Apache Druid入门系列(一)：druid介绍

Apache Druid是一个用于大数据实时查询和分析的高容错、高性能开源分布式时序数据库系统，旨在快速处理大规模的数据，并能够实现快速查询和分析。尤其是当发生代码部署、机器故障以及其他产品系统遇到宕机等情况时，Druid仍能够保持100%正常运行。创建Druid的最初意图主要是为了解决查询延迟问题，当时试图使用Hadoop来实现交互式查询分析，但是很难满足实时分析的需要。而Druid提供了以交互方式访问数据的能力，并权衡了查询的灵活性和性能而采取了特殊的存储格式。

Druid 常用应用领域:

• 点击流分析,(web和移动分析)
• 网络遥测分析(网络性能监控)
• 服务器度量存储
• 供应链分析(制造指标)
• 应用程序的性能指标
• 数字营销/广告分析
• 商业智能/OLAP

Druid 特点:

Druid的核心架构结合了数据仓库,时序数据库,日志搜索系统的思想,主要有以下这些特点:

1. 列存储格式: Druid使用面向列的存储，这意味着它只需要加载特定查询所需的精确列。这极大地提高了只访问几列的查询的速度。此外，每个列的存储都针对其特定的数据类型进行了优化，该数据类型支持快速扫描和聚合
2. 可伸缩的分布式系统: Druid通常部署在数十到数百台服务器的集群中，可以提供每秒数百万条记录的吞吐率、数万亿条记录的保存率，以及亚秒到几秒的查询延迟
3. 大规模并行处理: 大规模并行处理。Druid可以在整个集群中并行处理查询。实时或批量摄入。Druid可以实时摄取数据(摄取的数据可以立即查询)，也可以批量摄取。
4. 实时或批量摄入: Druid可以实时摄取数据(摄取的数据可以立即查询)，也可以批量摄取。
5. 自愈，自平衡，操作方便: 作为一个操作人员，要向外或向内扩展集群，只需添加或删除服务器，集群就会在后台自动地重新平衡自己，而不会有任何停机时间。如果Druid的服务器失败了，系统会自动绕过伤害，直到这些服务器被替换。Druid被设计成24/7运行，不需要任何原因的计划停机时间，包括配置更改和软件更新。
6. 云原生的、容错的架构，不会丢失数据: 一旦Druid摄取了您的数据，副本就会安全地存储在深存储中(通常是云存储、HDFS或共享文件系统)。你的数据可以从深层存储恢复，即使每一个Druid服务器失败。对于只影响少数Druid服务器的有限故障，复制确保在系统恢复时仍然可以进行查询。
7. 快速过滤索引: Druid使用CONCISE 或者 Roaring 的压缩位图索引创建索引，支持跨多个列的快速过滤和搜索
8. 基于时间的分区: Druid首先按时间分区数据，并且可以根据其他字段进行分区。这意味着基于时间的查询将只访问与查询的时间范围匹配的分区。这将显著提高基于时间的数据的性能。
9. 近似算法 : Druid包括近似计数的算法-区分，近似排序，和计算近似直方图和分位数。这些算法提供有限的内存使用，通常比精确计算快得多。在精度比速度更重要的情况下， Druid也提供精确的计数-独特和精确的排名。
10. 自动总结在摄取的时间: Druid选择性地支持数据摘要在摄入时间。这种汇总部分地预聚合了您的数据，可以节省大量成本并提高性能

Druid 适用场景

• 数据插入频繁, 修改更新比较少的场景
• 大多数查询都是聚合和报表查询(“分组”查询), 还有搜索和扫描查询
• 查询延迟目标是100ms到几秒钟
• 数据有一个时间成分(Druid包括优化和与时间相关的设计选择)
• 数据库会有多个表，每个查询只能命中一个大型的分布式表, 但涉及多个较小的“lookup”表。
• 有高基数(cardinality )的数据列(例如url、用户id)，需要对它们进行快速计数和排序
• 希望从Kafka、HDFS、平面文件或Amazon S3之类的对象存储加载数据

Druid 不适用场景

• 需要使用主键对现有记录进行低延迟更新, Druid支持流的插入，但不支持流的更新(更新是使用后台批处理作业完成的)。
• 离线报表系统，其中查询延迟不是非常重要
• 想要执行“大”链接查询(将一个大表链接到另一个大表)，并且您可以接受费数小时才能完成的查询

Druid 架构

Druid被设计成一个云友好且易于操作的多进程的分布式架构，设计成云友好且易于操作。每个Druid进程类型都可以独立配置和缩放，从而在集群上提供最大的灵活性。这种设计还提供了增强的容错能力: 一个组件的停机不会立即影响其他组件

进程和服务器

Druid有几种进程类型，简要描述如下:

