Flink+Hologres亿级用户实时UV精确去重最佳实践

简介： Flink+Hologres亿级用户实时UV精确去重最佳实践

UV、PV计算，因为业务需求不同，通常会分为两种场景：

• 离线计算场景：以T+1为主，计算历史数据
• 实时计算场景：实时计算日常新增的数据，对用户标签去重

针对离线计算场景，Hologres基于RoaringBitmap，提供超高基数的UV计算，只需进行一次最细粒度的预聚合计算，也只生成一份最细粒度的预聚合结果表，就能达到亚秒级查询。具体详情可以参见往期文章>>Hologres如何支持超高基数UV计算(基于RoaringBitmap实现)

对于实时计算场景，可以使用Flink+Hologres方式，并基于RoaringBitmap，实时对用户标签去重。这样的方式，可以较细粒度的实时得到用户UV、PV数据，同时便于根据需求调整最小统计窗口（如最近5分钟的UV），实现类似实时监控的效果，更好的在大屏等BI展示。相较于以天、周、月等为单位的去重，更适合在活动日期进行更细粒度的统计，并且通过简单的聚合，也可以得到较大时间单位的统计结果。

主体思想

1. Flink将流式数据转化为表与维表进行JOIN操作，再转化为流式数据。此举可以利用Hologres维表的insertIfNotExists特性结合自增字段实现高效的uid映射。
2. Flink把关联的结果数据按照时间窗口进行处理，根据查询维度使用RoaringBitmap进行聚合，并将查询维度以及聚合的uid存放在聚合结果表，其中聚合出的uid结果放入Hologres的RoaringBitmap类型的字段中。
3. 查询时，与离线方式相似，直接按照查询条件查询聚合结果表，并对其中关键的RoaringBitmap字段做or运算后并统计基数，即可得出对应用户数。
4. 处理流程如下图所示

 

方案最佳实践

1.创建相关基础表

1）创建表uid_mapping为uid映射表，用于映射uid到32位int类型。

• RoaringBitmap类型要求用户ID必须是32位int类型且越稠密越好（即用户ID最好连续）。常见的业务系统或者埋点中的用户ID很多是字符串类型或Long类型，因此需要使用uid_mapping类型构建一张映射表。映射表利用Hologres的SERIAL类型（自增的32位int）来实现用户映射的自动管理和稳定映射。
• 由于是实时数据, 设置该表为行存表，以提高Flink维表实时JOIN的QPS。

BEGIN; CREATE TABLE public.uid_mapping ( uid text NOT NULL, uid_int32 serial, PRIMARY KEY (uid) ); --将uid设为clustering_key和distribution_key便于快速查找其对应的int32值 CALL set_table_property('public.uid_mapping', 'clustering_key', 'uid'); CALL set_table_property('public.uid_mapping', 'distribution_key', 'uid'); CALL set_table_property('public.uid_mapping', 'orientation', 'row'); COMMIT;

 

2）创建表dws_app为基础聚合表，用于存放在基础维度上聚合后的结果。

• 使用RoaringBitmap前需要创建RoaringBitmap extention，同时也需要Hologres实例为0.10版本

CREATE EXTENSION IF NOT EXISTS roaringbitmap;

• 为了更好性能，建议根据基础聚合表数据量合理的设置Shard数，但建议基础聚合表的Shard数设置不超过计算资源的Core数。推荐使用以下方式通过Table Group来设置Shard数

--新建shard数为16的Table Group， --因为测试数据量百万级，其中后端计算资源为100core，设置shard数为16 BEGIN; CREATE TABLE tg16 (a int); --Table Group哨兵表 call set_table_property('tg16', 'shard_count', '16'); COMMIT;

