Flink+Hologres亿级用户实时UV精确去重最佳实践-阿里云开发者社区

Flink+Hologres亿级用户实时UV精确去重最佳实践

2021-05-27 2115

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

本文涉及的产品

实时数仓Hologres，5000CU*H 100GB 3个月

简介： Flink+Hologres亿级用户实时UV精确去重最佳实践

UV、PV计算，因为业务需求不同，通常会分为两种场景：

离线计算场景：以T+1为主，计算历史数据
实时计算场景：实时计算日常新增的数据，对用户标签去重

针对离线计算场景，Hologres基于RoaringBitmap，提供超高基数的UV计算，只需进行一次最细粒度的预聚合计算，也只生成一份最细粒度的预聚合结果表，就能达到亚秒级查询。具体详情可以参见往期文章>>Hologres如何支持超高基数UV计算(基于RoaringBitmap实现)

对于实时计算场景，可以使用Flink+Hologres方式，并基于RoaringBitmap，实时对用户标签去重。这样的方式，可以较细粒度的实时得到用户UV、PV数据，同时便于根据需求调整最小统计窗口（如最近5分钟的UV），实现类似实时监控的效果，更好的在大屏等BI展示。相较于以天、周、月等为单位的去重，更适合在活动日期进行更细粒度的统计，并且通过简单的聚合，也可以得到较大时间单位的统计结果。

主体思想

Flink将流式数据转化为表与维表进行JOIN操作，再转化为流式数据。此举可以利用Hologres维表的insertIfNotExists特性结合自增字段实现高效的uid映射。
Flink把关联的结果数据按照时间窗口进行处理，根据查询维度使用RoaringBitmap进行聚合，并将查询维度以及聚合的uid存放在聚合结果表，其中聚合出的uid结果放入Hologres的RoaringBitmap类型的字段中。
查询时，与离线方式相似，直接按照查询条件查询聚合结果表，并对其中关键的RoaringBitmap字段做or运算后并统计基数，即可得出对应用户数。
处理流程如下图所示

方案最佳实践

1.创建相关基础表

1）创建表uid_mapping为uid映射表，用于映射uid到32位int类型。

RoaringBitmap类型要求用户ID必须是32位int类型且越稠密越好（即用户ID最好连续）。常见的业务系统或者埋点中的用户ID很多是字符串类型或Long类型，因此需要使用uid_mapping类型构建一张映射表。映射表利用Hologres的SERIAL类型（自增的32位int）来实现用户映射的自动管理和稳定映射。
由于是实时数据, 设置该表为行存表，以提高Flink维表实时JOIN的QPS。

BEGIN;CREATETABLE public.uid_mapping(uid textNOTNULL,uid_int32 serial,PRIMARY KEY (uid));--将uid设为clustering_key和distribution_key便于快速查找其对应的int32值CALL set_table_property('public.uid_mapping','clustering_key','uid');CALL set_table_property('public.uid_mapping','distribution_key','uid');CALL set_table_property('public.uid_mapping','orientation','row');COMMIT;

2）创建表dws_app为基础聚合表，用于存放在基础维度上聚合后的结果。

使用RoaringBitmap前需要创建RoaringBitmap extention，同时也需要Hologres实例为0.10版本

CREATE EXTENSION IF NOT EXISTS roaringbitmap;

为了更好性能，建议根据基础聚合表数据量合理的设置Shard数，但建议基础聚合表的Shard数设置不超过计算资源的Core数。推荐使用以下方式通过Table Group来设置Shard数

--新建shard数为16的Table Group，--因为测试数据量百万级，其中后端计算资源为100core，设置shard数为16BEGIN;CREATETABLE tg16 (a int);--Table Group哨兵表call set_table_property('tg16','shard_count','16');COMMIT;

相比离线结果表，此结果表增加了时间戳字段，用于实现以Flink窗口周期为单位的统计。结果表DDL如下：

BEGIN;createtable dws_app(  country text,  prov text,  city text,  ymd textNOTNULL,--日期字段  timetz TIMESTAMPTZ,--统计时间戳，可以实现以Flink窗口周期为单位的统计  uid32_bitmap roaringbitmap,-- 使用roaringbitmap记录uv  primary key(country, prov, city, ymd, timetz)--查询维度和时间作为主键，防止重复插入数据);CALL set_table_property('public.dws_app','orientation','column');--日期字段设为clustering_key和event_time_column，便于过滤CALL set_table_property('public.dws_app','clustering_key','ymd');CALL set_table_property('public.dws_app','event_time_column','ymd');--等价于将表放在shard数为16的table groupcall set_table_property('public.dws_app','colocate_with','tg16');--group by字段设为distribution_keyCALL set_table_property('public.dws_app','distribution_key','country,prov,city');COMMIT;

2.Flink实时读取数据并更新dws_app基础聚合表

完整示例源码请见alibabacloud-hologres-connectors examples

1）Flink 流式读取数据源（DataStream），并转化为源表（Table）

//此处使用csv文件作为数据源，也可以是kafka等DataStreamSourceodsStream=env.createInput(csvInput, typeInfo);
// 与维表join需要添加proctime字段，详见https://help.aliyun.com/document_detail/62506.htmlTableodsTable=tableEnv.fromDataStream(
odsStream,
$("uid"),
$("country"),
$("prov"),
$("city"),
$("ymd"),
$("proctime").proctime());
// 注册到catalog环境tableEnv.createTemporaryView("odsTable", odsTable);

