druid-docs-cn/DataIngestion/schemadesign.md

14 KiB
Raw Blame History

Schema设计

Druid数据模型

有关一般信息,请查看摄取概述页面上有关 Druid数据模型 的文档。本页的其余部分将讨论来自其他类型系统的用户的提示,以及一般提示和常见做法。

  • Druid数据存储在 数据源与传统RDBMS中的表类似。
  • Druid数据源可以在摄取过程中使用或不使用 rollup 。启用rollup后Druid会在接收期间部分聚合您的数据这可能会减少其行数减少存储空间并提高查询性能。禁用rollup后Druid为输入数据中的每一行存储一行而不进行任何预聚合。
  • Druid的每一行都必须有时间戳。数据总是按时间进行分区每个查询都有一个时间过滤器。查询结果也可以按时间段如分钟、小时、天等进行细分。
  • 除了timestamp列之外Druid数据源中的所有列都是dimensions或metrics。这遵循 OLAP数据的标准命名约定
  • 典型的生产数据源有几十到几百列。
  • dimension列 按原样存储因此可以在查询时对其进行筛选、分组或聚合。它们总是单个字符串、字符串数组、单个long、单个double或单个float。
  • Metrics列预聚合 存储的,因此它们只能在查询时聚合(不能按筛选或分组)。它们通常存储为数字(整数或浮点数),但也可以存储为复杂对象,如HyperLogLog草图或近似分位数草图。即使禁用了rollup也可以在接收时配置metrics但在启用汇总时最有用。

与其他设计模式类比

关系模型

(如 Hive 或者 PostgreSQL

Druid数据源通常相当于关系数据库中的表。Druid的 lookups特性 可以类似于数据仓库样式的维度表,但是正如您将在下面看到的,如果您能够摆脱它,通常建议您进行非规范化。

关系数据建模的常见实践涉及 规范化 的思想:将数据拆分为多个表,从而减少或消除数据冗余。例如,在"sales"表中,最佳实践关系建模要求将"product id"列作为外键放入单独的"products"表中,该表依次具有"product id"、"product name"和"product category"列, 这可以防止产品名称和类别需要在"sales"表中引用同一产品的不同行上重复。

另一方面在Druid中通常使用在查询时不需要连接的完全平坦的数据源。在"sales"表的例子中在Druid中通常直接将"product_id"、"product_name"和"product_category"作为维度存储在Druid "sales"数据源中,而不使用单独的"products"表。完全平坦的模式大大提高了性能因为查询时不需要连接。作为一个额外的速度提升这也允许Druid的查询层直接操作压缩字典编码的数据。因为Druid使用字典编码来有效地为字符串列每行存储一个整数, 所以可能与直觉相反,这并没有显著增加相对于规范化模式的存储空间。

如果需要的话,可以通过使用 lookups 规范化Druid数据源这大致相当于关系数据库中的维度表。在查询时您将使用Druid的SQL LOOKUP 查找函数或者原生 lookup 提取函数而不是像在关系数据库中那样使用JOIN关键字。由于lookup表会增加内存占用并在查询时产生更多的计算开销因此仅当需要更新lookup表并立即反映主表中已摄取行的更改时才建议执行此操作。

在Druid中建模关系数据的技巧

  • Druid数据源没有主键或唯一键所以跳过这些。
  • 如果可能的话去规格化。如果需要定期更新dimensions/lookup并将这些更改反映在已接收的数据中请考虑使用 lookups 进行部分规范化。
  • 如果需要将两个大型的分布式表连接起来则必须在将数据加载到Druid之前执行此操作。Druid不支持两个数据源的查询时间连接。lookup在这里没有帮助因为每个lookup表的完整副本存储在每个Druid服务器上所以对于大型表来说它们不是一个好的选择。
  • 考虑是否要为预聚合启用rollup或者是否要禁用rollup并按原样加载现有数据。Druid中的Rollup类似于在关系模型中创建摘要表。

时序模型

(如 OpenTSDB 或者 InfluxDB

与时间序列数据库类似Druid的数据模型需要时间戳。Druid不是时序数据库但它同时也是存储时序数据的自然选择。它灵活的数据模型允许它同时存储时序和非时序数据甚至在同一个数据源中。

为了在Druid中实现时序数据的最佳压缩和查询性能像时序数据库经常做的一样按照metric名称进行分区和排序很重要。有关详细信息请参见 分区和排序

在Druid中建模时序数据的技巧

  • Druid并不认为数据点是"时间序列"的一部分。相反Druid对每一点分别进行摄取和聚合
  • 创建一个维度,该维度指示数据点所属系列的名称。这个维度通常被称为"metric"或"name"。不要将名为"metric"的维度与Druid Metrics的概念混淆。将它放在"dimensionsSpec"中维度列表的第一个位置,以获得最佳性能(这有助于提高局部性;有关详细信息,请参阅下面的 分区和排序
  • 为附着到数据点的属性创建其他维度。在时序数据库系统中,这些通常称为"标签"
  • 创建与您希望能够查询的聚合类型相对应的 Druid Metrics。通常这包括"sum"、"min"和"max"在long、float或double中的一种。如果你想计算百分位数或分位数可以使用Druid的 近似聚合器
  • 考虑启用 rollup这将允许Druid潜在地将多个点合并到Druid数据源中的一行中。如果希望以不同于原始发出的时间粒度存储数据则这可能非常有用。如果要在同一个数据源中组合时序和非时序数据它也很有用
  • 如果您提前不知道要摄取哪些列,请使用空的维度列表来触发 维度列的自动检测

