PostgreSQLHybridDBforPG毫秒級多維資料透視案例分享

德哥發表於2017-06-28

標籤

PostgreSQL , 資料透視 , 實時 , 物化 , 預計算 , 多維分析 , 流計算 , 增量合併 , 排程 , HLL


背景

典型的電商類資料透視業務,透視的語料可能會包含一些使用者的標籤資料:例如包含品牌的ID,銷售區域的ID,品牌對應使用者的ID,以及若干使用者標籤欄位,時間欄位等。

標籤可能會按不同的維度進行歸類,例如tag1 性別,tag2 年齡段, tag3 興趣愛好, …。

業務方較多的需求可能是對自有品牌的使用者進行透視,統計不同的銷售區域(渠道)、時間段、標籤維度下的使用者數(一個非常典型的資料透視需求)。

例子

資料結構舉例

每天所在區域、銷售渠道的活躍使用者ID

t1 (    
  uid,       -- 使用者ID    
  groupid,   -- 銷售渠道、區域ID    
  day        -- 日期    
)    

每個品牌的自有使用者,維護增量

t2 (    
  uid,    -- 使用者ID    
  pinpai  -- 品牌    
)    

使用者標籤,維護增量

t3 (    
  uid,    -- 使用者ID    
  tag1,   -- 標籤1,如興趣    
  tag2,   -- 標籤2,如性別    
  tag3,   -- 標籤3,如年齡段    
  ... ,    
)    

透視舉例

對某品牌、某銷售區域,某標籤、某日進行透視。

例如

select     
  `興趣` as tag,     
  t3.tag1 as tag_value,     
  count(1) as cnt     
from     
  t1,     
  t2,     
  t3     
where     
  t1.uid = t3.uid     
  and t1.uid = t2.uid     
  and t2.pinpai = ?     
  and t1.groupid = ?     
  AND t1.day = `2017-06-25`     
group by t3.tag1     

這類查詢的運算量較大,而且分析師可能對不同的維度進行比對分析,因此建議採用預計算的方法進行優化。

預計算優化

預計算需要得到的結果如下:

t_result (    
  day,      -- 日期    
  pinpai,   -- 品牌ID    
  groupid,  -- 渠道、地區、門店ID    
  tag1,     -- 標籤型別1    
  tag2,     -- 標籤型別2    
  tag3,     -- 標籤型別3    
  ...       -- 標籤型別n    
  cnt,      -- 使用者數    
  uids,     -- 使用者ID陣列,這個為可選欄位,如果不需要知道ID明細,則不需要儲存    
  hll_uids  -- 使用者HLL估值    
)    

對於GPDB,可以使用列儲存,表分割槽則按day範圍一級分割槽,按pinpai, groupid雜湊進行二級分割槽,資料分佈策略選擇隨機分佈,最後針對每個tag?欄位建立單獨索引。 從而實現快速的檢索(甭管資料量多大,單次透視請求的速度應該可以控制在100毫秒以內)。

得到這份結果後,分析師的查詢簡化如下(前三個條件通過分割槽過濾資料,最後根據tag?的索引快速得到結果):

select     
  day, pinpai, groupid, `tag?` as tag, cnt, uids, hll_uids     
from t_result    
where    
  day =     
  and pinpai =     
  and groupid =     
  and tag? = ?      

