PostgreSQLGPDB 毫秒级海量多维数据透视 案例分享
背景
典型的电商类数据透视业务,透视的语料可能会包含一些用户的标签数据:例如包含品牌的ID,销售区域的ID,品牌对应用户的ID,以及若干用户标签字段,时间字段等。
标签可能会按不同的维度进行归类,例如tag1 性别,tag2 年龄段, tag3 兴趣爱好, …。
业务方较多的需求可能是对自有品牌的用户进行透视,统计不同的销售区域(渠道)、时间段、标签维度下的用户数(一个非常典型的数据透视需求)。
例子
数据结构举例
每天所在区域、销售渠道的活跃用户ID
t1 (
uid, -- 用户ID
groupid, -- 销售渠道、区域ID
day -- 日期
)
每个品牌的自有用户,维护增量
t2 (
uid, -- 用户ID
pinpai -- 品牌
)
用户标签,维护增量
t3 (
uid, -- 用户ID
tag1, -- 标签1,如兴趣
tag2, -- 标签2,如性别
tag3, -- 标签3,如年龄段
... ,
)
透视举例
对某品牌、某销售区域,某标签、某日进行透视。
例如
select
'兴趣' 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
这类查询的运算量较大,而且分析师可能对不同的维度进行比对分析,因此建议采用预计算的方法进行优化。
预计算优化
预计算需要得到的结果如下:
t_result (
day, -- 日期
pinpai, -- 品牌ID
groupid, -- 渠道、地区、门店ID
tag1, -- 标签类型1
tag2, -- 标签类型2
tag3, -- 标签类型3
... -- 标签类型n
cnt, -- 用户数
uids, -- 用户ID数组,这个为可选字段,如果不需要知道ID明细,则不需要保存
hll_uids -- 用户HLL估值
)
对于GPDB,可以使用列存储,表分区则按day范围一级分区,按pinpai, groupid哈希进行二级分区,数据分布策略选择随机分布,最后针对每个tag?字段建立单独索引。 从而实现快速的检索(甭管数据量多大,单次透视请求的速度应该可以控制在100毫秒以内)。
得到这份结果后,分析师的查询简化如下(前三个条件通过分区过滤数据,最后根据tag?的索引快速得到结果):
select
day, pinpai, groupid, 'tag?' as tag, cnt, uids, hll_uids
from t_result
where
day =
and pinpai =
and groupid =
and tag? = ?
预计算后,甚至能以非常少量的运算量,实现更加复杂的维度分析,例如分析某两天的差异用户,分析多个TAG叠加的用户等
预计算的方法
产生统计结果的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)
)
解释:
1、将uid聚合为数组
array_agg(uid)
2、将UID转换为hll hash val,并聚合为HLL类型
hll_add_agg(hll_hash_integer(uid))
3、为了按每个标签维度进行统计,可以使用多维分析语法grouping sets,不必写多条SQL来实现,数据也只会扫一遍,将按每个标签维度进行统计
grouping sets (
(t3.tag1),
(t3.tag2),
(t3.tag3),
(...),
(t3.tagn)
)
多维分析的语法详见
《PostgreSQL 9.5 new feature - Support GROUPING SETS, CUBE and ROLLUP.》
《Greenplum 最佳实践 - 多维分析的使用(CUBE, ROLLUP, GROUPING SETS in GreenPlum and Oracle)》
预计算结果透视查询
如果进行复杂透视,可以将分析结果的不同记录进行数组的逻辑运算,得到最终UID集合结果。
一、数组逻辑运算
1、在数组1但不在数组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、数组1和数组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、数组1和数组2的并集
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;
例如在促销活动前(2017-06-24)的用户集合为UID1[],促销活动后(2017-06-25)的用户集合为UID2[],想知道促销活动得到了哪些新增用户。
arr_miner(uid2[], uid1[]) 即可得到。
二、我们使用了HLL类型,HLL本身支持数据的逻辑计算
1、计算唯一值个数
hll_cardinality(users)
2、计算两个HLL的并集,得到一个HLL
hll_union()
例如在促销活动前(2017-06-24)的用户集合HLL为uid1_hll,促销活动后(2017-06-25)的用户集合HLL为uid2_hll,想知道促销活动得到了多少新增用户。
hll_cardinality(uid2_hll) - hll_cardinality(uid1_hll)
预计算调度
业务以前通过即时JOIN得到透视结果,而现在我们使用事先统计的方法得到透视结果,事先统计本身是需要调度的。
调度方法取决于数据的来源,以及数据合并的方法,流式增量或批量增量。
一、数据按天统计,历史统计数据无更新,只有增量。
定时将统计结果写入、合并至t_result结果表。
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、合并统计维度数据
每天的统计结果只有按天统计的结果,如果要查询按月,或者按年的统计,需要对天的数据查询并汇聚。
当然,业务也能选择异步汇聚,最终用户查询汇聚后的结果。
t_result_month (
month, -- yyyy-mm
pinpai, -- 品牌ID
groupid, -- 渠道、地区、门店ID
tag1, -- 标签类型1
tag2, -- 标签类型2
tag3, -- 标签类型3
... -- 标签类型n
cnt, -- 用户数
uids, -- 用户ID数组,这个为可选字段,如果不需要知道ID明细,则不需要保存
hll_uids -- 用户HLL估值
)
array聚合需要自定义一个聚合函数
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)
按月汇聚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,
...
按年汇聚以此类推。
三、流式调度
如果业务方有实时统计的需求,那么可以使用流式计算的方法,实时进行以上聚合统计。方法详见
《流计算风云再起 - PostgreSQL携PipelineDB力挺IoT》
《基于PostgreSQL的流式PipelineDB, 1000万/s实时统计不是梦》
《”物联网”流式处理应用 - 用PostgreSQL实时处理(万亿每天)》
如果数据量非常庞大,可以根据分区键,对数据进行分流,不同的数据落到不同的流计算节点,最后汇总流计算的结果到HybridDB(base on GPDB)中。
《ApsaraDB的左右互搏(PgSQL+HybridDB+OSS) - 解决OLTP+OLAP混合需求》
小结
1、对于透视分析需求,使用倒转的方法,将数据按查询需求进行预计算,得到统计结果,从而在透视时仅需查询计算结果,任意维度透视,都可以做到100毫秒以内的响应速度。
2、使用GROUPING SETS,对多个标签维度进行一次性统计,降低数据重复扫描和重复运算,大幅提升处理效率。
3、使用数组,记录每个透视维度的UID,从而不仅能支持透视,还能支持圈人的需求。同时支持未来更加复杂的透视需求。
4、使用HLL类型,存储估算值,在进行复杂透视时,可以使用HLL,例如多个HLL的值可以UNION,可以求唯一值个数,通常用于评估UV,新增UV等。
5、使用流计算,如果数据需要实时的统计,那么可以使用pipelineDB进行流式分析,实时计算统计结果。(pipelineDB正在插件化,将来使用会更加方便)
6、与阿里云云端组件结合,使用OSS对象存储过渡数据(原始数据),使用OSS_FDW外部表对接OSS,因此过渡数据可以不入库,仅仅用于预计算。大幅降低数据库的写入需求、空间需求。
7、使用Greenplum的一级、二级分区,将透视数据的访问需求打散到更小的单位,然后使用标签索引,再次降低数据搜索的范围,从而做到任意数据量,任意维度透视请求100毫秒以内响应。
8、使用列存储,提升压缩比,节省统计数据的空间占用。
参考
https://github.com/aggregateknowledge/postgresql-hll