Kylin、Druid、ClickHouse核心技术对比
共 3214字,需浏览 7分钟
·
2020-11-18 17:07
点击上方蓝色字体,选择“设为星标”
导读 Kylin、Druid、ClickHouse 是目前主流的 OLAP 引擎,本文尝试从数据模型和索引结构两个角度,分析这几个引擎的核心技术,并做简单对比。在阅读本文之前希望能对 Kylin、Druid、ClickHouse 有所理解。
Kylin 数据模型
Kylin 的数据模型本质上是将二维表(Hive 表)转换为 Cube,然后将 Cube 存储到 HBase 表中,也就是两次转换。
第一次转换,其实就是传统数据库的 Cube 化,Cube 由 CuboId 组成,下图每个节点都被称为一个 CuboId,CuboId 表示固定列的数据数据集合,比如“ AB” 两个维度组成的 CuboId 的数据集合等价于以下 SQL 的数据集合:
select A, B, sum(M), sum(N) from table group by A, B
第二次转换,是将 Cube 中的数据存储到 HBase 中,转换的时候 CuboId 和维度信息序列化到 rowkey,度量列组成列簇。在转换的时候数据进行了预聚合。下图展示了 Cube 数据在 HBase 中的存储方式。
Kylin 索引结构
因为 Kylin 将数据存储到 HBase 中,所以 kylin 的数据索引就是 HBase 的索引。HBase 的索引是简化版本的 B+树,相比于 B+树,HFile 没有对数据文件的更新操作。
HFile 的索引是按照 rowkey 排序的聚簇索引,索引树一般为二层或者三层,索引节点比 MySQL 的 B+树大,默认是 64KB。数据查找的时候通过树形结构定位到节点,节点内部数据是按照 rowkey 有序的,可以通过二分查找快速定位到目标。
Kylin 小结:适用于聚合查询场景;因为数据预聚合,Kylin 可以说是最快的查询引擎(group-by 查询这样的复杂查询,可能只需要扫描 1 条数据);kylin 查询效率取决于是否命中 CuboId,查询波动较大;HBase 索引有点类似 MySQL 中的联合索引,维度在 rowkey 中的排序和查询维度组合对查询效率影响巨大;所以 Kylin 建表需要业务专家参与。
Druid 数据模型
Druid 数据模型比较简单,它将数据进行预聚合,只不过预聚合的方式与 Kylin 不同,kylin 是 Cube 化,Druid 的预聚合方式是将所有维度进行 Group-by,可以参考下图:
Druid 索引结构
Druid 索引结构使用自定义的数据结构,整体上它是一种列式存储结构,每个列独立一个逻辑文件(实际上是一个物理文件,在物理文件内部标记了每个列的 start 和 offset)。对于维度列设计了索引,它的索引以 Bitmap 为核心。下图为“city”列的索引结构:
首先将该列所有的唯一值排序,并生成一个字典,然后对于每个唯一值生成一个 Bitmap,Bitmap 的长度为数据集的总行数,每个 bit 代表对应的行的数据是否是该值。Bitmap 的下标位置和行号是一一对应的,所以可以定位到度量列,Bitmap 可以说是反向索引。同时数据结构中保留了字典编码后的所有列值,其为正向的索引。
那么查询如何使用索引呢?以以下查询为例:
select site, sum(pv) from xx where date=2020-01-01 and city='bj' group by site
city列中二分查找dictionary并找到’bj’对应的bitmap
遍历city列,对于每一个字典值对应的bitmap与’bj’的bitmap做与操作
每个相与后的bitmap即为city='bj’查询条件下的site的一个group的pv的索引
通过索引在pv列中查找到相应的行,并做agg
后续计算
Druid 小结:Druid 适用于聚合查询场景但是不适合有超高基维度的场景;存储全维度 group-by 后的数据,相当于只存储了 KYLIN Cube 的 Base-CuboID;每个维度都有创建索引,所以每个查询都很快,并且没有类似 KYLIN 的巨大的查询效率波动。
ClickHouse 索引结构 (只讨论 MergeTree 引擎)
因为 Clickhouse 数据模型就是普通二维表,这里不做介绍,只讨论索引结构。整体上 Clickhouse 的索引也是列式索引结构,每个列一个文件。Clickhouse 索引的大致思路是:首先选取部分列作为索引列,整个数据文件的数据按照索引列有序,这点类似 MySQL 的联合索引;其次将排序后的数据每隔 8192 行选取出一行,记录其索引值和序号,注意这里的序号不是行号,序号是从零开始并递增的,Clickhouse 中序号被称作 Mark’s number;然后对于每个列(索引列和非索引列),记录 Mark’s number 与对应行的数据的 offset。
下图中以一个二维表(date, city, action)为例介绍了整个索引结构,其中(date,city)是索引列。
那么查询如何使用索引呢?以以下查询为例:
select count(distinct action) where date=toDate(2020-01-01) and city=’bj’
二分查找primary.idx并找到对应的mark’s number集合(即数据block集合)
在上一步骤中的 block中,在date和city列中查找对应的值的行号集合,并做交集,确认行号集合
将行号转换为mark’s number 和 offset in block(注意这里的offset以行为单位而不是byte)
在action列中,根据mark’s number和.mark文件确认数据block在bin文件中的offset,然后根据offset in block定位到具体的列值。
后续计算
该实例中包含了对于列的正反两个方向的查找过程。反向:查找 date=toDate(2020-01-01) and city=’bj’数据的行号;正向:根据行号查找 action 列的值。对于反向查找,只有在查找条件匹配最左前缀的时候,才能剪枝掉大量数据,其它时候并不高效。
Clickhouse 小结:MergeTree Family 作为主要引擎系列,其中包含适合明细数据的场景和适合聚合数据的场景;Clickhouse 的索引有点类似 MySQL 的联合索引,当查询前缀元组能命中的时候效率最高,可是一旦不能命中,几乎会扫描整个表,效率波动巨大;所以建表需要业务专家,这一点跟 kylin 类似。
06 小结
Kylin、Druid只适合聚合场景,ClickHouse适合明细和聚合场景
聚合场景,查询效率排序:Kylin > Druid > ClickHouse
Kylin、ClickHouse建表都需要业务专家参与
Kylin、ClickHouse查询效率都可能产生巨大差异
ClickHouse在向量化方面做得的最好,Druid少量算子支持向量化、Kylin目前还不支持向量化计算。
![](https://filescdn.proginn.com/ed04fc5257548ec042393a5715b7be66/83fb984a9c2c0c9d81afb4f6e99fd358.webp)
版权声明:
文章不错?点个【在看】吧! ?