Apache kylin 入门

本篇文章就概念、工作机制、数据备份、优势与不足4个方面详细介绍了Apache Kylin。

Apache Kylin 简介

1. Apache kylin 是一个开源的海量数据分布式预处理引擎。它通过 ANSI-SQL 接口，提供基于 hadoop 的超大数据集（TB-PB 级）的多维分析（OLAP）功能。

2. kylin 可实现超大数据集上的亚秒级（sub-second latency）查询。

1）确定 hadoop 上一个星型模式的数据集。

2）构建数据立方体 cube。

3）可通过 ODBC, JDBC,RESTful API 等接口在亚秒级的延迟内查询相

Apache Kylin 核心概念

1. 表（Table ）：表定义在 hive 中，是数据立方体（Data cube）的数据源，在 build cube 之前，必须同步在 kylin 中。

2. 模型（model）: 模型描述了一个星型模式的数据结构，它定义了一个事实表（Fact Table）和多个查找表（Lookup Table）的连接和过滤关系。

3. 立方体（Cube）：它定义了使用的模型、模型中的表的维度（dimension）、度量（measure , 一般指聚合函数，如：sum、count、average 等）、如何对段分区（ segments partition）、合并段（segments auto-merge）等的规则。

4. 立方体段（Cube Segment）：它是立方体构建（build）后的数据载体，一个 segment 映射 hbase 中的一张表，立方体实例构建（build）后，会产生一个新的 segment，一旦某个已经构建的立方体的原始数据发生变化，只需刷新（fresh）变化的时间段所关联的 segment 即可。

5. 作业（Job）：对立方体实例发出构建（build）请求后，会产生一个作业。该作业记录了立方体实例 build 时的每一步任务信息。作业的状态信息反映构建立方体实例的结果信息。如作业执行的状态信息为 RUNNING 时，表明立方体实例正在被构建；若作业状态信息为 FINISHED ，表明立方体实例构建成功；若作业状态信息为 ERROR ，表明立方体实例构建失败！作业的所有状态如下：

1）NEW – This denotes one job has been just created.

2）PENDING – This denotes one job is paused by job scheduler and waiting for resources.

3）RUNNING – This denotes one job is running in progress.

4）FINISHED – This denotes one job is successfully finished.

5）ERROR – This denotes one job is aborted with errors.

6）DISCARDED – This denotes one job is cancelled by end users.

Apache Kylin 工作机制

1. Apache kylin 能提供低延迟（sub-second latency）的秘诀就是预计算，即针对一个星型拓扑结构的数据立方体，预计算多个维度组合的度量，然后将结果保存在 hbase 中，对外暴露 JDBC、ODBC、Rest API 的查询接口，即可实现实时查询。数据立方体一般由 Hive 中的一个事实表, 多个查找表组成。预计算的过程在 kylin 中就是 Cube 的 build 过程，如下图：

2. 当前 Apache kylin 构建（build）数据立方体，采用逐层算法（By Layer Cubing）。未来的发布中将采用快速立方体算法（Fast Cubing）。

下面简单介绍一下逐层算法：

一个完整的数据立方体，由 N-dimension 立方体，N-1 dimension 立方体，N-2 维立方体，0 dimension 立方体这样的层关系组成，除了 N-dimension 立方体，基于原数据计算，其他层的立方体可基于其父层的立方体计算。所以该算法的核心是 N 次顺序的 MapReduce 计算。

在 MapReduce 模型中，key 由维度的组合的构成，value 由度量的组合构成，当一个 Map 读到一个 key-value 对时，它会计算所有的子立方体（child cuboid），在每个子立方体中，Map 从 key 中移除一个维度，将新 key 和 value 输出到 reducer 中。直到当所有层计算完毕，才完成数据立方体的计算。过程如下图：

3. 在数据立方体计算完毕后，有一个任务（Convert Cuboid Data to HFile），其职责是将 reduce 输出的运算结果（Cuboid Data）转化成 Hbase 中的存储载体（HFile），最终将 HFile 加载到 Hbase 表中便于查询。其中表的 rowkey 由维度组合而成，维度组合对应的度量值构成了 column family，为了查询减少存储空间，会对 RowKey 和 column family 的值进行编码，默认编码是 Snappy。

4. 整个数据立方体的构建流程如下：

5. Apache kylin 架构如下：

6. 核心组件：

1）数据立方体构建引擎（Cube Build Engine）：当前底层数据计算引擎支持 MapReduce1、MapReduce2、Spark 等。

2）Rest Server：当前 kylin 采用的 rest API、JDBC、ODBC 接口提供 web 服务。

3）查询引擎（Query Engine）：Rest Server 接收查询请求后，解析 sql 语句，生成执行计划，然后转发查询请求到 Hbase 中，最后将结构返回给 Rest Server。

