1、Druid 查询概述
上一节完成数据导入后,接下来讲讲Druid如何查询及统计分析导入的数据。
Druid的查询是使用REST风格的HTTP请求查询服务节点(Broker、Historical、Realtime),这些服务节点暴露REST查询接口,客户端发送Json对象请求查询接口。一般情况下,查询服务接口发布在Broker节点,基于Linux 的POST请求查询如下所示:
/**
* port: 查询请求接口对应Broker,默认8082端口
* query_json_file: 查询Json对象文件(配置)
*/
curl -X POST '<queryable_host>:<port>/druid/v2/?pretty' -H 'Content-Type:application/json' -d @<query_json_file>
2、Druid 查询类型
Druid在不同场景下,有很多的查询类型。查询是由各种JSON属性和Druid有不同类型的不同场景下查询组成。对于各种类型的查询类型的配置可以json属性文件设置。Druid查询类型,概括一下为3大类:
1. 聚合查询 - 时间序列查询(Timeseries)、排名查询(TopN)、分组查询(GroupBy)
2. 元数据查询 - 时间范围(Time Boundary) 、段元数据(Segment Metadata)、数据源(Datasource)
3. Search查询 - Search
本节以聚合查询为主,其它查询类型比较简单,使用上相对比较少,暂不介绍。对聚合查询类型下的3种查询如何选择进行一下概述:
在可能的情况下,我们建议使用的时间序列和TopN查询代替分组查询,分组查询是Druid最灵活的的查询,但是性能最差。时间序列查询是明显快于GROUPBY查询,因为聚合不需要分组尺寸。对于分组和排序在一个单一的维度,TopN查询更优于GROUPBY。
2.1 Json查询属性
在讲聚合查询下的3种查询类型之前,我们需要对3种查询类型共有的特别重要的Json属性理解与熟悉,常用属性如:queryType、dataSource、granularity、filter、aggregator等。
2.1.1 查询类型(queryType)
对应聚合查询下的3种类型值:timeseries、topN、groupBy
2.1.2 数据源(dataSource)
数据源,类似数据库中表的概念,对应数据导入时Json配置属性dataSource值
2.1.3 聚合粒度(granularity)
粒度决定如何得到数据块在跨时间维度,或者如何得到按小时,天,分钟的汇总等。在配置查询聚合粒度里有三种配置方法:
1. 简单聚合粒度 - 支持字符串值有:all、none、second、minute、fifteen_minute、thirty_minute、hour、day、week、month、quarter、year
(1) all - 将所有块变成一块
(2) none - 不使用块数据(它实际上是使用最小索引的粒度,none意味着为毫秒级的粒度);按时间序列化查询时不建议使用none,因为所有的毫秒不存在,系统也将尝试生成0值,这往往是很多。
2. 时间段聚合粒度 - Druid指定一精确的持续时间(毫秒)和时间缀返回UTC(世界标准时间)。
3. 常用时间段聚合粒度 - 与时间段聚合粒度差不多,但是常用时间指平时我们常用时间段,如年、月、周、小时等。
下面对3种聚合粒度配置举例说明:
简单聚合粒度
查询粒度比数据采集时配置的粒度小,则不合理,也无意义,因较小粒度(相比)者无索引数据;如
查询粒度小于采集时配置的查询粒度时,则Druid的查询结果与采集数据配置的查询粒度结果一样。
假设我们存储在Druid的数据使用毫秒粒度获取,数据如下:
{"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"小时" 粒度提交一个groupby查询,查询配置如下:
{
"queryType":"groupBy",
"dataSource":"dataSource",
"granularity":"hour",
"dimensions":[
"language"
],
"aggregations":[
{
"type":"count",
"name":"count"
}
],
"intervals":[
"2000-01-01T00:00Z/3000-01-01T00:00Z"
]
}
按小时粒度进行的groupby查询结果中timestamp值精确到小时间,比小时粒度更小粒度值自动补填零,
以此类推按天查询,则小时及小粒度补零。timestamp值为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"
}
} ]
如果指定查询粒度为 none,则返回结果与数据导入时设置粒度(queryGranularity属性值)结果一样,
此处的导入粒度为毫秒,结果如下:
[ {
"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"
}
} ]
如果指定查询粒度为 all,返回数组长度结果为1,结果如下:
[ {
"version" : "v1",
"timestamp" : "2000-01-01T00:00:00.000Z",
"event" : {
"count" : 4,
"language" : "en"
}
} ]
时间段聚合粒度
指定一个精确时间持续时长(毫秒表示)及时间缀,返回UTC时间;支持可选项属性origin,不指定时
默认开始时间(1970-01-01T00:00:00Z)
/**持续时间段2小时,从1970-01-01T00:00:00Z开始*/
{"type": "duration", "duration": 7200000}
/**持续时间1小时,从origin开始*/
{"type": "duration", "duration": 3600000, "origin": "2012-01-01T00:30:00Z"}
以上简单聚合粒度的示例数据为例,提交groupby查询,持续时间段为24小时,查询配置如下:
{
"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"
]
}
查询结果:
[ {
"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"
}
} ]
常用时间段聚合粒度
略...
