一份详细的Kylin执行样例——基于kylin2.5.0

在《Kylin2.5.0安装部署及样例sample.sh》一文中，我们搭建了kylin2.5.0版本的运行环境，并且简单演示了一下官方的Sample Cube的示例，这样从宏观上对kylin的运行流程有了一个整体的认识。那么，这篇文章我们将继续从创建一个完整的cube到执行sql语句，对其中的每一步都做一个详细的描述。本文的业务背景来自于蒋守壮老师的《基于Apache Kylin构建大数据分析平台》一书。

在进入正题之前，先简单介绍一下本例的业务背景：创建一个网站流量的Cube，用于统计常用的PV（Page View）和UV（Unique Visitor）等指标，包含一个事实表（web_access_fact_tab1），字段为访问日期、cookieid、regionid、cityid、siteid、OS、pv（2018-12-01|GB56THSJ1J7V2MDAB1|G03|G0301|Mac OS|2）【有需要的同学可以下方评论，拿事实表的数据】；两个维度表region_tb1，字段为regionid、regionname（G01|北京）；city_tb1，字段为regionid、cityid、cityname（G01|G0101|朝阳区）。三张表组成一个星型模型，即一张事实表和多张维度表，通过主外键关联起来。顺便加一句，很多时候我们可能会涉及到多张事实表，而kylin又支持星型模型，因此需要现在Hive中进行预处理，来产生一张比较大的事实表。

###Start Your Shows ###

首先我们需要了解，kylin中多为分析Cube的建立主要包括以下步骤：

• 对Hive中事实表，以及多张维度表的处理；
• 在Kylin中建立新的Project；
• Kylin中同步数据源（Load DataSource）；
• Kylin中建立数据模型；
• 建立Cube；
• Build Cube；
• 查询Cube。

一、在Hive中处理事实表、维度表

1、在Hive创建Database kylin_flat_db，创建成功后再创建我们需要的事实表结构,代码如下

hive> create table kylin_flat_db.web_access_fact_tb1
( 
day date, cookid string, regionid string, cityid string, 
siteid string, os string, pv bigint
) row format delimited 
fields terminated by '|' 
stored as textfile;

2、使用 load data local inpath语句将我们提前准备好的kylin事实表数据源导入到实时表web_access_fact_tb1;

hive> load data local inpath '/usr/kylin/fact_data.txt' 
into table web_access_fact_tb1;

3、创建region维度表和city维度表，建表语句见如下代码。

hive> create table kylin_flat_db.region_tb1
    > ( regionid string, regionname string )
    > row format delimited
    > fields terminated by '|' stored as textfile;

hive> create table kylin_flat_db.city_tb1
    > ( regionid string, cityid string, cityname string )
    > row format delimited
    > fields terminated by '|' stored as textfile;

4、再使用加载语句，将本地两个文件内容加载到相应的维度表中。

二、在Kylin中建立项目（Project）

在Model页面点击 “+” 新建一个项目，输入project name  ===》  myproject_pvuv

三、建立数据源，Load DataSource。

选择我们刚刚创建的项目后单击 Data Source ，如下图所示，有三个图标来选择加载数据的方式。1、第一个图标为：Load Hive Table，手动输入需要加载的Hive列表，表之间用逗号分隔，确保输入的是之前在Hive中已经创建的表。

2、第二个图标是Load Hive Table From Tree，单击kylin_flat_db数据库后会列出该库下面所有的表，单击选中需要同步的表即可。

3、第三个图标：Add Streaming Table。添加实时数据流的表，格式必须是Json格式，在本版本的Kylin中有基于Kakfa定义的Streaming Table，从而完成准实时Cube的创建。

四、Kylin中建立数据模型（Model）

1、kylin中建立数据模型，选中New Model，在弹出如下的对话框里，输入Model名称myproject_pvuv_model，点击Next

2、在Data Model里，主要就是用来选择事实表和维度表，并使用left join 或者 inner join 将其关联起来，点击Add Lookup table，可如下，选择相应的表及维度。注意：星型模型，只有一个事实表。

配置完成后，如下图所示：

3、Dimensions，主要是选择各个表的维度，这里我们选择能用到的维度

4、Measures，选择需要度量指标的字段，本例中使用cookid和PV

5、setting,设置Cube增量刷新的分区字段，字段类型可以为Date、String、Varchar等。如果分区字段为空，则每次默认为全量构建cube（不推荐此种做法）。另外，我们还可以从Hive源数据表中过滤数据，这里不行mysql需要指定where关键字，直接写过滤条件就可以，本例中为输出pv>0的数据。