• Coordinator processes 协调进程, 调度管理集群上的数据可用性.
• Overlord processes 主控制进程,控制数据摄取工作负载的分配。
• Broker processes 代理进程,处理来自外部客户端的查询
• Router processes 路由进程,是可选进程，可以将请求路由到代理、协调器和主控程序
• Historical processes 历史进程, 可查询数据存储
• MiddleManager processes 中介管理者进程, 负责摄取数据的进程

Druid进程可以按您喜欢的任何方式部署，但是为了便于部署，我们建议将它们组织成三种服务器类型: 主服务器、查询服务器和数据服务器

• 主服务器: 运行协调程序和主进程，管理数据可用性和摄入.
• 查询服务器: 运行代理和可选路由器进程，处理来自外部客户端的查询
• 数据服务器: 运行历史和中介进程，执行摄取工作负载并存储所有可查询数据

有关进程和服务器组织的更多细节，请参见Druid进程和服务器

外部依赖

除了内置的进程类型，Druid还有三个外部依赖。它们的目的是能够利用现有的基础设施。

1. 深层存储
   每个Druid服务器都可以访问共享文件存储。这通常是一个分布式对象存储，如S3或HDFS，或一个网络挂载的文件系统。Druid使用它来存储任何已经进入系统的数据;
   Druid只使用深层存储作为数据的备份，并作为在Druid进程之间传输数据的一种方式。为了响应查询，历史进程不从深层存储中读取，而是在提供任何查询之前从本地磁盘中读取预取的段。这意味着Druid在查询过程中不需要访问深层存储，帮助它提供最好的查询延迟。它还意味着，您必须在深存储和跨历史进程中拥有足够的磁盘空间，以便计划加载数据。
   有关详细信息，请参见深度存储依赖项

2. 元数据存储
   元数据存储包含各种共享的系统元数据，如段可用性信息和任务信息。这通常是一个传统的RDBMS，如PostgreSQL或MySQL
   有关详细信息，请参见元数据存储依赖项

3. Zookeeper
   用于内部服务的分布协调;

架构图

下图显示了使用建议的主/查询/数据服务器组织，查询和数据如何通过此体系结构

数据源和段

Druid数据存储在“数据源”中，这类似于传统RDBMS中的表。每个数据源都按时间分区，还可以进一步选择按其他属性分区。每个时间范围称为一个“块”(例如，如果您的数据源按天分区，则为一天)。在一个块中，数据被划分为一个或多个“段”。每个段都是一个文件，通常包含几百万行数据。由于段被组织成时间块，有时可以把段想象成生存在时间轴(x轴)上，如下所示:

一个数据源可能在任何地方只有几个段，甚至可能有数十万甚至数百万段。每个段都是在一个中介管理者上创建的，在这个意义上来说，段是可变的和未提交的。段构建过程包括以下步骤，旨在生成紧凑且支持快速查询的数据文件

• 转换为列格式
• 使用位图索引建立索引
• 使用各种算法进行压缩

1. 字典编码与id存储最小化字符串列
2. 位图索引的位图压缩
3. 所有列的类型感知压缩

段会定期提交和发布, 此时，它们被写到深存储中，成为不可变的，并从中间进程转移到历史进程(有关详细信息，请参阅上面的架构->进程和服务器)。关于段的条目也被写入元数据存储。这个条目是关于段的自描述元数据，包括段的模式、大小和它在深存储中的位置。这些条目是协调器用来知道集群上应该有哪些数据可用的。

查询处理

查询首先进入代理，代理将在其中标识哪些段具有可能与该查询相关的数据。段列表总是按时间进行修剪，也可能根据数据源的分区方式由其他属性进行修剪。然后，代理将确定哪些历史记录和中介为这些段提供服务，并向每个流程发送重写的子查询。处理它们并返回结果。代理接收结果并将它们合并在一起，以获得最终的答案，并将其返回给原始调用者。

Broker修剪是druid限制每次查询必须扫描的数据量的重要方法，但这不是唯一的方法。相对于代理用于修剪的过滤器粒度更细的过滤器，每个段中的索引结构允许Druid在查看任何一行数据之前确定哪些行(如果有的话)匹配过滤器集。一旦Druid知道哪些行匹配特定的查询，它就只访问查询所需的特定列。在这些列中，Druid可以从一行跳到另一行，避免读取与查询过滤器不匹配的数据

所以Druid使用了三种不同的技术来最大化查询性能

• 修剪为每个查询访问哪些段。
• 在每个段中，使用索引确定必须访问哪些行
• 在每个段中，只读取与特定查询相关的特定行和列。

参考官方文档: https://druid.apache.org/docs/0.15.1-incubating/design/index.html