Druid 大數據分析之查詢

一、Druid 查詢概述

     上一節完成數據導入後，接下來說講Druid如何查詢及統計分析導入的數據。
    Druid的查詢是使用REST風格的HTTP請求查詢服務節點（Broker、Historical、Realtime），這些服務節點暴露REST查詢接口，客戶端發送Json對象請求查詢接口。通常狀況下，查詢服務接口發佈在Broker節點，基於Linux 的POST請求查詢以下所示： 

/**
* port: 查詢請求接口對應Broker，默認8082端口
* query_json_file: 查詢Json對象文件（配置）
*/
curl -X POST '<queryable_host>:<port>/druid/v2/?pretty' -H 'Content-Type:application/json' -d @<query_json_file>

 

二、Druid 查詢類型

     Druid在不一樣場景下，有不少的查詢類型。查詢是由各類JSON屬性和Druid有不一樣類型的不一樣場景下查詢組成。對於各類類型的查詢類型的配置能夠json屬性文件設置。Druid查詢類型，歸納一下爲3大類：
     1. 聚合查詢 - 時間序列查詢（Timeseries）、排名查詢（TopN）、分組查詢（GroupBy）
     2. 元數據查詢 - 時間範圍(Time Boundary) 、段元數據(Segment Metadata)、數據源(Datasource)
     3. Search查詢 - Search
     本節以聚合查詢爲主，其它查詢類型比較簡單，使用上相對比較少，暫不介紹。對聚合查詢類型下的3種查詢如何選擇進行一下概述：
     在可能的狀況下，咱們建議使用的時間序列和TopN查詢代替分組查詢，分組查詢是Druid最靈活的的查詢，可是性能最差。時間序列查詢是明顯快於GROUPBY查詢，由於聚合不須要分組尺寸。對於分組和排序在一個單一的維度，TopN查詢更優於GROUPBY。

 

2.1 Json查詢屬性

在講聚合查詢下的3種查詢類型以前，咱們須要對3種查詢類型共有的特別重要的Json屬性理解與熟悉，經常使用屬性如：queryType、dataSource、granularity、filter、aggregator等。

 

2.1.1 查詢類型（queryType）

對應聚合查詢下的3種類型值：timeseries、topN、groupBy

 

2.1.2 數據源（dataSource）

數據源，相似數據庫中表的概念，對應數據導入時Json配置屬性dataSource值

 

2.1.3 聚合粒度（granularity）

    粒度決定如何獲得數據塊在跨時間維度，或者如何獲得按小時，天，分鐘的彙總等。在配置查詢聚合粒度裏有三種配置方法：
     1. 簡單聚合粒度 - 支持字符串值有：all、none、second、minute、fifteen_minute、thirty_minute、hour、day、week、month、quarter、year
       (1) all - 將全部塊變成一塊
       (2) none - 不使用塊數據（它其實是使用最小索引的粒度，none意味着爲毫秒級的粒度）；按時間序列化查詢時不建議使用none，由於全部的毫秒不存在，系統也將嘗試生成0值，這每每是不少。
     2. 時間段聚合粒度 - Druid指定一精確的持續時間（毫秒）和時間綴返回UTC（世界標準時間）。
     3. 經常使用時間段聚合粒度 - 與時間段聚合粒度差很少，可是經常使用時間指平時咱們經常使用時間段，如年、月、周、小時等。
    下面對3種聚合粒度配置舉例說明：

  

    簡單聚合粒度

        查詢粒度比數據採集時配置的粒度小，則不合理，也無心義，因較小粒度（相比）者無索引數據；如
    查詢粒度小於採集時配置的查詢粒度時，則Druid的查詢結果與採集數據配置的查詢粒度結果同樣。

        假設咱們存儲在Druid的數據使用毫秒粒度獲取，數據以下：

{"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"小時" 粒度提交一個groupby查詢，查詢配置以下：

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

      按小時粒度進行的groupby查詢結果中timestamp值精確到小時間，比小時粒度更小粒度值自動補填零，

以此類推按天查詢，則小時及小粒度補零。timestamp值爲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"
  }
} ]

       若是指定查詢粒度爲 none，則返回結果與數據導入時設置粒度（queryGranularity屬性值）結果同樣，
    此處的導入粒度爲毫秒，結果以下：

[ {
  "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"
  }
} ]

     若是指定查詢粒度爲 all，返回數組長度結果爲1，結果以下：

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

 