預計算後,甚至能以非常少量的運算量,實現更加複雜的維度分析,例如分析某兩天的差異使用者,分析多個TAG疊加的使用者等

預計算的方法

產生統計結果的SQL如下

select     
  t1.day,    
  t2.pinpai,    
  t1.groupid,    
  t3.tag1,     
  t3.tag2,    
  t3.tag3,    
  ...    
  count(1) as cnt ,    
  array_agg(uid) as uids,    
  hll_add_agg(hll_hash_integer(uid)) as hll_uids    
from     
  t1,     
  t2,     
  t3     
where     
  t1.uid = t3.uid     
  and t1.uid = t2.uid     
group by     
  t1.day,    
  t2.pinpai,    
  t1.groupid,    
  grouping sets (    
    (t3.tag1),     
    (t3.tag2),    
    (t3.tag3),    
    (...),    
    (t3.tagn)    
  )    

解釋:

1、將uid聚合為陣列

array_agg(uid)    

2、將UID轉換為hll hash val,並聚合為HLL型別

hll_add_agg(hll_hash_integer(uid))    

3、為了按每個標籤維度進行統計,可以使用多維分析語法grouping sets,不必寫多條SQL來實現,資料也只會掃一遍,將按每個標籤維度進行統計

  grouping sets (    
    (t3.tag1),     
    (t3.tag2),    
    (t3.tag3),    
    (...),    
    (t3.tagn)    
  )    

多維分析的語法詳見

《PostgreSQL 9.5 new feature – Support GROUPING SETS, CUBE and ROLLUP.》

《Greenplum 最佳實踐 – 多維分析的使用(CUBE, ROLLUP, GROUPING SETS in GreenPlum and Oracle)》

預計算結果透視查詢

如果進行復雜透視,可以將分析結果的不同記錄進行陣列的邏輯運算,得到最終UID集合結果。

一、陣列邏輯運算

1、在陣列1但不在陣列2的值

create or replace function arr_miner(anyarray, anyarray) returns anyarray as $$    
  select array(select * from (select unnest($1) except select unnest($2)) t group by 1);    
$$ language sql strict;    

2、陣列1和陣列2的交集

create or replace function arr_overlap(anyarray, anyarray) returns anyarray as $$    
  select array(select * from (select unnest($1) intersect select unnest($2)) t group by 1);    
$$ language sql strict;    

3、陣列1和陣列2的並集

create or replace function arr_merge(anyarray, anyarray) returns anyarray as $$      
  select array(select unnest(array_cat($1,$2)) group by 1);    
$$ language sql strict;    

例如在促銷活動前(2017-06-24)的使用者集合為UID1[],促銷活動後(2017-06-25)的使用者集合為UID2[],想知道促銷活動得到了哪些新增使用者。

arr_miner(uid2[], uid1[]) 即可得到。

二、我們使用了HLL型別,HLL本身支援資料的邏輯計算

1、計算唯一值個數

hll_cardinality(users)    

2、計算兩個HLL的並集,得到一個HLL

hll_union()    

例如在促銷活動前(2017-06-24)的使用者集合HLL為uid1_hll,促銷活動後(2017-06-25)的使用者集合HLL為uid2_hll,想知道促銷活動得到了多少新增使用者。

hll_cardinality(uid2_hll) - hll_cardinality(uid1_hll)    

預計算排程

業務以前通過即時JOIN得到透視結果,而現在我們使用事先統計的方法得到透視結果,事先統計本身是需要排程的。

排程方法取決於資料的來源,以及資料合併的方法,流式增量或批量增量。

一、資料按天統計,歷史統計資料無更新,只有增量。

定時將統計結果寫入、合併至t_result結果表。

insert into t_result     
select     
  t1.day,    
  t2.pinpai,    
  t1.groupid,    
  t3.tag1,     
  t3.tag2,    
  t3.tag3,    
  ...    
  count(1) as cnt ,    
  array_agg(uid) as uids ,    
  hll_add_agg(hll_hash_integer(uid)) as hll_uids    
from     
  t1,     
  t2,     
  t3     
where     
  t1.uid = t3.uid     
  and t1.uid = t2.uid     
group by     
  t1.day,    
  t2.pinpai,    
  t1.groupid,    
  grouping sets (    
    (t3.tag1),     
    (t3.tag2),    
    (t3.tag3),    
    (...),    
    (t3.tagn)    
  )    

