量构建而设计的，目前 Kylin 支持基于日期的分区，在 “Partition Date Column” 后面选择事实表或者维度表中的日期字段，然后选择日期格式即可；过滤条件设置后，Kylin 在构建的时候会选择符合过滤条件的数据进行构建。 需要注意的几点：

1. 时间分区列可以支持日期或更细粒度的时间分区；
2. 时间分区列支持的数据类型有 time/date/datetime/integer等；
3. 过滤条件不需要写 WHERE；
4. 过滤条件不能包含日期维度。

三 构建cube模型

3.1 维度选择知识总结

在选择维度时，每一个维度列可以作为普通维度（Normal），也可以作为衍生维度（Derived）。相对于普通维度来说，衍生维度并不参与维度的 Cuboid，衍生维度对应的外键（FK）参与维度 Cuboid，从而降低 Cuboid 数。在查询时，对衍生维度的查询会首先转换为对外键所在维度的查询，因此会牺牲少量性能（大部分情况下可以接受）。

3.1.1 维度剪枝优化

如何进行维度优化，首先请确认你设置的cube维度都是你查询时会使用到的。

目前Kylin可以使用的维度优化手段有以下几种：

• 聚集组
• 衍生纬度
• 强制维度
• 层次维度
• 联合维度
• Extended Column

在一个多维数据集合中，维度的个数决定着维度之间可能的组合数，而每一个维度中成员集合的大小决定着每一个可能的组合的个数，例如有三个普通的维度A、B、C，他们的不同成员数分别为10/100/1000，那么一个维度的组合有2的3次方个，分别是{空、A、B、C、AB、BC、AC、ABC}，每一个成员我们称为cuboid（维度的组合），而这些集合的成员组合个数分别为1、10、100、1000、10*100、100 1000、10 1000和10 *100 *1000。我们称每一个dimension中不同成员个数为cardinatily，我们要尽量避免存储cardinatily比较高的维度的组合。

在上面的例子中我们可以不缓存BC和C这两个cuboid，可以通过计算的方式通过ABC中成员的值计算出BC或者C中某个成员组合的值，这相当于是时间和空间的一个权衡吧。在kylin中存在的四种维度是为了减少cuboid的个数，而不是每一个维度是否缓存的，当前kylin是对所有的cuboid中的所有组合都进行计算和存储的，对于普通的dimension，从上面的例子中可以看出N个维度的cuboid个数为2的N次方，而kylin中设置了一些维度可以减少cuboid个数，当然，这需要使用者对自己需要的维度十分了解，知道自己可能根据什么进行group by。

3.1.2 Mandatory维度

这种维度意味着每次查询的group by中都会携带的，将某一个dimension设置为mandatory可以将cuboid的个数减少一半，如下图：

这是因为我们确定每一次group by都会携带A，那么就可以省去所有不包含A这个维度的cuboid了。

3.1.3 hierarchy维度

这种维度是最常见的，尤其是在mondrian中，我们对于多维数据的操作经常会有上卷下钻之类的操作，这也就需要要求维度之间有层级关系，例如国家、省、城市，年、季度、月等。有层级关系的维度也可以大大减少cuboid的个数。如下图：

这里仅仅局限于A/B/C是一个层级，例如A是年份，B是季度、C是月份，那么查询的时候可能的组合只有年、xx年的季度、xx年xx季度的xx月，这就意味着我们不能再单独的对季度和月份进行聚合了，例如我们查询的时候不能使用group by month，而必须使用group by year，quart，month。如果需要单独的对month进行聚合，那么还需要再使用month列定义一个单独的普通维度。

3.1.4 derived维度

这类维度的意思是可推导的维度，需要该维度对应的一个或者多个列可以和维度表的主键是一对一的，这种维度可以大大减少cuboid个数，如下图：

例如timeid是时间这个维度表的主键，也就是事实表的外键，时间只精确到天，那么year、month、day三列可以唯一对应着一个time_id，而time_id是事实表的外键，那么我们可以指定year、month、day为一个derived维度，实际存储的时候可以只根据timeid的取值决定维度的组合，但这就要求我们在查询的时候使用的group by必须指定derived维度集合中的所有列。 3.联合维度（Joint） 每一个联合维度包括两个或者更多的维度，联合维度内的维度，要么不出现，要么必须一起出现。不同的联合之间不应当有共同的维度