6、最后，我们保存本次创建的Model

7、查看已经创建好的模型，这里有三种方式查看，分别为Grid（表格）、Visualization（可视化）、JSON（JSON格式）、如下图。

五、重点：建立cube

1、选择之前创建好的Model，填写Cube名称pvuv_cube，如果需要邮件提醒cube事件的相关信息，还能够设置邮箱列表以及发送的事件级别。

2、Dimensions，这里可以使用“add dimensions”手动添加，如下面所示，我们选择了需要展示的维度，并修改了Name。此外这里面需要提及到Type里面的两种类型normal和derived，norma是最常见的类型，与所有其他的dimension组合构成Cuboid，derived从有衍生维度的查找表获取维度，这里只是简单介绍，内容远远不止这些。

点击Actions的编辑图标，可以对Dimension的Name进行修改，比如将本来的英文名称改为中文显示。

3、Measures为度量指标的设计。这里我们对pv进行sum汇总计算，对cookid进行count distinct去重过滤统计个数。

4、Refresh setting，即Cube刷新设置，这里主要用来设计增量Cube合并信息，默认每隔7天就进行merge增量的segments（每一个segment都会对应着一个物理的cube，做过增量刷新的应该会知道），每隔28天就merge前面7天合并segments。默认即可，如果有需要，也可在页面进行手动合并。这里的Partition Start Date：是Cube增量刷新的开始时间，这跟你业务数据产生第一天关联。

5、Advanced Setting，这是kylin的高级配置页面，首先是Aggravation Groups（聚合组），这部分没有截图，保持默认的内容不变即可，简单的介绍一下Aggravation Groups，这是一个将维度进行分组，已达到降低维度组合数目的手段。不同分组的维度之间组成的Cuboid数量会大大降低。那么在本例中维度组合从2的（m+n+k）最多能降低到2的m次方+2的n次方+2的k次方。维度组的设置就是为了让不出现在一个查询中的两个维度不计算Cuboid（可通过划分到两个不同的维度组中），这其实就相当于把一个cube的树结构划分成多个不同的树，可以在不降低查询性能的情况下减少Cuboid的计算量。

Hbase rowkey，下图的内容即是对Hbase Rowkey进行设计，默认Rowkey是由维度的值进行组合的，这里也是使用默认值。后面属性Encoding值为dict，就是Dictionary方式表示要为这个维度建立字典树。这在build cube的步骤中会用到。

6、列出创建Cube的统计信息，如果没有问题，单机Save，并在弹出的页面点击Yes，即可完成整个Cube的创建。

六、Build Cube

在我们的cube创建完成之后，就要开始Build了，这里我们选择增量构建方式，所谓的增量构建方式就是指从某个时间段开始到某个时间段结束，下次重新build 同一个cube时，会以上个结束时间点作为开始时间。

跳转到Monitor界面，可以查看到Build cube的详细过程，在界面的弹出窗口可以查看到构建cube的每个具体步骤，等到progress到达100%时，就代表此cube构建完成，Monitor中的Job状态显示为Finished，用户可以继续下一步操作。

此时，回去Model可看到pvuv_cube的状态以及显示为Ready。这里面的Actions有很多操作，简单介绍一下。1 Drop，删除此cube（常规下不推荐操作）；2 Edit，如果发现cube设计有问题，可以选择Edit修改；3 Build, 执行构建Cube操作，如果是增量构建，需要指定开始和结束时间；4 Refresh，对某个已经构建过的Cube Segment，重新从数据源抽取数据并构建，从而获得更新；5 Merge，对于增量Cube已经设置分区字段，这样Cube就可以进行多次Build，每一次Build就会生成一个segment并且对应一个物理的cube。这些segment的时间区间是连续并且不重合，merge就是将其合并，减少Cube的存储空间。

七、查询Cube

在Insight页面来验证Cube构建的结果是否正常，尝试执行下述SQL语句：

select  regionname, cityname, sum(pv), count(distinct cookid)
from WEB_ACCESS_FACT_TB1 a
left join CITY_TB1 b
on a.cityid = b.cityid
left join REGION_TB1 c
on c.regionid = a.regionid
group by regionname, cityname;

在kylin中执行效果如下图，其执行时间为0.15s

接下来，我们在hive里面执行相同SQL进行验证，可以很直观的看到hive花费了将近43s，夸张的比较一下，hive的花费的时间将近kylin的287倍。

此外，kylin还提供了一些简单的可视化，而且是非常简单

到此为止，整个Cube的设计、创建、构建、查询等步骤都有一一介绍完毕。