• 相比离线结果表，此结果表增加了时间戳字段，用于实现以Flink窗口周期为单位的统计。结果表DDL如下：

BEGIN; create table dws_app(  country text,  prov text,  city text,  ymd text NOT NULL, --日期字段  timetz TIMESTAMPTZ, --统计时间戳，可以实现以Flink窗口周期为单位的统计  uid32_bitmap roaringbitmap, -- 使用roaringbitmap记录uv  primary key(country, prov, city, ymd, timetz)--查询维度和时间作为主键，防止重复插入数据 ); CALL set_table_property('public.dws_app', 'orientation', 'column'); --日期字段设为clustering_key和event_time_column，便于过滤 CALL set_table_property('public.dws_app', 'clustering_key', 'ymd'); CALL set_table_property('public.dws_app', 'event_time_column', 'ymd'); --等价于将表放在shard数为16的table group call set_table_property('public.dws_app', 'colocate_with', 'tg16'); --group by字段设为distribution_key CALL set_table_property('public.dws_app', 'distribution_key', 'country,prov,city'); COMMIT;

2.Flink实时读取数据并更新dws_app基础聚合表

完整示例源码请见alibabacloud-hologres-connectors examples

1）Flink 流式读取数据源（DataStream），并转化为源表（Table）

//此处使用csv文件作为数据源，也可以是kafka等 DataStreamSource odsStream = env.createInput(csvInput, typeInfo); // 与维表join需要添加proctime字段，详见https://help.aliyun.com/document_detail/62506.html Table odsTable =  tableEnv.fromDataStream(  odsStream,  $("uid"),  $("country"),  $("prov"),  $("city"),  $("ymd"),  $("proctime").proctime()); // 注册到catalog环境 tableEnv.createTemporaryView("odsTable", odsTable); 

2）将源表与Hologres维表（uid_mapping）进行关联

其中维表使用insertIfNotExists参数，即查询不到数据时自行插入，uid_int32字段便可以利用Hologres的serial类型自增创建。

// 创建Hologres维表，其中nsertIfNotExists表示查询不到则自行插入 String createUidMappingTable =  String.format(  "create table uid_mapping_dim("  + " uid string,"  + " uid_int32 INT"  + ") with ("  + " 'connector'='hologres',"  + " 'dbname' = '%s'," //Hologres DB名  + " 'tablename' = '%s',"//Hologres 表名  + " 'username' = '%s'," //当前账号access id  + " 'password' = '%s'," //当前账号access key  + " 'endpoint' = '%s'," //Hologres endpoint  + " 'insertifnotexists'='true'"  + ")",  database, dimTableName, username, password, endpoint); tableEnv.executeSql(createUidMappingTable); // 源表与维表join String odsJoinDim =  "SELECT ods.country, ods.prov, ods.city, ods.ymd, dim.uid_int32"  + " FROM odsTable AS ods JOIN uid_mapping_dim FOR SYSTEM_TIME AS OF ods.proctime AS dim"  + " ON ods.uid = dim.uid"; Table joinRes = tableEnv.sqlQuery(odsJoinDim);

 