2.1.4 过滤(Filters)
一个Filter就是一个Json对象,用于过滤数据行过滤,类似SQL中的Where子句。过滤器类型有如下:Selector filte、Regular expression filter(正则表达式过滤)、Logical expression filters(AND、OR、NOT)、In filter、Bound filter、Search filter、JavaScript filter、Extraction filter
示例简单查看使用方式:
查询过滤(Selector filte)
等价于:WHERE <dimension_string> = '<dimension_value_string>'
"filter": { "type": "selector", "dimension": <dimension_string>, "value": <dimension_value_string> }
正则表达过滤(Regular expression filter)
与Selector filte差不多,只是这里使用正则表达式,表达式为标准的Java正则表达式规范
"filter": { "type": "regex", "dimension": <dimension_string>, "pattern": <pattern_string> }
逻缉表达过滤(Logical expression filters)
AND
"filter": { "type": "and", "fields": [<filter>, <filter>, ...] }
OR
"filter": { "type": "or", "fields": [<filter>, <filter>, ...] }
NOT
"filter": { "type": "not", "field": <filter> }
IN过滤(In filter)
SQL查询
SELECT COUNT(*) AS 'Count' FROM `table` WHERE `outlaw` IN ('Good', 'Bad', 'Ugly')
Druid IN 过滤表示
{
"type": "in",
"dimension": "outlaw",
"values": ["Good", "Bad", "Ugly"]
}
范围过滤(Bound filter)
Bound filter 过滤比较值大小或小于某值,默认按字符串比较,使用数据比较需要设置alphaNumeric 属
性为true;默认 Bound filter为非严格性(类闭区间),如 inputString <= upper && inputSting >= lower
{
"type": "bound",
"dimension": "age",
"lower": "21",
"upper": "31" ,
"alphaNumeric": true
}
上述表示等价如:21 <= age <= 31
Bound filter 严格性,需要设置lowerStrict or/and upperStrict 属性值为true如下:
{
"type": "bound",
"dimension": "age",
"lower": "21",
"lowerStrict": true,
"upper": "31" ,
"upperStrict": true,
"alphaNumeric": true
}
等价如:21 < age < 31
2.1.5 聚合(Aggregations)
聚合可以在采集时间时规格部分的一种方式,汇总数据进入Druid之前提供。聚合也可以被指定为在查询时多查询的部分,聚合类型如下:Count aggregator、Sum aggregators、Min / Max aggregators、Approximate Aggregations、Miscellaneous Aggregations
Count aggregator
查询返回匹配过滤条件的数据行数,需要注意的是:Druid进行Count查询的数据量并不一定等于数据采
集时导入的数据量,因为Druid在采集数据并导入时已经对数据进行了聚合。
{ "type" : "count", "name" : <output_name> }
Sum aggregator
longSum aggregator:计算值为有符号位64位整数
{ "type" : "longSum", "name" : <output_name>, "fieldName" : <metric_name> }
doubleSum aggregator:与longSum类似,计算值为64位浮点型
{ "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> }
类似聚合(Approximate Aggregations)
基数聚合(Cardinality aggregator)
计算Druid多种维度基数,Cardinality aggregator使用HyperLogLog评估基数,这种聚合比带有索引的
hyperUnique聚合慢,运行在一个维度列,意味着不能从数据集中删除字符串维度来提高聚合;一般我们
强力推荐使用hyperUnique aggregator而不是Cardinality aggregator,格式如下:
{
"type": "cardinality",
"name": "<output_name>",
"fieldNames": [ <dimension1>, <dimension2>, ... ],
"byRow": <false | true> # (optional, defaults to false)
}
. 维度值聚合-当设置属性byRow为false(默认值)时,通过合并所有给定的维度列来计算值集合。
对于单维度,等价如下:
SELECT COUNT(DISTINCT(dimension)) FROM <datasource>
对于多维度,等价如下:
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-当设置属性byRow为true时,根所不同维度的值合并来计算行值,等价如下:
SELECT COUNT(*) FROM ( SELECT DIM1, DIM2, DIM3 FROM <datasource> GROUP BY DIM1, DIM2, DIM3 )
许多不同国家的人出生地或来自哪里,用druid配置如下:
{
"type": "cardinality",
"name": "distinct_countries",
"fieldNames": [ "coutry_of_origin", "country_of_residence" ]
}
HyperUnique aggregator
已经被“hyperunique”在创建索引时聚合的维度值使用HyperLogLog计算估计,更多资料请参考官网
{ "type" : "hyperUnique", "name" : <output_name>, "fieldName" : <metric_name> }
后聚合(post-aggregators)
后聚合是对Druid进行聚合后的值进行聚全,如果查询中包括一个后聚合,那么确保所有聚合满足后聚合要求;后聚合有以下几种类型:
