关于flink:FlinkHologres亿级用户实时UV精确去重最佳实践

简介：Flink+Hologres 亿级用户实时 UV 准确去重最佳实际

UV、PV 计算，因为业务需要不同，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后果表，就能达到亚秒级查问。具体详情能够参见往期文章 >>Hologres 如何反对超高基数 UV 计算(基于 RoaringBitmap 实现)

对于实时计算场景，能够应用 Flink+Hologres 形式，并基于 RoaringBitmap，实时对用户标签去重。这样的形式，能够较细粒度的实时失去用户 UV、PV 数据，同时便于依据需要调整最小统计窗口（如最近 5 分钟的 UV），实现相似实时监控的成果，更好的在大屏等 BI 展现。相较于以天、周、月等为单位的去重，更适宜在流动日期进行更细粒度的统计，并且通过简略的聚合，也能够失去较大工夫单位的统计后果。

主体思维

1. 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。此举能够利用 Hologres 维表的 insertIfNotExists 个性联合自增字段实现高效的 uid 映射。
2. Flink 把关联的后果数据依照工夫窗口进行解决，依据查问维度应用 RoaringBitmap 进行聚合，并将查问维度以及聚合的 uid 寄存在聚合后果表，其中聚合出的 uid 后果放入 Hologres 的 RoaringBitmap 类型的字段中。
3. 查问时，与离线形式类似，间接依照查问条件查问聚合后果表，并对其中要害的 RoaringBitmap 字段做 or 运算后并统计基数，即可得出对应用户数。
4. 解决流程如下图所示

计划最佳实际

1. 创立相干根底表

1）创立表 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 类型且越浓密越好（即用户 ID 最好间断）。常见的业务零碎或者埋点中的用户 ID 很多是字符串类型或 Long 类型，因而须要应用 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）来实现用户映射的主动治理和稳固映射。

• 因为是实时数据, 设置该表为行存表，以进步 Flink 维表实时 JOIN 的 QPS。

BEGIN;
CREATE TABLE public.uid_mapping (
uid text NOT NULL,
uid_int32 serial,
PRIMARY KEY (uid)
);
-- 将 uid 设为 clustering_key 和 distribution_key 便于疾速查找其对应的 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）创立表 dws_app 为根底聚合表，用于寄存在根底维度上聚合后的后果。

• 应用 RoaringBitmap 前须要创立 RoaringBitmap extention，同时也须要 Hologres 实例为 0.10 版本

CREATE EXTENSION IF NOT EXISTS roaringbitmap;

• 为了更好性能，倡议依据根底聚合表数据量正当的设置 Shard 数，但倡议根底聚合表的 Shard 数设置不超过计算资源的 Core 数。举荐应用以下形式通过 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 16
BEGIN;
CREATE TABLE tg16 (a int);                             --Table Group 哨兵表
call set_table_property('tg16', 'shard_count', '16'); 
COMMIT;

• 相比离线后果表，此后果表减少了工夫戳字段，用于实现以 Flink 窗口周期为单位的统计。后果表 DDL 如下：

BEGIN;
create table dws_app(
  country text,
  prov text,
  city text, 
  ymd text NOT NULL,  -- 日期字段
  timetz TIMESTAMPTZ,  -- 统计工夫戳，能够实现以 Flink 窗口周期为单位的统计
  uid32_bitmap roaringbitmap, -- 应用 roaringbitmap 记录 uv
  primary key(country, prov, city, ymd, timetz)-- 查问维度和工夫作为主键，避免反复插入数据
);
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 group
call set_table_property('public.dws_app', 'colocate_with', 'tg16');
--group by 字段设为 distribution_key
CALL 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 根底聚合表

残缺示例源码请见 alibabacloud-hologres-connectors examples

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

// 此处应用 csv 文件作为数据源，也能够是 kafka 等
DataStreamSource odsStream = env.createInput(csvInput, typeInfo);
// 与维表 join 须要增加 proctime 字段，详见 https://help.aliyun.com/document_detail/62506.html
Table odsTable =
    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

其中维表应用 insertIfNotExists 参数，即查问不到数据时自行插入，uid_int32 字段便能够利用 Hologres 的 serial 类型自增创立。

// 创立 Hologres 维表，其中 nsertIfNotExists 示意查问不到则自行插入
String createUidMappingTable =
    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'," // 以后账号 access id
    + "'password' = '%s'," // 以后账号 access key
    + "'endpoint' = '%s'," //Hologres endpoint
    + "'insertifnotexists'='true'"
    + ")",
    database, dimTableName, username, password, endpoint);
tableEnv.executeSql(createUidMappingTable);
// 源表与维表 join
String odsJoinDim =
    "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";
Table joinRes = tableEnv.sqlQuery(odsJoinDim);