3.1.5 联合维度

联合维度：将几个维度视为一个维度。 适用场景：

• 1 可以将确定在查询时一定会同时使用的几个维度设为一个联合维度。

• 2 可以将基数很小的几个维度设为一个联合维度。

• 3 可以将查询时很少使用的几个维度设为一个联合维度。

优化效果：将N个维度设置为联合维度，则这N个维度组合成的cuboid个数会从2的N次方减少到1。

应用实例:

假设创建一个交易数据的Cube，它具有很多普通的维度，像是交易日期 cal_dt，交易的城市 city，顾客性别 sex_id 和支付类型 pay_type 等。分析师常用的分析方法为通过按照交易时间、交易地点和顾客性别来聚合，获取不同城市男女顾客间不同的消费偏好，例如同时聚合交易日期 cal_dt、交易的城市 city 和顾客性别 sex_id来分组。 聚合组：[cal_dt, city, sex_id，pay_type] 联合维度： [cal_dt, city, sex_id]

Case 1：

SELECT cal_dt, city, sex_id, count(*) FROM table GROUP BY cal_dt, city, sex_id 
则它将从Cuboid [cal_dt, city, sex_id]中获取数据
复制代码

Case2:

如果有一条不常用的查询：

SELECT cal_dt, city, count(*) FROM table GROUP BY cal_dt, city
 则没有现成的完全匹配的 Cuboid，Apache Kylin 会通过在线计算的方式，从现有的 Cuboid 中计算出最终结果。
复制代码

3.1.6 粒度优化

粒度优化对应的是提高Cube的并发度，其设置是在自定义属性中的 一共有三个属性可以提高并发度。 1.kylin.hbase.region.cut（共使用几个分区） 2.kylin.hbase.region.count.min（最少使用几个分区） 3.kylin.hbase.region.count.max（最多使用几个分区）

根据相对应的情况调高最少使用分区，降低最大使用分区，能够有效增加系统的并行度。

3.1.7 RowKey优化

Rowkeys: 是由维度编码值组成。”Dictionary” （字典）是默认的编码方式; 字典只能处理中低基数（少于一千万）的维度；如果维度基数很高（如大于1千万), 选择 “false” 然后为维度输入合适的长度，通常是那列的最大长度值; 如果超过最大值，会被截断。请注意，如果没有字典编码，cube 的大小可能会非常大。 你可以拖拽维度列去调整其在 rowkey 中位置; 位于rowkey前面的列，将可以用来大幅缩小查询的范围。通常建议将 mandantory 维度放在开头, 然后是在过滤 ( where 条件)中起到很大作用的维度；如果多个列都会被用于过滤，将高基数的维度（如 user_id）放在低基数的维度（如 age）的前面。

Kylin 以 Key-Value 的方式将 Cube 存储到 HBase 中，HBase 的 key，也就是 Rowkey，是由各维度的值拼接而成的；为了更高效地存储这些值，Kylin 会对它们进行编码和压缩；每个维度均可以选择合适的编码（Encoding）方式，默认采用的是字典（Dictionary）编码技术；字段支持的基本编码类型如下：

• dict：适用于大部分字段，默认推荐使用，但在超高基情况下，可能引起内存不足的问题；

• boolean：适用于字段值为true, false, TRUE, FALSE, True, False, t, f, T, F, yes, no, YES, NO, Yes, No, y, n, Y, N, 1, 0；

• integer：适用于字段值为整数字符，支持的整数区间为[ -2^(8N-1), 2^(8N-1)]；

• date：适用于字段值为日期字符，支持的格式包括yyyyMMdd、yyyy-MM-dd、yyyy-MM-dd HH:mm:ss、yyyy-MM-dd HH:mm:ss.SSS，其中如果包含时间戳部分会被截断；

• time：适用于字段值为时间戳字符，支持范围为[ 1970-01-01 00:00:00, 2038/01/19 03:14:07]，毫秒部分会被忽略，time编码适用于 time, datetime, timestamp 等类型；

• fix_length：适用于超高基场景，将选取字段的前 N 个字节作为编码值，当 N 小于字段长度，会造成字段截断，当 N 较大时，造成 RowKey 过长，查询性能下降，只适用于 varchar 或 nvarchar 类型；