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
算术后聚合应用已提供的函数从左到右获取字段,这些字段可聚合或后聚合;支持+
, -
, *
, /
, and quotient。
算术后聚合可以指定ordering属性,用于聚合结果排序(对topN查询很有用 ):
(1) 如果无ordering属性(或null),使用默认的浮点排序。
(2) numericFirst 首先返回有限值,其次是NaN,最后返回无限值。
算术后聚合语法如下:
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定义的名称
{ "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 时间序列查询(Timeseries)
这些类型的查询以时间序列查询对象和返回一个JSON数组对象,每个对象表示时间序列查询的值,时间序列查询请求的Json的7个主要属性如下:
属性 |
描述 |
必填项 |
queryType |
字符串类型,时间序列 "timeseries" |
是 |
dataSource |
字符串类型,数据源(类似数据库表) |
是 |
descending |
排序标志,默认为 "false"(升序) |
否 |
intervals |
查询时间范围跨度,JSON对象,ISO-8601区间 |
是 |
granularity |
定义查询结果块粒度 |
是 |
filter |
过滤条件 |
否 |
aggregations |
聚合 |
是 |
postAggregations |
后聚合 |
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" ]
}
上述配置了过滤条件,2个聚合,后聚合器将2个聚合结果进行相除。查询结果如下,查询结果存储在属性result,以键值对方式存储:
[
{
"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 排名查询(TopN query)
TopN查询根据规范返回给定维度的有序的结果集,从概念上来讲,TopN查询被认为单维度、有序的类似分组查询。在某些情况下,TopN查询比分组查询(groupby query)快。TopN查询结果返回Json数组对象。 TopN在每个节点将顶上K个结果排名,在Druid默认情况下最大值为1000。在实践中,如果你要求前1000个项顺序排名,那么从第1-999个项的顺序正确性是100%,其后项的结果顺序没有保证。你可以通过增加threshold值来保证顺序准确。
属性 |
描述 |
必填项 |
queryType |
字符串类型,时间序列 "topN" |
是 |
dataSource |
字符串类型,数据源(类似数据库表) |
是 |
intervals |
查询时间范围跨度,JSON对象,ISO-8601区间 |
是 |
granularity |
定义查询结果块粒度 |
是 |
filter |
过滤条件 |
否 |
aggregations |
聚合 |
是 |
postAggregations |
后聚合 |
否 |
dimension |
查询的维度(列) |
是 |
threshold |
返回Top N个结果 |
是 |
metric |
字符串或Json对象指定度量对Top N个结果排序 |
是 |
context |
上下文 |
否
|
Metric
属性 |
描述 |
必填项 |
type |
数字排序 |
是 |
metric |
排序字段 |
是
|
数据排序(Numeric TopNMetricSpec) - 最简单的规范指定一个字符串值指示排序TopN结果的度量
"metric": "<metric_name>"
metric属性通常配置为Json对象,上述等价于:
"metric": {
"type": "numeric",
"metric": "<metric_name>"
}
topN query 配置示例如下:
{
"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"
]
}
查询前Top 5个结果,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
}
]
}
]
待续。。。
相关推荐
druid多维数据分析.pptx
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...
Druid实时大数据分析:原理与实践
Druid实时大数据分析原理与实践.pdf 高清,欧阳辰,数据仓库架构必备。
Druid实时大数据分析,主要讲的是Druid的使用以及Druid如何与其他大数据插件之间关系
Druid实时大数据分析原理与实践,非常详细的介绍,OLAP神器
今日头条druid实时大数据分析选型以及架构设计等等 今日头条druid实时大数据分析选型以及架构设计等等
大数据 欧阳辰-实时大数据分析之利器Druid大数据 欧阳辰-实时大数据分析之利器Druid
druid源代码解读 构架设计 分布式构建 设计模式 依赖注入等
它既支持高速的数据实时摄入处理,也支持实时且灵活的多维数据分析查询。因此Druid最常用的场景就是大数据背景下、灵活快速的多维OLAP分析。 另外,Druid还有一个关键的特点:它支持根据时间戳对数据进行预聚合摄入...
SpringBoot,idea,演示了使用Druid数据源监控页面的配置和使用
Druid在数据摄入之前,首先要定义一个数据源(DataSource,类似于数据库中表的概念),Druid是一个分布式数据分析平台,也是一个时序数据库,也是一个集群系统,使用zookeeper做节点管理和事件监控。 Druid是一个专为...
Druid之旅-大数据实时分析数据存储框架 共42页.pdf
Druid 实时分析架构设计思路—Imply.pdf
Druid是一个为大型冷数据集上实时探索查询而设计的开源数据分析和存储系统,提供极具成本效益并且永远在线的实时数据摄取和任意数据处理,并且在面对代码部署、机器故障以及其他产品系统遇到不测时能保持100%正常...
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。 Druid 具有以下主要特征: 为分析而设计——Druid 是为 OLAP 工作流的探索性分析...
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。Druid是目前最好的数据库连接池。 压缩包内包含jar包、源码、doc资源。共同学习
2、Druid的入门示例(使用三种不同的方式摄入数据和提交任务) 网页地址:https://blog.csdn.net/chenwewi520feng/article/details/130800601 本文主要介绍了Druid一个入门示例,使用三种不同的方式摄入数据和提交...
druid-0.2.20 是一个分布式内存实时分析系统,用于解决如何在大规模数据集下进行快速的、交互式的查询和分析的问题。很好用的一个数据库连接池工具。