3）将关联后果转化为 DataStream，通过 Flink 工夫窗口解决，联合 RoaringBitmap 进行聚合

DataStream<Tuple6<String, String, String, String, Timestamp, byte[]>> processedSource =
    source
    // 筛选须要统计的维度（country, prov, city, ymd）.keyBy(0, 1, 2, 3)
    // 滚动工夫窗口；此处因为应用读取 csv 模仿输出流，采纳 ProcessingTime，理论应用中可应用 EventTime
    .window(TumblingProcessingTimeWindows.of(Time.minutes(5)))
    // 触发器，能够在窗口未完结时获取聚合后果
    .trigger(ContinuousProcessingTimeTrigger.of(Time.minutes(1)))
    .aggregate(
    // 聚合函数，依据 key By 筛选的维度，进行聚合
    new AggregateFunction<
        Tuple5<String, String, String, String, Integer>,
        RoaringBitmap,
        RoaringBitmap>() {
            @Override
            public RoaringBitmap createAccumulator() {return new RoaringBitmap();
            }
            @Override
            public RoaringBitmap add(
                Tuple5<String, String, String, String, Integer> in,
                RoaringBitmap acc) {
                // 将 32 位的 uid 增加到 RoaringBitmap 进行去重
                acc.add(in.f4);
                return acc;
            }
            @Override
            public RoaringBitmap getResult(RoaringBitmap acc) {return acc;}
            @Override
            public RoaringBitmap merge(RoaringBitmap acc1, RoaringBitmap acc2) {return RoaringBitmap.or(acc1, acc2);
            }
     },
    // 窗口函数，输入聚合后果
    new WindowFunction<
        RoaringBitmap,
        Tuple6<String, String, String, String, Timestamp, byte[]>,
        Tuple,
        TimeWindow>() {
            @Override
            public void apply(
                Tuple keys,
                TimeWindow timeWindow,
                Iterable<RoaringBitmap> iterable,
                Collector<
                Tuple6<String, String, String, String, Timestamp, byte[]>> out)
                throws Exception {RoaringBitmap result = iterable.iterator().next();
                // 优化 RoaringBitmap
                result.runOptimize();
                // 将 RoaringBitmap 转化为字节数组以存入 Holo 中
                byte[] byteArray = new byte[result.serializedSizeInBytes()];
                result.serialize(ByteBuffer.wrap(byteArray));
                // 其中 Tuple6.f4(Timestamp) 字段示意以窗口长度为周期进行统计，以秒为单位
                out.collect(
                    new Tuple6<>(keys.getField(0),
                        keys.getField(1),
                        keys.getField(2),
                        keys.getField(3),
                        new Timestamp(timeWindow.getEnd() / 1000 * 1000),
                        byteArray));
        }
    });

4）写入后果表

须要留神的是，Hologres 中 RoaringBitmap 类型在 Flink 中对应 Byte 数组类型
// 计算结果转换为表
Table resTable =
    tableEnv.fromDataStream(
        processedSource,
        $("country"),
        $("prov"),
        $("city"),
        $("ymd"),
        $("timest"),
        $("uid32_bitmap"));
// 创立 Hologres 后果表, 其中 Hologres 的 RoaringBitmap 类型通过 Byte 数组存入
String createHologresTable =
    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. 数据查问

查问时，从根底聚合表 (dws_app) 中依照查问维度做聚合计算，查问 bitmap 基数，得出 group by 条件下的用户数

• 查问某天内各个城市的 uv

-- 运行上面 RB_AGG 运算查问，可执行参数先敞开三阶段聚合开关（默认敞开）, 性能更好
set hg_experimental_enable_force_three_stage_agg=off  
SELECT  country
        ,prov
        ,city
        ,RB_CARDINALITY(RB_OR_AGG(uid32_bitmap)) AS uv
FROM    dws_app
WHERE   ymd = '20210329'
GROUP BY country
         ,prov
         ,city
;

• 查问某段时间内各个省份的 uv

-- 运行上面 RB_AGG 运算查问，可执行参数先敞开三阶段聚合开关（默认敞开）, 性能更好
set hg_experimental_enable_force_three_stage_agg=off 
SELECT  country
        ,prov
        ,RB_CARDINALITY(RB_OR_AGG(uid32_bitmap)) AS uv
FROM    dws_app
WHERE   time > '2021-04-19 18:00:00+08' and time < '2021-04-19 19:00:00+08'
GROUP BY country
     ![image.png](/img/bVcS3Mq)

原文链接
本文为阿里云原创内容，未经容许不得转载。