DRuid 大数据分析之查询

转载自http://yangyangmyself.iteye.com/blog/2321759

1、Druid 查询概述

     上一节完成数据导入后，接下来讲讲Druid如何查询及统计分析导入的数据。
    Druid的查询是使用REST风格的HTTP请求查询服务节点（Broker、Historical、Realtime），这些服务节点暴露REST查询接口，客户端发送Json对象请求查询接口。一般情况下，查询服务接口发布在Broker节点，基于Linux 的POST请求查询如下所示： 

/**
* port: 查询请求接口对应Broker，默认8082端口
* query_json_file: 查询Json对象文件（配置）
*/
curl -X POST ':/druid/v2/?pretty' -H 'Content-Type:application/json' -d @

 

2、Druid 查询类型

     Druid在不同场景下，有很多的查询类型。查询是由各种JSON属性和Druid有不同类型的不同场景下查询组成。对于各种类型的查询类型的配置可以json属性文件设置。Druid查询类型，概括一下为3大类：
     1. 聚合查询 - 时间序列查询（Timeseries）、排名查询（TopN）、分组查询（GroupBy）
     2. 元数据查询 - 时间范围(Time Boundary) 、段元数据(Segment Metadata)、数据源(Datasource)
     3. Search查询 - Search
     本节以聚合查询为主，其它查询类型比较简单，使用上相对比较少，暂不介绍。对聚合查询类型下的3种查询如何选择进行一下概述：
     在可能的情况下，我们建议使用的时间序列和TopN查询代替分组查询，分组查询是Druid最灵活的的查询，但是性能最差。时间序列查询是明显快于GROUPBY查询，因为聚合不需要分组尺寸。对于分组和排序在一个单一的维度，TopN查询更优于GROUPBY。

 

2.1 Json查询属性

在讲聚合查询下的3种查询类型之前，我们需要对3种查询类型共有的特别重要的Json属性理解与熟悉，常用属性如：queryType、dataSource、granularity、filter、aggregator等。

 

2.1.1 查询类型（queryType）

对应聚合查询下的3种类型值：timeseries、topN、groupBy

 

2.1.2 数据源（dataSource）

数据源，类似数据库中表的概念，对应数据导入时Json配置属性dataSource值

 

2.1.3 聚合粒度（granularity）

    粒度决定如何得到数据块在跨时间维度，或者如何得到按小时，天，分钟的汇总等。在配置查询聚合粒度里有三种配置方法：
     1. 简单聚合粒度 - 支持字符串值有：all、none、second、minute、fifteen_minute、thirty_minute、hour、day、week、month、quarter、year
       (1) all - 将所有块变成一块
       (2) none - 不使用块数据（它实际上是使用最小索引的粒度，none意味着为毫秒级的粒度）；按时间序列化查询时不建议使用none，因为所有的毫秒不存在，系统也将尝试生成0值，这往往是很多。
     2. 时间段聚合粒度 - Druid指定一精确的持续时间（毫秒）和时间缀返回UTC（世界标准时间）。
     3. 常用时间段聚合粒度 - 与时间段聚合粒度差不多，但是常用时间指平时我们常用时间段，如年、月、周、小时等。
    下面对3种聚合粒度配置举例说明：

  

    简单聚合粒度

        查询粒度比数据采集时配置的粒度小，则不合理，也无意义，因较小粒度（相比）者无索引数据；如
    查询粒度小于采集时配置的查询粒度时，则Druid的查询结果与采集数据配置的查询粒度结果一样。

        假设我们存储在Druid的数据使用毫秒粒度获取，数据如下：

{"timestamp": "2013-08-31T01:02:33Z", "page": "AAA", "language" : "en"}
{"timestamp": "2013-09-01T01:02:33Z", "page": "BBB", "language" : "en"}
{"timestamp": "2013-09-02T23:32:45Z", "page": "CCC", "language" : "en"}
{"timestamp": "2013-09-03T03:32:45Z", "page": "DDD", "language" : "en"}