    時間段聚合粒度 

          指定一個精確時間持續時長（毫秒錶示）及時間綴，返回UTC時間；支持可選項屬性origin，不指定時 
     默認開始時間（1970-01-01T00:00:00Z）

 

/**持續時間段2小時，從1970-01-01T00:00:00Z開始*/
{"type": "duration", "duration": 7200000}

/**持續時間1小時，從origin開始*/
{"type": "duration", "duration": 3600000, "origin": "2012-01-01T00:30:00Z"}

       

    以上簡單聚合粒度的示例數據爲例，提交groupby查詢，持續時間段爲24小時，查詢配置以下：

 

{
   "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"
   ]
}

     查詢結果：

[ {
  "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"
  }
} ]

    

    經常使用時間段聚合粒度

 

         略...

 

 

2.1.4 過濾（Filters）

一個Filter就是一個Json對象，用於過濾數據行過濾，相似SQL中的Where子句。過濾器類型有以下：Selector filte、Regular expression filter（正則表達式過濾）、Logical expression filters（AND、OR、NOT）、In filter、Bound filter、Search filter、JavaScript filter、Extraction filter

    示例簡單查看使用方式：

   

   查詢過濾（Selector filte）

           等價於：WHERE <dimension_string> = '<dimension_value_string>'

"filter": { "type": "selector", "dimension": <dimension_string>, "value": <dimension_value_string> }

   

    正則表達過濾（Regular expression filter）

           與Selector filte差很少，只是這裏使用正則表達式，表達式爲標準的Java正則表達式規範

 

"filter": { "type": "regex", "dimension": <dimension_string>, "pattern": <pattern_string> }

 

    邏緝表達過濾（Logical expression filters）

   

     AND

 

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

 

     OR

 

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

 

     NOT

 

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

 

 

    IN過濾（In filter）

       

    SQL查詢

 

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

    Druid IN 過濾表示

 

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

 

    範圍過濾（Bound filter）

         Bound filter 過濾比較值大小或小於某值，默認按字符串比較，使用數據比較須要設置alphaNumeric 屬
     性爲true；默認 Bound filter爲非嚴格性（類閉區間），如 inputString <= upper && inputSting >= lower

 

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

    上述表示等價如：21 <= age <= 31

 

    Bound filter 嚴格性，須要設置lowerStrict or/and upperStrict 屬性值爲true以下：

 

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

    等價如：21 < age < 31

 

2.1.5 聚合（Aggregations）

   聚合能夠在採集時間時規格部分的一種方式，彙總數據進入Druid以前提供。聚合也能夠被指定爲在查詢時多查詢的部分，聚合類型以下：Count aggregator、Sum aggregators、Min / Max aggregators、Approximate Aggregations、Miscellaneous Aggregations 

 

    Count aggregator

          

        查詢返回匹配過濾條件的數據行數，須要注意的是：Druid進行Count查詢的數據量並不必定等於數據採
    集時導入的數據量，由於Druid在採集數據並導入時已經對數據進行了聚合。

 

{ "type" : "count", "name" : <output_name> }

 

    Sum aggregator

 

          longSum aggregator：計算值爲有符號位64位整數

          

{ "type" : "longSum", "name" : <output_name>, "fieldName" : <metric_name> }

   

          doubleSum aggregator：與longSum相似，計算值爲64位浮點型 

 

{ "type" : "doubleSum", "name" : <output_name>, "fieldName" : <metric_name> }

 

    Min / Max aggregators

 

          doubleMin aggregator 

 

{ "type" : "doubleMin", "name" : <output_name>, "fieldName" : <metric_name> }

    

          doubleMax aggregator

 

{ "type" : "doubleMax", "name" : <output_name>, "fieldName" : <metric_name> }

 

          longMin aggregator

 

{ "type" : "longMin", "name" : <output_name>, "fieldName" : <metric_name> }

 

         longMax aggregator

 

{ "type" : "longMax", "name" : <output_name>, "fieldName" : <metric_name> }

 

    相似聚合（Approximate Aggregations）

         

        基數聚合（Cardinality aggregator）

  

         計算Druid多種維度基數，Cardinality aggregator使用HyperLogLog評估基數，這種聚合比帶有索引的
     hyperUnique聚合慢，運行在一個維度列，意味着不能從數據集中刪除字符串維度來提升聚合；通常咱們
     強力推薦使用hyperUnique aggregator而不是Cardinality aggregator，格式以下：

 

{
  "type": "cardinality",
  "name": "<output_name>",
  "fieldNames": [ <dimension1>, <dimension2>, ... ],
  "byRow": <false | true> # (optional, defaults to false)
}

