[ES]轻量级OLAP--Elasticsearch+Hive

打造轻量级OLAP（二）：Hive + Elasticsearch - Treant - 博客园
http://www.cnblogs.com/en-heng/p/5943703.html

1. 引言
   在做OLAP数据分析时，常常会遇到过滤分析需求，比如：除去只有性别、常驻地标签的用户，计算广告媒体上的覆盖UV。在Kylin中不支持复杂数据类型（主要指array、struct、map），要求数据输入Schema必须是平铺的，但是平铺后丢失了用户的聚合标签信息，而没有办法判断某一个用户是否只有性别、常驻地标签。显然，我们需要一种支持复杂数据类型的OLAP数据库；底层为Lucene的Elasticsearch正在向OLAP融合，腾讯内部已经用基于Lucene的分析数据库Hermes来做多维数据分析。
   Elasticsearch（ES）在设计之初是用来做全文检索的搜索引擎，但随着倒排索引所表现出来优秀的查询性能，有越来越多人拿它做分析数据库使。可将ES视作文档型NoSQL数据库，一般情况下将具有相同schema的文档（document）归属于一个type，所有的文档存储于某一个index；ES与RDBMS的概念对比如下：
   Relational DB ⇒ Databases ⇒ Tables ⇒ Rows ⇒ ColumnsElasticsearch ⇒ Indices ⇒ Types ⇒ Documents ⇒ Fields

2. 写数据
   广告日志与标签数据均落在Hive表，并且ES官方提供与Hive的集成。因此，我们首选用Hive向ES写数据。首先，采用ES做数据存储，创建表如下：
   add jar /path/elasticsearch-hadoop-2.3.1.jar;create external table ad_tag (dvc string,medias array,c1_arr array,week_time string)stored by 'org.elasticsearch.hadoop.hive.EsStorageHandler'tblproperties('es.nodes' = ':9200','es.resource' = 'ad-{week_time}/tag','es.mapping.exclude' = 'week_time');

在设计Hive表结构时，ES的计算UV的distinct count（cardinality
）存在着计算误差；因此，我们按dvc对其他字段做了聚合，UV的计算转换成了ES doc命中数。其中，es.nodes
表示ES的节点，只需配置一个节点即可；es.resource
对应于ES的Index/Type；es.mapping.exclude
在写ES时不会被索引的字段。因我们只有写操作而没有通过Hive查询ES数据，因此并没有设置es.query
。Hive向ES写数据如下：
set hive.map.aggr = false;insert overwrite table ad_tagselect media, a.dvc as dvc, case when c1_arr is null then array('empty') else c1_arr end as c1_arr, '2016-10-08' as week_timefrom (select dvc, app_name as mediafrom ad_logwhere is_exposure = '1' and day_time between date_sub('2016-10-08', 6) and '2016-10-08'group by dvc, app_name) a left outer join (select dvc, collect_set(c1) as c1_arrfrom taglateral view inline(tag) in_tbwhere day_time = '2016-10-08'group by dvc) bon a.dvc = b.dvc;

在写ES时，在构建索引时不需要分词，通过PUT index template方式实现之：
{ "template": "ad", "mappings": { "default": { "_source": { "compress": true }, "dynamic_templates": [ { "string_template": { "mapping": { "include_in_all": false, "index": "not_analyzed", "type": "string", "index_options": "docs" }, "match": "" } } ] } }}

3. 多维分析
   ES官方的查询语言是DSL，主要分为两类：
   Query，相当于SQL中的where部分，可套用filter、match等；
   Aggregation，相当于SQL中的group by部分，在aggs内部也可以套用filter。

DSL可以嵌套，表达异常复杂的查询操作；但是，DSL过于冗长罗嗦。因此，官方提供了elasticsearch-dsl-py，可以将DSL等同于一段Python代码。我们的多维分析器便是基于此实现的（Python 3.5 + elasticsearch_dsl 2.1.0）
整体上曝光UV、有标签的UV、除去常用标签UV，以及每一个媒体上曝光UV、有标签的UV、除去常用标签UV的分析（相当于group by media with cube）：
def per_media(index_name): """count(distinct dvc) group by media with cube""" ms = MultiSearch(using=client, index=index_name) all_doc = Search() all_doc.aggs.bucket('per_media', 'terms', field='medias', size=1000) tagged = Search().query('filtered', filter=~Q('term', c1_arr='empty')) tagged.aggs.bucket('per_media', 'terms', field='medias', size=1000) useful = Search().query('filtered', filter=~Q('term', c1_arr='empty') & Q('script', script="""['常驻地', '性别'].intersect(doc['c1_arr'].values).size() < doc['c1_arr'].values.size()""")) useful.aggs.bucket('per_media', 'terms', field='medias', size=1000) ms = ms.add(all_doc) ms = ms.add(tagged) ms = ms.add(useful) responses = ms.execute() result_list = [] result_dict = defaultdict(lambda: []) for resp in responses: # get per media uv(all, tagged, useful_tagged) print("Query %d: %r." % (responses.index(resp), resp.search.to_dict())) result_list.append(resp.hits.total) for buck in resp.aggregations['per_media']['buckets']: result_dict[buck['key']].append(buck['doc_count']) for k, v in result_dict.items(): # fill up default value 0 if len(v) < 3: result_dict[k] = v + [0] * (3 - len(v)) return result_list, result_dict

媒体与标签组合维度下的UV统计：
def per_media_c1(index_name):
"""return {(media, c1) -> tagged_uv}"""
s = Search(using=client, index=index_name)
tagged = s.query('filtered', filter=~Q('term', c1_arr='empty'))
tagged.aggs.bucket('per_media', 'terms', field='medias', size=1000)
.bucket('per_c1', 'terms', field='c1_arr', size=100)
result = {}
response = tagged.execute()
for buck in response.aggregations['per_media']['buckets']:
key = buck['key']
for b in buck['per_c1']['buckets']:
result[(key, b['key'])] = b['doc_count']
return result