2）将源表与Hologres维表（uid_mapping）进行关联

其中维表使用insertIfNotExists参数，即查询不到数据时自行插入，uid_int32字段便可以利用Hologres的serial类型自增创建。

// 创建Hologres维表，其中nsertIfNotExists表示查询不到则自行插入StringcreateUidMappingTable=String.format(
"create table uid_mapping_dim("+"  uid string,"+"  uid_int32 INT"+") with ("+"  'connector'='hologres',"+"  'dbname' = '%s',"//Hologres DB名+"  'tablename' = '%s',"//Hologres 表名+"  'username' = '%s',"//当前账号access id+"  'password' = '%s',"//当前账号access key+"  'endpoint' = '%s',"//Hologres endpoint+"  'insertifnotexists'='true'"+")",
database, dimTableName, username, password, endpoint);
tableEnv.executeSql(createUidMappingTable);
// 源表与维表joinStringodsJoinDim="SELECT ods.country, ods.prov, ods.city, ods.ymd, dim.uid_int32"+"  FROM odsTable AS ods JOIN uid_mapping_dim FOR SYSTEM_TIME AS OF ods.proctime AS dim"+"  ON ods.uid = dim.uid";
TablejoinRes=tableEnv.sqlQuery(odsJoinDim);

3）将关联结果转化为DataStream，通过Flink时间窗口处理，结合RoaringBitmap进行聚合

DataStream<Tuple6<String, String, String, String, Timestamp, byte[]>>processedSource=source// 筛选需要统计的维度（country, prov, city, ymd）    .keyBy(0, 1, 2, 3)
// 滚动时间窗口；此处由于使用读取csv模拟输入流，采用ProcessingTime，实际使用中可使用EventTime    .window(TumblingProcessingTimeWindows.of(Time.minutes(5)))
// 触发器，可以在窗口未结束时获取聚合结果    .trigger(ContinuousProcessingTimeTrigger.of(Time.minutes(1)))
    .aggregate(
// 聚合函数，根据key By筛选的维度，进行聚合newAggregateFunction<Tuple5<String, String, String, String, Integer>,
RoaringBitmap,
RoaringBitmap>() {
@OverridepublicRoaringBitmapcreateAccumulator() {
returnnewRoaringBitmap();
            }
@OverridepublicRoaringBitmapadd(
Tuple5<String, String, String, String, Integer>in,
RoaringBitmapacc) {
// 将32位的uid添加到RoaringBitmap进行去重acc.add(in.f4);
returnacc;
            }
@OverridepublicRoaringBitmapgetResult(RoaringBitmapacc) {
returnacc;
            }
@OverridepublicRoaringBitmapmerge(
RoaringBitmapacc1, RoaringBitmapacc2) {
returnRoaringBitmap.or(acc1, acc2);
            }
     },
//窗口函数，输出聚合结果newWindowFunction<RoaringBitmap,
Tuple6<String, String, String, String, Timestamp, byte[]>,
Tuple,
TimeWindow>() {
@Overridepublicvoidapply(
Tuplekeys,
TimeWindowtimeWindow,
Iterable<RoaringBitmap>iterable,
Collector<Tuple6<String, String, String, String, Timestamp, byte[]>>out)
throwsException {
RoaringBitmapresult=iterable.iterator().next();
// 优化RoaringBitmapresult.runOptimize();
// 将RoaringBitmap转化为字节数组以存入Holo中byte[] byteArray=newbyte[result.serializedSizeInBytes()];
result.serialize(ByteBuffer.wrap(byteArray));
// 其中 Tuple6.f4(Timestamp) 字段表示以窗口长度为周期进行统计，以秒为单位out.collect(
newTuple6<>(
keys.getField(0),
keys.getField(1),
keys.getField(2),
keys.getField(3),
newTimestamp(
timeWindow.getEnd() /1000*1000),
byteArray));
        }
    });

4）写入结果表

需要注意的是，Hologres中RoaringBitmap类型在Flink中对应Byte数组类型

// 计算结果转换为表TableresTable=tableEnv.fromDataStream(
processedSource,
$("country"),
$("prov"),
$("city"),
$("ymd"),
$("timest"),
$("uid32_bitmap"));
// 创建Hologres结果表, 其中Hologres的RoaringBitmap类型通过Byte数组存入StringcreateHologresTable=String.format(
"create table sink("+"  country string,"+"  prov string,"+"  city string,"+"  ymd string,"+"  timetz timestamp,"+"  uid32_bitmap BYTES"+") with ("+"  'connector'='hologres',"+"  'dbname' = '%s',"+"  'tablename' = '%s',"+"  'username' = '%s',"+"  'password' = '%s',"+"  'endpoint' = '%s',"+"  'connectionSize' = '%s',"+"  'mutatetype' = 'insertOrReplace'"+")",
database, dwsTableName, username, password, endpoint, connectionSize);
tableEnv.executeSql(createHologresTable);
// 写入计算结果到dws表tableEnv.executeSql("insert into sink select * from "+resTable);

3.数据查询

查询时，从基础聚合表(dws_app)中按照查询维度做聚合计算，查询bitmap基数，得出group by条件下的用户数

查询某天内各个城市的uv

--运行下面RB_AGG运算查询，可执行参数先关闭三阶段聚合开关（默认关闭）,性能更好sethg_experimental_enable_force_three_stage_agg=offSELECTcountry        ,prov        ,city        ,RB_CARDINALITY(RB_OR_AGG(uid32_bitmap)) ASuvFROMdws_appWHEREymd='20210329'GROUPBYcountry         ,prov         ,city;

查询某段时间内各个省份的uv

--运行下面RB_AGG运算查询，可执行参数先关闭三阶段聚合开关（默认关闭）,性能更好sethg_experimental_enable_force_three_stage_agg=offSELECTcountry        ,prov        ,RB_CARDINALITY(RB_OR_AGG(uid32_bitmap)) ASuvFROMdws_appWHEREtime>'2021-04-19 18:00:00+08'andtime<'2021-04-19 19:00:00+08'GROUPBYcountry         ,prov;