 

       . 維度值聚合-當設置屬性byRow爲false（默認值）時，經過合併全部給定的維度列來計算值集合。

         

         對於單維度，等價以下：

 

SELECT COUNT(DISTINCT(dimension)) FROM <datasource>

        

         對於多維度，等價以下:

 

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

 

       . 行聚合-當設置屬性byRow爲true時，根所不一樣維度的值合併來計算行值，等價以下：

 

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

 

 

           許多不一樣國家的人出生地或來自哪裏，用druid配置以下：

 

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

 

 

        HyperUnique aggregator

 

        已經被「hyperunique」在建立索引時聚合的維度值使用HyperLogLog計算估計，更多資料請參考官網

 

{ "type" : "hyperUnique", "name" : <output_name>, "fieldName" : <metric_name> }

  

後聚合（post-aggregators）

後聚合是對Druid進行聚合後的值進行聚全，若是查詢中包括一個後聚合，那麼確保全部聚合知足後聚合要求；後聚合有如下幾種類型：
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

 

           算術後聚合應用已提供的函數從左到右獲取字段，這些字段可聚合或後聚合；支持+, -, *, /, and quotient。

           算術後聚合能夠指定ordering屬性，用於聚合結果排序（對topN查詢頗有用 ）：

               (1) 若是無ordering屬性（或null），使用默認的浮點排序。

               (2) numericFirst 首先返回有限值，其次是NaN，最後返回無限值。

           算術後聚合語法以下：

 

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

 

 

        Field accessor post-aggregator - fieldName引用aggregator定義的名稱

 

{ "type" : "fieldAccess", "name": <output_name>, "fieldName" : <aggregator_name> }

 

        Constant post-aggregator - 返回指定值

 

{ "type"  : "constant", "name"  : <output_name>, "value" : <numerical_value> }

 

 

2.2 時間序列查詢（Timeseries）

      這些類型的查詢以時間序列查詢對象和返回一個JSON數組對象，每一個對象表示時間序列查詢的值，時間序列查詢請求的Json的7個主要屬性以下：

屬性	描述	必填項
queryType	字符串類型，時間序列 "timeseries"	是
dataSource	字符串類型，數據源（相似數據庫表）	是
descending	排序標誌，默認爲 "false"(升序)	否
intervals	查詢時間範圍跨度，JSON對象，ISO-8601區間	是
granularity	定義查詢結果塊粒度	是
filter	過濾條件	否
aggregations	聚合	是
postAggregations	後聚合	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" ]
}

   

 

    上述配置了過濾條件，2個聚合，後聚合器將2個聚合結果進行相除。查詢結果以下，查詢結果存儲在屬性result，以鍵值對方式存儲：

 

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

  

2.3 排名查詢（TopN query）

    TopN查詢根據規範返回給定維度的有序的結果集，從概念上來說，TopN查詢被認爲單維度、有序的相似分組查詢。在某些狀況下，TopN查詢比分組查詢（groupby query）快。TopN查詢結果返回Json數組對象。
    TopN在每一個節點將頂上K個結果排名，在Druid默認狀況下最大值爲1000。在實踐中，若是你要求前1000個項順序排名，那麼從第1-999個項的順序正確性是100%，其後項的結果順序沒有保證。你能夠經過增長threshold值來保證順序準確。

屬性	描述	必填項
queryType	字符串類型，時間序列 "topN"	是
dataSource	字符串類型，數據源（相似數據庫表）	是
intervals	查詢時間範圍跨度，JSON對象，ISO-8601區間	是
granularity	定義查詢結果塊粒度	是
filter	過濾條件	否
aggregations	聚合	是
postAggregations	後聚合	否
dimension	查詢的維度（列）	是
threshold	返回Top N個結果	是
metric	字符串或Json對象指定度量對Top N個結果排序	是
context	上下文	否

  

Metric

屬性	描述	必填項
type	數字排序	是
metric	排序字段	是

  

       數據排序（Numeric TopNMetricSpec） - 最簡單的規範指定一個字符串值指示排序TopN結果的度量

 

"metric": "<metric_name>"

  

       metric屬性一般配置爲Json對象，上述等價於：

 

"metric": {
    "type": "numeric",
    "metric": "<metric_name>"
}

 

    topN query 配置示例以下：

 

{
  "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"
  ]
}

   

    查詢前Top 5個結果，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
      }
    ]
  }
]