日志聚合模型

(如 ElasticSearch 或者 Splunk

与日志聚合系统类似Druid提供反向索引用于快速搜索和筛选。Druid的搜索能力通常不如这些系统发达其分析能力通常更为发达。Druid和这些系统之间的主要数据建模差异在于在将数据摄取到Druid中时必须更加明确。Druid列具有特定的类型而Druid目前不支持嵌套数据。

在Druid中建模日志数据的技巧

  • 如果您提前不知道要摄取哪些列,请使用空维度列表来触发 维度列的自动检测
  • 如果有嵌套数据,请使用 展平规范 将其扁平化
  • 如果您主要有日志数据的分析场景,请考虑启用 rollup,这意味着您将失去从Druid中检索单个事件的能力但您可能获得大量的压缩和查询性能提升

一般提示以及最佳实践

Rollup

Druid可以在接收数据时将其汇总以最小化需要存储的原始数据量。这是一种汇总或预聚合的形式。有关更多详细信息请参阅摄取文档的 汇总部分

分区与排序

对数据进行最佳分区和排序会对占用空间和性能产生重大影响。有关更多详细信息,请参阅摄取文档的 分区部分

Sketches高基维处理

在处理高基数列如用户ID或其他唯一ID请考虑使用草图(sketches)进行近似分析,而不是对实际值进行操作。当您使用草图(sketches)摄取数据时Druid不存储原始原始数据而是存储它的"草图(sketches)",它可以在查询时输入到以后的计算中。草图(sketches)的常用场景包括 count-distinct 和分位数计算。每个草图都是为一种特定的计算而设计的。

一般来说,使用草图(sketches)有两个主要目的改进rollup和减少查询时的内存占用。

草图(sketches)可以提高rollup比率因为它们允许您将多个不同的值折叠到同一个草图(sketches)中。例如如果有两行除了用户ID之外都是相同的可能两个用户同时执行了相同的操作则将它们存储在 count-distinct sketch 中而不是按原样这意味着您可以将数据存储在一行而不是两行中。您将无法检索用户id或计算精确的非重复计数但您仍将能够计算近似的非重复计数并且您将减少存储空间。

草图(sketches)减少了查询时的内存占用因为它们限制了需要在服务器之间洗牌的数据量。例如在分位数计算中Druid不需要将所有数据点发送到中心位置以便对它们进行排序和计算分位数而只需要发送点的草图。这可以将数据传输需要减少到仅千字节。

有关Druid中可用的草图的详细信息请参阅 近似聚合器页面

如果你更喜欢 视频那就看一看吧一个讨论Druid Sketches的会议。

字符串 VS 数值维度

如果用户希望将列摄取为数值类型的维度Long、Double或Float则需要在 dimensionsSpecdimensions 部分中指定列的类型。如果省略了该类型Druid会将列作为默认的字符串类型。

字符串列和数值列之间存在性能折衷。数值列通常比字符串列更快分组。但与字符串列不同,数值列没有索引,因此可以更慢地进行筛选。您可能想尝试为您的用例找到最佳选择。

有关如何配置数值维度的详细信息,请参阅 dimensionsSpec文档

辅助时间戳

Druid schema必须始终包含一个主时间戳, 主时间戳用于对数据进行 分区和排序因此它应该是您最常筛选的时间戳。Druid能够快速识别和检索与主时间戳列的时间范围相对应的数据。

如果数据有多个时间戳,则可以将其他时间戳作为辅助时间戳摄取。最好的方法是将它们作为 毫秒格式的Long类型维度 摄取。如有必要,可以使用 transformSpectimestamp_parse表达式 将它们转换成这种格式,后者返回毫秒时间戳。

在查询时,可以使用诸如 MILLIS_TO_TIMESTAMPTIME_FLOORSQL时间函数 查询辅助时间戳。如果您使用的是原生Druid查询那么可以使用 表达式

嵌套维度

在编写本文时Druid不支持嵌套维度。嵌套维度需要展平例如如果您有以下数据

{"foo":{"bar": 3}}

然后在编制索引之前,应将其转换为:

{"foo_bar": 3}

Druid能够将JSON、Avro或Parquet输入数据展平化。请阅读 展平规格 了解更多细节。

计数接收事件数

启用rollup后查询时的计数聚合器(count aggregator)实际上不会告诉您已摄取的行数。它们告诉您Druid数据源中的行数可能小于接收的行数。

在这种情况下,可以使用摄取时的计数聚合器来计算事件数。但是需要注意的是在查询此Metrics时应该使用 longSum 聚合器。查询时的 count 聚合器将返回时间间隔的Druid行数该行数可用于确定rollup比率。

为了举例说明,如果摄取规范包含:

...
"metricsSpec" : [
      {
        "type" : "count",
        "name" : "count"
      },
...

您应该使用查询:

...
"aggregations": [
    { "type": "longSum", "name": "numIngestedEvents", "fieldName": "count" },
...

无schema的维度列

如果摄取规范中的 dimensions 字段为空Druid将把不是timestamp列、已排除的维度和metric列之外的每一列都视为维度。

注意当使用无schema摄取时所有维度都将被摄取为字符串类型的维度。

包含与Dimension和Metric相同的列

一个具有唯一ID的工作流能够对特定ID进行过滤同时仍然能够对ID列进行快速的唯一计数。如果不使用无schema维度则通过将Metric的 name 设置为与维度不同的值来支持此场景。如果使用无schema维度这里的最佳实践是将同一列包含两次一次作为维度一次作为 hyperUnique Metric。这可能涉及到ETL时的一些工作。

例如对于无schema维度请重复同一列

{"device_id_dim":123, "device_id_met":123}

同时在 metricsSpec 中包含:

{ "type" : "hyperUnique", "name" : "devices", "fieldName" : "device_id_met" }

device_id_dim 将自动作为维度来被选取