二、合併統計維度資料

每天的統計結果只有按天統計的結果,如果要查詢按月,或者按年的統計,需要對天的資料查詢並匯聚。

當然,業務也能選擇非同步匯聚,終端使用者查詢匯聚後的結果。

t_result_month (    
  month,    -- yyyy-mm    
  pinpai,   -- 品牌ID    
  groupid,  -- 渠道、地區、門店ID    
  tag1,     -- 標籤型別1    
  tag2,     -- 標籤型別2    
  tag3,     -- 標籤型別3    
  ...       -- 標籤型別n    
  cnt,      -- 使用者數    
  uids,    -- 使用者ID陣列,這個為可選欄位,如果不需要知道ID明細,則不需要儲存    
  hll_uids   -- 使用者HLL估值    
)    

array聚合需要自定義一個聚合函式

postgres=# create aggregate arragg (anyarray) ( sfunc=arr_merge, stype=anyarray);    
CREATE AGGREGATE    
postgres=# select arragg(c1) from (values (array[1,2,3]),(array[2,5,6])) t (c1);    
   arragg        
-------------    
 {6,3,2,1,5}    
(1 row)    

按月匯聚SQL如下

select     
  to_char(day, `yyyy-mm`),    
  pinpai,    
  groupid,    
  tag1,    
  tag2,    
  tag3,    
  ...    
  array_length(arragg(uid),1) as cnt,    
  arragg(uid) as uids,    
  hll_union_agg() as hll_uids    
from t_result    
group by     
  to_char(day, `yyyy-mm`),    
  pinpai,    
  groupid,    
  tag1,    
  tag2,    
  tag3,    
  ...    

按年匯聚以此類推。

三、流式排程

如果業務方有實時統計的需求,那麼可以使用流式計算的方法,實時進行以上聚合統計。方法詳見

《流計算風雲再起 – PostgreSQL攜PipelineDB力挺IoT》

《基於PostgreSQL的流式PipelineDB, 1000萬/s實時統計不是夢》

《”物聯網”流式處理應用 – 用PostgreSQL實時處理(萬億每天)》

如果資料量非常龐大,可以根據分割槽鍵,對資料進行分流,不同的資料落到不同的流計算節點,最後彙總流計算的結果到HybridDB(base on GPDB)中。

《ApsaraDB的左右互搏(PgSQL+HybridDB+OSS) – 解決OLTP+OLAP混合需求》

小結

1、對於透視分析需求,使用倒轉的方法,將資料按查詢需求進行預計算,得到統計結果,從而在透視時僅需查詢計算結果,任意維度透視,都可以做到100毫秒以內的響應速度。

2、使用GROUPING SETS,對多個標籤維度進行一次性統計,降低資料重複掃描和重複運算,大幅提升處理效率。

3、使用陣列,記錄每個透視維度的UID,從而不僅能支援透視,還能支援圈人的需求。同時支援未來更加複雜的透視需求。

4、使用HLL型別,儲存估算值,在進行復雜透視時,可以使用HLL,例如多個HLL的值可以UNION,可以求唯一值個數,通常用於評估UV,新增UV等。

5、使用流計算,如果資料需要實時的統計,那麼可以使用pipelineDB進行流式分析,實時計算統計結果。(pipelineDB正在外掛化,將來使用會更加方便)

6、與阿里云云端元件結合,使用OSS物件儲存過渡資料(原始資料),使用OSS_FDW外部表對接OSS,因此過渡資料可以不入庫,僅僅用於預計算。大幅降低資料庫的寫入需求、空間需求。

7、使用Greenplum的一級、二級分割槽,將透視資料的訪問需求打散到更小的單位,然後使用標籤索引,再次降低資料搜尋的範圍,從而做到任意資料量,任意維度透視請求100毫秒以內響應。

8、使用列儲存,提升壓縮比,節省統計資料的空間佔用。

參考

https://github.com/aggregateknowledge/postgresql-hll


相關文章