       以"小时" 粒度提交一个groupby查询，查询配置如下：

{
   "queryType":"groupBy",
   "dataSource":"dataSource",
   "granularity":"hour",
   "dimensions":[
      "language"
   ],
   "aggregations":[
      {
         "type":"count",
         "name":"count"
      }
   ],
   "intervals":[
      "2000-01-01T00:00Z/3000-01-01T00:00Z"
   ]
}

      按小时粒度进行的groupby查询结果中timestamp值精确到小时间，比小时粒度更小粒度值自动补填零，

以此类推按天查询，则小时及小粒度补零。timestamp值为UTC

[ {
  "version" : "v1",
  "timestamp" : "2013-08-31T01:00:00.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
}, {
  "version" : "v1",
  "timestamp" : "2013-09-01T01:00:00.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
}, {
  "version" : "v1",
  "timestamp" : "2013-09-02T23:00:00.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
}, {
  "version" : "v1",
  "timestamp" : "2013-09-03T03:00:00.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
} ]

       如果指定查询粒度为 none，则返回结果与数据导入时设置粒度（queryGranularity属性值）结果一样，
    此处的导入粒度为毫秒，结果如下：

[ {
  "version" : "v1",
  "timestamp" : "2013-08-31T01:02:33.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
}, {
  "version" : "v1",
  "timestamp" : "2013-09-01T01:02:33.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
}, {
  "version" : "v1",
  "timestamp" : "2013-09-02T23:32:45.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
}, {
  "version" : "v1",
  "timestamp" : "2013-09-03T03:32:45.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
} ]

     如果指定查询粒度为 all，返回数组长度结果为1，结果如下：

[ {
  "version" : "v1",
  "timestamp" : "2000-01-01T00:00:00.000Z",
  "event" : {
    "count" : 4,
    "language" : "en"
  }
} ]

 

    时间段聚合粒度 

          指定一个精确时间持续时长（毫秒表示）及时间缀，返回UTC时间；支持可选项属性origin，不指定时 
     默认开始时间（1970-01-01T00:00:00Z）

 

/**持续时间段2小时，从1970-01-01T00:00:00Z开始*/
{"type": "duration", "duration": 7200000}

/**持续时间1小时，从origin开始*/
{"type": "duration", "duration": 3600000, "origin": "2012-01-01T00:30:00Z"}

       

    以上简单聚合粒度的示例数据为例，提交groupby查询，持续时间段为24小时，查询配置如下：

 

{
   "queryType":"groupBy",
   "dataSource":"dataSource",
   "granularity":{"type": "duration", "duration": "86400000"},
   "dimensions":[
      "language"
   ],
   "aggregations":[
      {
         "type":"count",
         "name":"count"
      }
   ],
   "intervals":[
      "2000-01-01T00:00Z/3000-01-01T00:00Z"
   ]
}

     查询结果：

[ {
  "version" : "v1",
  "timestamp" : "2013-08-31T00:00:00.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
}, {
  "version" : "v1",
  "timestamp" : "2013-09-01T00:00:00.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
}, {
  "version" : "v1",
  "timestamp" : "2013-09-02T00:00:00.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
}, {
  "version" : "v1",
  "timestamp" : "2013-09-03T00:00:00.000Z",
  "event" : {
    "count" : 1,
    "language" : "en"
  }
} ]

    

    常用时间段聚合粒度

 

         略...

 

 

2.1.4 过滤（Filters）

一个Filter就是一个Json对象，用于过滤数据行过滤，类似SQL中的Where子句。过滤器类型有如下：Selector filte、Regular expression filter（正则表达式过滤）、Logical expression filters（AND、OR、NOT）、In filter、Bound filter、Search filter、JavaScript filter、Extraction filter

    示例简单查看使用方式：

   

   查询过滤（Selector filte）

           等价于：WHERE = ''

"filter": { "type": "selector", "dimension": , "value":  }

   

    正则表达过滤（Regular expression filter）

           与Selector filte差不多，只是这里使用正则表达式，表达式为标准的Java正则表达式规范

 

