Hologres+Flink如何进行实时UV精确去重_实时数仓 Hologres(Hologres)-阿里云帮助中心

实时UV计算主要依赖Hologres与Flink结合完成，本文将为您介绍Hologres如何进行实时UV精确去重。

前提条件

开通Hologres并连接开发工具，示例使用HoloWeb，详情请参见连接HoloWeb。
准备并搭建好Flink集群环境，您可以使用阿里云Flink全托管或者开源Flink。

背景信息

Hologres与Flink有着强大的融合优化，支持Flink数据高通量实时写入，写入即可见，支持Flink SQL维表关联，以及作为CDC Source事件驱动开发。因此实时UV去重主要通过Flink和Hologres来实现，场景架构图如下所示。

Flink实时订阅实时采集的数据，数据源可以来源于日志数据，如Kafka等。
Flink对数据做进一步加工处理，将流式数据转化为表与Hologres维表进行JOIN操作，实时写入Hologres。
Hologres对Flink实时写入的数据实时处理。
最终查询的数据对接上层数据应用，如数据服务、Quick BI等。

实时UV计算方案流程

Flink与Hologres有着非常强的融合性，再结合Hologres天然支持的RoaringBitmap，完成实时UV计算，实时对用户标签去重，详细方案流程如下图所示。流程图

Flink实时订阅用户数据，这些数据可以来源于Kafka、Redis等，并通过DataStream转化为数据源表。
在Hologres中创建用户映射表，存放历史用户的uid以及对应的32位自增uid。
说明
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。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）。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。
在Flink中，将Hologres中的用户映射表作为Flink维表，利用Hologres维表的insertIfNotExists特性结合自增字段实现高效的uid映射。维表与数据源表进行Join关联，并将Join得到的结果转化为流式数据DataStream。
Hologres中创建聚合结果表，Flink把维表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函数。
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。

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。如果加工聚合的粒度较细，但查询时缺少相应的过滤条件或聚合维度，则也会在查询时引起较多的二次聚合操作，对性能有不利影响。

该方案数据链路简单，可以任意维度灵活计算，只需要一份Bitmap存储，也没有存储爆炸问题，还能保证实时更新，从而实现更实时、开发更灵活、功能更完善的多维分析数仓。

操作步骤

在Hologres中创建相关基础表

创建用户映射表
在Hologres创建表uid_mapping为用户映射表，命令语句如下所示。用于映射uid到32位int类型。如果原始uid已经是int32类型，此步骤可忽略。
- 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。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）。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，在Hologres中该表为行存表，以提高Flink维表实时JOIN的QPS。
- 需要开启相应GUC使用优化的执行引擎对包含serial字段的表进行写入，详情请参见Fixed Plan加速SQL执行。
```
--开启GUC,支持含有Serial类型列的Fixed Plan写入
alter database <dbname> set hg_experimental_enable_fixed_dispatcher_autofill_series=on;
alter database <dbname> set hg_experimental_enable_fixed_dispatcher_for_multi_values=on;

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;
```

创建聚合结果表

创建表dws_app为聚合结果表，用于存放在基础维度上聚合后的结果。

使用RoaringBitmap函数前需要创建RoaringBitmap extension，同时也需要Hologres实例为 V0.10及以上版本。

CREATE EXTENSION IF NOT EXISTS roaringbitmap;

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');
--group by字段设为distribution_key
CALL set_table_property('public.dws_app', 'distribution_key', 'country,prov,city');
COMMIT;

Flink实时读取数据并更新聚合结果表

在Flink中的完整示例源码请参见alibabacloud-hologres-connectors examples，下面是在Flink中的具体操作步骤。

Flink流式读取数据源（DataStream）并转化为源表（Table）

在Flink中使用流式读取数据源，数据源可以是CSV文件，也可以来源于Kafka、Redis等，可以根据业务场景准备。在Flink中转化为源表的代码示例如下。

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

将源表与Hologres维表（uid_mapping）进行关联

在Flink中创建Hologres维表，需要使用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。将Flink源表与Hologres维表进行关联（JOIN），代码示例如下。

-- 创建Hologres维表，其中insertIfNotExists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);

将关联结果转化为DataStream

通过Flink时间窗口处理，结合RoaringBitmap进行对指标进行去重处理，代码示例如下所示。

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));
        }
    });

写入Hologres聚合结果表

经过Flink去重处理的数据写入至Hologres结果表dws_app，但需要注意的是Hologres中RoaringBitmap类型在Flink中对应Byte数组类型，Flink中代码如下。

 -- 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_app表
tableEnv.executeSql("insert into sink select * from " + resTable);

数据查询

在Hologres中对聚合结果表（dws_app）进行UV计算。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。

示例一：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，此步骤可选
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
;

示例二：查询某段时间内各个省份的UV、PV

-- 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，此步骤可选
set hg_experimental_enable_force_three_stage_agg=off;

SELECT  country
        ,prov
        ,RB_CARDINALITY(RB_OR_AGG(uid32_bitmap)) AS uv
        ,SUM(pv) AS pv
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
;

可视化展示
计算出UV、PV后，大多数情况需要使用BI工具以更直观的方式可视化展示，由于需要使用RB_CARDINALITY和RB_OR_AGG进行聚合计算，需要使用BI的自定义聚合函数的能力，常见的具备该能力的BI包括Apache Superset和Tableau。
- Apache Superset
  1. Apache Superset连接Hologres，详情请参见Apache Superset。
  2. 设置dws_app表作为数据集。
  3. 在数据集中创建一个名称为UV的单独Metrics，表达式如下。
```
RB_CARDINALITY(RB_OR_AGG(uid32_bitmap))
```
    完成后您就可以开始探索数据了。
  4. （可选）创建Dashboard。
    创建仪表板请参见Create Dashboard。
- Tableau
  1. Tableau连接Hologres，详情请参见Tableau。
    可以使用Tableau的直通函数直接实现自定义函数的能力，详细介绍请参见直通函数。
  2. 创建一个计算字段，表达式如下。
```
RAWSQLAGG_INT("RB_CARDINALITY(RB_OR_AGG(%1))", [Uid32 Bitmap])
```
    完成后您就可以开始探索数据了。
  3. （可选）创建Dashboard。
    创建仪表板请参见Create a Dashboard。