• fixed_length_hex：适用于字段值为十六进制字符，比如 1A2BFF 或者 FF00FF，每两个字符需要一个字节，只适用于 varchar 或 nvarchar 类型。

• 和Hbase 的RowKey优化类似，在查询的过程中，被用作过滤条件的维度可能放在其他维度的前面，经常出现的维度应该放在前面，基数比较大的维度应该放在前面

  (参考链接：https://juejin.im/post/5bd5c59851882565e031f4be)
  复制代码

3.2：官方案例维度选择

3.2.1 KYLIN_SALES维度选择遇到的问题

发现连接键没有勾选，如：LEAF_CATEG_ID 和LSTG_SITE_ID是外键，PART_DT 的是衍生外键也没有选择，因此，意味着在CUBE构建时，只用关心计算维度，连接键虽然不选择，衍生维度还是生效的：

3.2.2 KYLIN_CAL_DT 维度选择，发现PART_DT 的是衍生主键没有勾选：

3.2.3 KYLIN_CATEGORY_GROUPINGS维度选择遇到的问题

维度选择，发现连接键LEAF_CATEG_ID和SITE_ID没有选择，那么USER_DEFINED_FIELD1和USER_DEFINED_FIELD3作为衍生列，那么衍生列有什么用呢？？看我和我朋友的聊天记录：

3.2.3 BUYER_ACCOUNT 维度选择遇到的问题

发现连接键ACCOUNT_ID没有选择，另外无关列ACCOUNT_SELLER_LEVEL和 ACCOUNT_CONTACT没有被选择，注意ACCOUNT_COUNTRY改名为BUYER_COUNTRY，如下所示：

3.2.4 SELLER_ACCOUNT 维度选择遇到的问题

发现连接键ACCOUNT_ID没有选择，另外无关列ACCOUNT_BUYER_LEVEL和 ACCOUNT_CONTACT没有被选择，注意ACCOUNT_COUNTRY改名为SELLER_COUNTRY，如下所示：

3.2.5 BUYER_COUNTRY 和 SELLER_COUNTRY 维度选择遇到的问题

发现连接键COUNTRY没有选择，另外 NAME改名为BUYER_COUNTRY_NAME和SELLER_COUNTRY_NAME。

3.3 官方案例度量选择

主要的聚合方式有：COUNT、SUM、MIN、MAX、PERCENTILE，下面将详细介绍其他几种聚合方式：

3.3.1 Count Distinct 理论知识：

Apache Kylin提供了两种Count Distinct计算方式，一种是近似的，一种是精确的，精确的Count Distinct指标在Build时候 会消耗更多的资源（内存和存储），Build的过程也比较慢。

近似Count Distinct Apache Kylin使用HyperLogLog算法实现了近似Count Distinct,提供了错误率从9.75%到1.22%几种精度供选择； 算法计算后的Count Distinct指标，理论上，结果最大只有64KB，最低的错误率是1.22%； 这种实现方式用在需要快速计算、节省存储空间，并且能接受错误率的Count Distinct指标计算。

精准Count Distinct Kylin中实现了基于bitmap的精确Count Distinct计算方式。当数据类型为tiny int(byte)、small int(short)以及int， 会直接将数据值映射到bitmap中；当数据类型为long,string或者其他，则需要将数据值以字符串形式编码成dict(字典)，再将字典ID映射到bitmap; 指标计算后的结果，并不是计数后的值，而是包含了序列化值的bitmap.这样，才能确保在任意维度上的Count Distinct结果是正确的。 这种实现方式提供了精确的无错误的Count Distinct结果，但是需要更多的存储资源，如果数据中的不重 复值超过百万，结果所占的存储应该会达到几百MB。

3.3.2 EXTEND_COLUMN 理论知识：

Extended Column 在OLAP分析场景中，经常存在对某个id进行过滤，但查询结果要展示为name的情况，比如user_id和user_name。这类问题通常有三种解决方式：

• a. 将ID和Name都设置为维度，查询语句类似select name, count(*) from table where id = 1 group by id,name。这种方式的问题是会导致维度增多，导致预计算结果膨胀；
• b. 将id和name都设置为维度，并且将两者设置为联合。这种方式的好处是保持维度组合数不会增加，但限制了维度的其它优化，比如ID不能再被设置为强制维度或者层次维度；
• c. 将ID设置为维度，Name设置为特殊的Measure，类型为Extended Column。这种方式既能保证过滤id且查询name的需求，同时也不影响id维度的进一步优化。