"filter": { "type": "regex", "dimension": , "pattern":  }

 

    逻缉表达过滤（Logical expression filters）

   

     AND

 

"filter": { "type": "and", "fields": [, , ...] }

 

     OR

 

"filter": { "type": "or", "fields": [, , ...] }

 

     NOT

 

"filter": { "type": "not", "field":  }

 

 

    IN过滤（In filter）

       

    SQL查询

 

SELECT COUNT(*) AS 'Count' FROM `table` WHERE `outlaw` IN ('Good', 'Bad', 'Ugly')

    Druid IN 过滤表示

 

{
    "type": "in",
    "dimension": "outlaw",
    "values": ["Good", "Bad", "Ugly"]
}

 

    范围过滤（Bound filter）

         Bound filter 过滤比较值大小或小于某值，默认按字符串比较，使用数据比较需要设置alphaNumeric 属
     性为true；默认 Bound filter为非严格性（类闭区间），如 inputString <= upper && inputSting >= lower

 

{
    "type": "bound",
    "dimension": "age",
    "lower": "21",
    "upper": "31" ,
    "alphaNumeric": true
}

    上述表示等价如：21 <= age <= 31

 

    Bound filter 严格性，需要设置lowerStrict or/and upperStrict 属性值为true如下：

 

{
    "type": "bound",
    "dimension": "age",
    "lower": "21",
    "lowerStrict": true,
    "upper": "31" ,
    "upperStrict": true,
    "alphaNumeric": true
}

    等价如：21 < age < 31

 

2.1.5 聚合（Aggregations）

   聚合可以在采集时间时规格部分的一种方式，汇总数据进入Druid之前提供。聚合也可以被指定为在查询时多查询的部分，聚合类型如下：Count aggregator、Sum aggregators、Min / Max aggregators、Approximate Aggregations、Miscellaneous Aggregations 

 

    Count aggregator

          

        查询返回匹配过滤条件的数据行数，需要注意的是：Druid进行Count查询的数据量并不一定等于数据采
    集时导入的数据量，因为Druid在采集数据并导入时已经对数据进行了聚合。

 

{ "type" : "count", "name" :  }

 

    Sum aggregator

 

          longSum aggregator：计算值为有符号位64位整数

          

{ "type" : "longSum", "name" : , "fieldName" :  }

   

          doubleSum aggregator：与longSum类似，计算值为64位浮点型 

 

{ "type" : "doubleSum", "name" : , "fieldName" :  }

 

    Min / Max aggregators

 

          doubleMin aggregator 

 

{ "type" : "doubleMin", "name" : , "fieldName" :  }

    

          doubleMax aggregator

 

{ "type" : "doubleMax", "name" : , "fieldName" :  }

 

          longMin aggregator

 

{ "type" : "longMin", "name" : , "fieldName" :  }

 

         longMax aggregator

 

{ "type" : "longMax", "name" : , "fieldName" :  }

 

    类似聚合（Approximate Aggregations）

         

        基数聚合（Cardinality aggregator）

  

         计算Druid多种维度基数，Cardinality aggregator使用HyperLogLog评估基数，这种聚合比带有索引的
     hyperUnique聚合慢，运行在一个维度列，意味着不能从数据集中删除字符串维度来提高聚合；一般我们
     强力推荐使用hyperUnique aggregator而不是Cardinality aggregator，格式如下：

 

{
  "type": "cardinality",
  "name": "",
  "fieldNames": [ , , ... ],
  "byRow": <false | true> # (optional, defaults to false)
}

 

       . 维度值聚合-当设置属性byRow为false（默认值）时，通过合并所有给定的维度列来计算值集合。

         

         对于单维度，等价如下：

 

SELECT COUNT(DISTINCT(dimension)) FROM

        

         对于多维度，等价如下:

 

SELECT COUNT(DISTINCT(value)) FROM (
  SELECT dim_1 as value FROM
  UNION
  SELECT dim_2 as value FROM
  UNION
  SELECT dim_3 as value FROM
)