3）将关联结果转化为DataStream，通过Flink时间窗口处理，结合RoaringBitmap进行聚合

DataStream<Tuple6<String, String, String, String, Timestamp, byte[]>> processedSource =  source  // 筛选需要统计的维度（country, prov, city, ymd）  .keyBy(0, 1, 2, 3)  // 滚动时间窗口；此处由于使用读取csv模拟输入流，采用ProcessingTime，实际使用中可使用EventTime  .window(TumblingProcessingTimeWindows.of(Time.minutes(5)))  // 触发器，可以在窗口未结束时获取聚合结果  .trigger(ContinuousProcessingTimeTrigger.of(Time.minutes(1)))  .aggregate(  // 聚合函数，根据key By筛选的维度，进行聚合  new AggregateFunction<  Tuple5<String, String, String, String, Integer>,  RoaringBitmap,  RoaringBitmap>() {  @Override  public RoaringBitmap createAccumulator() {  return new RoaringBitmap();  }  @Override  public RoaringBitmap add(  Tuple5<String, String, String, String, Integer> in,  RoaringBitmap acc) {  // 将32位的uid添加到RoaringBitmap进行去重  acc.add(in.f4);  return acc;  }  @Override  public RoaringBitmap getResult(RoaringBitmap acc) {  return acc;  }  @Override  public RoaringBitmap merge(  RoaringBitmap acc1, RoaringBitmap acc2) {  return RoaringBitmap.or(acc1, acc2);  }  },  //窗口函数，输出聚合结果  new WindowFunction<  RoaringBitmap,  Tuple6<String, String, String, String, Timestamp, byte[]>,  Tuple,  TimeWindow>() {  @Override  public void apply(  Tuple keys,  TimeWindow timeWindow,  Iterable<RoaringBitmap> iterable,  Collector<  Tuple6<String, String, String, String, Timestamp, byte[]>> out)  throws Exception {  RoaringBitmap result = iterable.iterator().next();  // 优化RoaringBitmap  result.runOptimize();  // 将RoaringBitmap转化为字节数组以存入Holo中  byte[] byteArray = new byte[result.serializedSizeInBytes()];  result.serialize(ByteBuffer.wrap(byteArray));  // 其中 Tuple6.f4(Timestamp) 字段表示以窗口长度为周期进行统计，以秒为单位  out.collect(  new Tuple6<>(  keys.getField(0),  keys.getField(1),  keys.getField(2),  keys.getField(3),  new Timestamp(  timeWindow.getEnd() / 1000 * 1000),  byteArray));  }  });

 

4）写入结果表

需要注意的是，Hologres中RoaringBitmap类型在Flink中对应Byte数组类型

// 计算结果转换为表 Table resTable =  tableEnv.fromDataStream(  processedSource,  $("country"),  $("prov"),  $("city"),  $("ymd"),  $("timest"),  $("uid32_bitmap")); // 创建Hologres结果表, 其中Hologres的RoaringBitmap类型通过Byte数组存入 String createHologresTable =  String.format(  "create table sink("  + " country string,"  + " prov string,"  + " city string,"  + " ymd string,"  + " timetz timestamp,"  + " uid32_bitmap BYTES"  + ") with ("  + " 'connector'='hologres',"  + " 'dbname' = '%s',"  + " 'tablename' = '%s',"  + " 'username' = '%s',"  + " 'password' = '%s',"  + " 'endpoint' = '%s',"  + " 'connectionSize' = '%s',"  + " 'mutatetype' = 'insertOrReplace'"  + ")",  database, dwsTableName, username, password, endpoint, connectionSize); tableEnv.executeSql(createHologresTable); // 写入计算结果到dws表 tableEnv.executeSql("insert into sink select * from " + resTable);

3.数据查询

查询时，从基础聚合表(dws_app)中按照查询维度做聚合计算，查询bitmap基数，得出group by条件下的用户数

• 查询某天内各个城市的uv

--运行下面RB_AGG运算查询，可执行参数先关闭三阶段聚合开关（默认关闭）,性能更好 set hg_experimental_enable_force_three_stage_agg=off  SELECT country  ,prov  ,city  ,RB_CARDINALITY(RB_OR_AGG(uid32_bitmap)) AS uv FROM dws_app WHERE ymd = '20210329' GROUP BY country  ,prov  ,city ;

 

• 查询某段时间内各个省份的uv

--运行下面RB_AGG运算查询，可执行参数先关闭三阶段聚合开关（默认关闭）,性能更好 set hg_experimental_enable_force_three_stage_agg=off  SELECT country  ,prov  ,RB_CARDINALITY(RB_OR_AGG(uid32_bitmap)) AS uv FROM dws_app WHERE time > '2021-04-19 18:00:00+08' and time < '2021-04-19 19:00:00+08' GROUP BY country  ,prov ;

原文链接
本文为阿里云原创内容，未经允许不得转载。