Kylin、Druid、ClickHouse核心技术对比

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。