 

       . 行聚合-当设置属性byRow为true时，根所不同维度的值合并来计算行值，等价如下：

 

SELECT COUNT(*) FROM ( SELECT DIM1, DIM2, DIM3 FROM  GROUP BY DIM1, DIM2, DIM3 )

 

 

           许多不同国家的人出生地或来自哪里，用druid配置如下：

 

{
  "type": "cardinality",
  "name": "distinct_countries",
  "fieldNames": [ "coutry_of_origin", "country_of_residence" ]
}

 

 

        HyperUnique aggregator

 

        已经被“hyperunique”在创建索引时聚合的维度值使用HyperLogLog计算估计，更多资料请参考官网

 

{ "type" : "hyperUnique", "name" : , "fieldName" :  }

  

后聚合（post-aggregators）

后聚合是对Druid进行聚合后的值进行聚全，如果查询中包括一个后聚合，那么确保所有聚合满足后聚合要求；后聚合有以下几种类型：
1. Arithmetic post-aggregators
2. Field accessor post-aggregator
3. Constant post-aggregator
4. JavaScript post-aggregator
5. HyperUnique Cardinality post-aggregator

     

         Arithmetic post-aggregators

 

           算术后聚合应用已提供的函数从左到右获取字段，这些字段可聚合或后聚合；支持+, -, *, /, and quotient。

           算术后聚合可以指定ordering属性，用于聚合结果排序（对topN查询很有用 ）：

               (1) 如果无ordering属性（或null），使用默认的浮点排序。

               (2) numericFirst 首先返回有限值，其次是NaN，最后返回无限值。

           算术后聚合语法如下：

 

postAggregation : {
  "type"  : "arithmetic",
  "name"  : ,
  "fn"    : ,
  "fields": [, , ...],
  "ordering" : <null (default), or "numericFirst">
}

 

 

        Field accessor post-aggregator - fieldName引用aggregator定义的名称

 

{ "type" : "fieldAccess", "name": , "fieldName" :  }

 

        Constant post-aggregator - 返回指定值

 

{ "type"  : "constant", "name"  : , "value" :  }

 

 

2.2 时间序列查询（Timeseries）

      这些类型的查询以时间序列查询对象和返回一个JSON数组对象，每个对象表示时间序列查询的值，时间序列查询请求的Json的7个主要属性如下：

属性	描述	必填项
queryType	字符串类型，时间序列 "timeseries"	是
dataSource	字符串类型，数据源（类似数据库表）	是
descending	排序标志，默认为 "false"(升序)	否
intervals	查询时间范围跨度，JSON对象，ISO-8601区间	是
granularity	定义查询结果块粒度	是
filter	过滤条件	否
aggregations	聚合	是
postAggregations	后聚合	否
context	上下文	否

 

{
  "queryType": "timeseries",
  "dataSource": "sample_datasource",
  "granularity": "day",
  "descending": "true",
  "filter": {
    "type": "and",
    "fields": [
      { "type": "selector", "dimension": "sample_dimension1", "value": "sample_value1" },
      { "type": "or",
        "fields": [
          { "type": "selector", "dimension": "sample_dimension2", "value": "sample_value2" },
          { "type": "selector", "dimension": "sample_dimension3", "value": "sample_value3" }
        ]
      }
    ]
  },
  "aggregations": [
    { "type": "longSum", "name": "sample_name1", "fieldName": "sample_fieldName1" },
    { "type": "doubleSum", "name": "sample_name2", "fieldName": "sample_fieldName2" }
  ],
  "postAggregations": [
    { "type": "arithmetic",
      "name": "sample_divide",
      "fn": "/",
      "fields": [
        { "type": "fieldAccess", "name": "postAgg__sample_name1", "fieldName": "sample_name1" },
        { "type": "fieldAccess", "name": "postAgg__sample_name2", "fieldName": "sample_name2" }
      ]
    }
  ],
  "intervals": [ "2012-01-01T00:00:00.000/2012-01-03T00:00:00.000" ]
}