Apache Kylin 元数据备份

1. 备份元数据

Kylin 将它全部的元数据（包括 cube 描述和实例、项目、倒排索引描述和实例、任务、表和字典）组织成层级文件系统的形式。然而，Kylin 使用 hbase 来存储元数据，而不是一个普通的文件系统。如果你查看过 Kylin 的配置文件（kylin.properties），你会发现这样一行：

## The metadata store in hbase

kylin.metadata.url=kylin_metadata@hbase

这表明元数据会被保存在一个叫作 “kylin_metadata” 的 htable 里。你可以在 hbase shell 里 scan 该 htbale 来获取它。

2. 使用二进制包来备份 Metadata Store 有时你需要将 Kylin 的 Metadata Store 从 hbase 备份到磁盘文件系统。在这种情况下，假设你在部署 Kylin 的 hadoop 命令行（或沙盒）里，你可以到 KYLIN_HOME 并运行：

./bin/metastore.sh backup

来将你的元数据导出到本地目录，这个目录在 KYLIN_HOME/metadata_backps 下，它的命名规则使用了当前时间作为参数：KYLIN_HOME/meta_backups/meta_year_month_day_hour_minute_second 。

3. 使用二进制包来恢复 Metatdara Store

万一你发现你的元数据被搞得一团糟，想要恢复先前的备份：

首先，重置 Metatdara Store（这个会清理 Kylin 在 hbase 的 Metadata Store 的所有信息，请确保先备份）：

./bin/metastore.sh reset

然后上传备份的元数据到 Kylin 的 Metadata Store：

./bin/metastore.sh restore $KYLIN_HOME/meta_backups/meta_xxxx_xx_xx_xx_xx_xx

4. 在开发环境备份 / 恢复元数据在开发调试 Kylin 时，典型的环境是一台装有 IDE 的开发机上和一个后台的沙盒，通常你会写代码并在开发机上运行测试案例，但每次都需要将二进制包放到沙盒里以检查元数据是很麻烦的。这时有一个名为 SandboxMetastoreCLI 工具类可以帮助你在开发机本地下载 / 上传元数据。

5. 从 Metadata Store 清理无用的资源

随着运行时间增长，类似字典、表快照的资源变得没有用（cube segment 被丢弃或者合并了），但是它们依旧占用空间，你可以运行命令来找到并清除它们：

首先，运行一个检查，这是安全的因为它不会改变任何东西：

./bin/metastore.sh clean

将要被删除的资源会被列出来：

接下来，增加 “–delete true” 参数来清理这些资源；在这之前，你应该确保已经备份 metadata store：

./bin/metastore.sh clean –delete true

Apache Kylin 的优势与不足

1. 性能非常稳定。因为 Kylin 依赖的所有服务，比如 Hive、HBase 都是非常成熟的，Kylin 本身的逻辑并不复杂，所以稳定性有一个很好的保证。目前在生产环境中，稳定性可以保证在 99.99% 以上。同时查询时延也比较理想。

2. 特别重要的一点，就是数据的精确性要求。其实现在能做到的只有 Kylin，在这一点上也没有什么太多其他的选择。

3. 从易用性上来讲，Kylin 也有非常多的特点。首先是外围的服务，不管是 Hive 还是 HBase，只要大家用 Hadoop 系统的话基本都有了，不需要额外工作。在部署运维和使用成本上来讲，都是比较低的。Kylin 有一个通用的 Web Server 开放出来，所有用户都可以去测试和定义，只有上线的时候需要管理员再 review 一下，这样体验就会好很多。

4. 查询灵活性。经常有业务方问到，如果 Cube 没定义的话怎么办？现在当然查询只能失败。这个说明有的查询模式不是那么固定的，可能突然要查一个数，但以后都不会再查了。实际上在需要预定义的 OLAP 引擎上，这种需求普遍来讲支持都不是太好。 从维度的角度来看，一般维度的个数在 5-20 个之间，相对来说还是比较适合用 Kylin 的。另一个特点是一般都会有一个日期维度，有可能是当天，也有可能是一个星期，一个月，或者任意一个时间段。另外也会有较多的层次维度，比如组织架构从最上面的大区一直到下面的蜂窝，就是一个典型的层次维度。 从指标的角度来讲，一般情况下指标个数在 50 个以内，相对来说 Kylin 在指标上的限制并没有那么严格，都能满足需求。其中有比较多的表达式指标，在 Kylin 里面聚合函数的参数只能是单独的一列，像 sum(if…) 这种就不能支持，因此需要一些特别的解决方法。另外一个非常重要的问题是数据的精确性，目前在 OLAP 领域，各个系统都是用 hyperloglog 等近似算法做去重计数，这主要是出于开销上的考虑，但业务场景有时要求数据必须是精确的。因此这也是要重点解决的问题

【本文转载自小米运维】