3.4 Count Distinct和TopN 官方案例讲解：

3.4.1 Count Distinct案例，主要用于对订单去重，错误率要求小于一定百分比

3.4.2 TopN 案例，主要用于按照seller_id 进行分组，然后对price进行聚合操作，实现每一笔订单的销售总额

3.5 cube中Messures总览

4 官方案例Refresh Setting 设置

• Auto Merge Thresholds ：自动合并阈值，按天增加的segement，每7天合并一次；7天的segment每28天合并一次
• Retention Threshold：默认为0，保留历史所有的segment。
• Volatile Range: 默认为 0，‘Auto Merge’ 会自动合并所有可能的 cube segments；设置具体的数值后，‘Auto Merge’ 将不会合并最近 Volatile Range 天的 cube segments；假设 Volatile Range 设置为 7，则最近 7 天内生成的 cube segments 不会被自动合并；
• Partition Start Date:分区开始时间

4.1 官方案例Refresh Setting 强制维度设置

和朋友进行反复确认的 强制维度，这里官方案例真的出现了，在进行查询的时候，PART_DT不出现也是可以的，为什么呢？请参考下面的解释

Mandatory 维度指的是那些总是会出现 在Where 条件或 Group By 语句里的维度。当然必须存在不一定是显式出现在查询语句中，例如查询日期是必要字段，月份、季度、年属于它的衍生字段，那么查询的时候出现月份、季度、年这些衍生字段等效于出现查询日期这个必要字段。

4.2 官方案例Refresh Setting层次维度的设置

可以看到官方案例按照层次顺序，进行cubeId的构建，根据绑定关系，进行了剪枝处理

4.3 官方案例Refresh Setting联合维度的设置

根据绑定关系，进行了剪枝处理

4.4 Rokeys 的设置

各维度在 Rowkeys 中的顺序，对于查询的性能会产生较明显的影响；在这里用户可以根据查询的模式和习惯，通过拖曳的方式调整各个维度在Rowkeys上的顺序。推荐的顺序为：Mandatory 维度、where 过滤条件中出现频率较多的维度、高基数维度、低基数维度。这样做的好处是，充分利用过滤条件来缩小在 HBase 中扫描的范围，从而提高查询的效率。

我们发现不常用维度放在了后面：

5 官方案例总览

发现总共使用了20个维度和6个度量，以及6个Lookup Table (包含别名表)

6 官方案例构建CUBE

7 官方案例测试

在进行Cube构建时，我没有选择连接键和衍生维度，那么能不能正常使用，让我们拭目以待，以下是维度剪枝优化的内容，基于此，我们来做测试：

7.1 测试一：Joint Dimension 缺少伙伴是否会报错？

7.1.1 订单事实表与订单类别表的联合查询：

7.1.2 结论：联合维度确实同伴不会报错

7.2 测试二：衍生维度能否正常分组和条件过滤？

7.2.1 订单事实表与时间维度表进行衍生字段分组：

7.2.2 结论：衍生维度分组不会报错

7.2.2 订单事实表与时间维度表进行衍生字段分组+过滤：

7.2.3 结论：衍生维度过滤不会报错

7.3 测试三：Mandatory Dimensions 缺少是否报错？

如果强制维度是衍生维度所在表的连接键（即KYLIN_SALES 与 KYLIN_CAL_DT的连接键CAL_DT）在，那么查询时不包含强制维度也不会不错，参考7.2.1既可以看出来。

7.3.1 结论：KYLIN_SALES.PART_DT缺少不会报错，虽然被设置成强制维度

8 结语

至此 ，整个官方案例剖析完毕，而留给我们的思考又该什么时候结束呢？Kylin作为OLAP技术先驱，真正把HBASE的列式存储功能发挥到了极致，没有HBASE和SPARK作为技术支撑，KYLIN又该是什么呢？如果有机会，我会写一篇HBASE技术专栏，我们来看看Hbase如何基于LSM(Log-Structured Merge Tree)把索引即数据的思想给落地的。如对spark感兴趣请关注我的Spark技术架构剖析专栏。

秦凯新