   

 

    上述配置了过滤条件，2个聚合，后聚合器将2个聚合结果进行相除。查询结果如下，查询结果存储在属性result，以键值对方式存储：

 

[
  {
    "timestamp": "2012-01-01T00:00:00.000Z",
    "result": { "sample_name1": , "sample_name2": , "sample_divide":  }
  },
  {
    "timestamp": "2012-01-02T00:00:00.000Z",
    "result": { "sample_name1": , "sample_name2": , "sample_divide":  }
  }
]

  

2.3 排名查询（TopN query）

    TopN查询根据规范返回给定维度的有序的结果集，从概念上来讲，TopN查询被认为单维度、有序的类似分组查询。在某些情况下，TopN查询比分组查询（groupby query）快。TopN查询结果返回Json数组对象。
    TopN在每个节点将顶上K个结果排名，在Druid默认情况下最大值为1000。在实践中，如果你要求前1000个项顺序排名，那么从第1-999个项的顺序正确性是100%，其后项的结果顺序没有保证。你可以通过增加threshold值来保证顺序准确。

属性	描述	必填项
queryType	字符串类型，时间序列 "topN"	是
dataSource	字符串类型，数据源（类似数据库表）	是
intervals	查询时间范围跨度，JSON对象，ISO-8601区间	是
granularity	定义查询结果块粒度	是
filter	过滤条件	否
aggregations	聚合	是
postAggregations	后聚合	否
dimension	查询的维度（列）	是
threshold	返回Top N个结果	是
metric	字符串或Json对象指定度量对Top N个结果排序	是
context	上下文	否

  

Metric

属性	描述	必填项
type	数字排序	是
metric	排序字段	是

  

       数据排序（Numeric TopNMetricSpec） - 最简单的规范指定一个字符串值指示排序TopN结果的度量

 

"metric": ""

  

       metric属性通常配置为Json对象，上述等价于：

 

"metric": {
    "type": "numeric",
    "metric": ""
}

 

    topN query 配置示例如下：

 

{
  "queryType": "topN",
  "dataSource": "sample_data",
  "dimension": "sample_dim",
  "threshold": 5,
  "metric": "count",
  "granularity": "all",
  "filter": {
    "type": "and",
    "fields": [
      {
        "type": "selector",
        "dimension": "dim1",
        "value": "some_value"
      },
      {
        "type": "selector",
        "dimension": "dim2",
        "value": "some_other_val"
      }
    ]
  },
  "aggregations": [
    {
      "type": "longSum",
      "name": "count",
      "fieldName": "count"
    },
    {
      "type": "doubleSum",
      "name": "some_metric",
      "fieldName": "some_metric"
    }
  ],
  "postAggregations": [
    {
      "type": "arithmetic",
      "name": "sample_divide",
      "fn": "/",
      "fields": [
        {
          "type": "fieldAccess",
          "name": "some_metric",
          "fieldName": "some_metric"
        },
        {
          "type": "fieldAccess",
          "name": "count",
          "fieldName": "count"
        }
      ]
    }
  ],
  "intervals": [
    "2013-08-31T00:00:00.000/2013-09-03T00:00:00.000"
  ]
}

   

    查询前Top 5个结果，按count排序：

 

[
  {
    "timestamp": "2013-08-31T00:00:00.000Z",
    "result": [
      {
        "dim1": "dim1_val",
        "count": 111,
        "some_metrics": 10669,
        "average": 96.11711711711712
      },
      {
        "dim1": "another_dim1_val",
        "count": 88,
        "some_metrics": 28344,
        "average": 322.09090909090907
      },
      {
        "dim1": "dim1_val3",
        "count": 70,
        "some_metrics": 871,
        "average": 12.442857142857143
      },
      {
        "dim1": "dim1_val4",
        "count": 62,
        "some_metrics": 815,
        "average": 13.14516129032258
      },
      {
        "dim1": "dim1_val5",
        "count": 60,
        "some_metrics": 2787,
        "average": 46.45
      }
    ]
  }
]