怎樣分析Apache Druid

概覽

Apache Druid 是一個高性能的實時分析型數(shù)據(jù)庫。

• 一個現(xiàn)代化的云原生，流原生，分析型數(shù)據(jù)庫

  Druid 是為快速查詢和快速攝入數(shù)據(jù)的工作流而設(shè)計的。Druid 強在有強大的 UI，運行時可操作查詢，和高性能并發(fā)處理。Druid 可以被視為一個滿足多樣化用戶場景的數(shù)據(jù)倉庫的開源替代品。

• 輕松與現(xiàn)有的數(shù)據(jù)管道集成

  Druid 可以從消息總線流式獲取數(shù)據(jù)（如 Kafka，Amazon Kinesis），或從數(shù)據(jù)湖批量加載文件（如 HDFS，Amazon S3 和其他同類數(shù)據(jù)源）。

• 比傳統(tǒng)方案快 100 倍的性能

  Druid 對數(shù)據(jù)攝入和數(shù)據(jù)查詢的基準性能測試大大超過了傳統(tǒng)解決方案。

  Druid 的架構(gòu)融合了數(shù)據(jù)倉庫，時間序列數(shù)據(jù)庫和檢索系統(tǒng)最好的特性。

• 解鎖新的工作流

  Druid 為 Clickstream，APM(應(yīng)用性能管理系統(tǒng))，supply chain(供應(yīng)鏈)，網(wǎng)絡(luò)遙測，數(shù)字營銷和其他事件驅(qū)動形式的場景解鎖了新的查詢方式和工作流。Druid 專為實時和歷史數(shù)據(jù)的快速臨時查詢而構(gòu)建。

• 部署在 AWS/GCP/Azure，混合云，k8s 和租用服務(wù)器上

  Druid 可以部署在任何*NIX 環(huán)境中。無論是內(nèi)部環(huán)境還是云環(huán)境。部署 Druid 是非常 easy 的：通過添加或刪減服務(wù)來擴容縮容。

使用場景

Apache Druid 適用于對實時數(shù)據(jù)提取，高性能查詢和高可用要求較高的場景。因此，Druid 通常被作為一個具有豐富 GUI 的分析系統(tǒng)，或者作為一個需要快速聚合的高并發(fā) API 的后臺。Druid 更適合面向事件數(shù)據(jù)。

比較常見的使用場景：

• 點擊流分析（web 和 mobile 分析）

• 風(fēng)控分析

• 網(wǎng)路遙測分析（網(wǎng)絡(luò)性能監(jiān)控）

• 服務(wù)器指標存儲

• 供應(yīng)鏈分析（制造業(yè)指標）

• 應(yīng)用性能指標

• 商業(yè)智能/實時在線分析系統(tǒng) OLAP

下面將詳細分析這些使用場景：

用戶活動和行為

Druid 經(jīng)常用在點擊流，訪問流，和活動流數(shù)據(jù)上。具體場景包括：衡量用戶參與度，為產(chǎn)品發(fā)布追蹤 A/B 測試數(shù)據(jù)，并了解用戶使用方式。Druid 可以做到精確和近似計算用戶指標，例如不重復(fù)計數(shù)指標。這意味著，如日活用戶指標可以在一秒鐘計算出近似值(平均精度 98%)，以查看總體趨勢，或精確計算以展示給利益相關(guān)者。Druid 可以用來做“漏斗分析”，去測量有多少用戶做了某種操作，而沒有做另一個操作。這對產(chǎn)品追蹤用戶注冊十分有用。

網(wǎng)絡(luò)流

Druid 常常用來收集和分析網(wǎng)絡(luò)流數(shù)據(jù)。Druid 被用于管理以任意屬性切分組合的流數(shù)據(jù)。Druid 能夠提取大量網(wǎng)絡(luò)流記錄，并且能夠在查詢時快速對數(shù)十個屬性組合和排序，這有助于網(wǎng)絡(luò)流分析。這些屬性包括一些核心屬性，如 IP 和端口號，也包括一些額外添加的強化屬性，如地理位置，服務(wù)，應(yīng)用，設(shè)備和 ASN。Druid 能夠處理非固定模式，這意味著你可以添加任何你想要的屬性。

數(shù)字營銷

Druid 常常用來存儲和查詢在線廣告數(shù)據(jù)。這些數(shù)據(jù)通常來自廣告服務(wù)商，它對衡量和理解廣告活動效果，點擊穿透率，轉(zhuǎn)換率（消耗率）等指標至關(guān)重要。

Druid 最初就是被設(shè)計成一個面向廣告數(shù)據(jù)的強大的面向用戶的分析型應(yīng)用程序。在存儲廣告數(shù)據(jù)方面，Druid 已經(jīng)有大量生產(chǎn)實踐，全世界有大量用戶在上千臺服務(wù)器上存儲了 PB 級數(shù)據(jù)。

應(yīng)用性能管理

Druid 常常用于追蹤應(yīng)用程序生成的可運營數(shù)據(jù)。和用戶活動使用場景類似，這些數(shù)據(jù)可以是關(guān)于用戶怎樣和應(yīng)用程序交互的，它可以是應(yīng)用程序自身上報的指標數(shù)據(jù)。Druid 可用于下鉆發(fā)現(xiàn)應(yīng)用程序不同組件的性能如何，定位瓶頸，和發(fā)現(xiàn)問題。

不像許多傳統(tǒng)解決方案，Druid 具有更小存儲容量，更小復(fù)雜度，更大數(shù)據(jù)吞吐的特點。它可以快速分析數(shù)以千計屬性的應(yīng)用事件，并計算復(fù)雜的加載，性能，利用率指標。比如，基于百分之 95 查詢延遲的 API 終端。我們可以以任何臨時屬性組織和切分數(shù)據(jù)，如以天為時間切分數(shù)據(jù)，如以用戶畫像統(tǒng)計，如按數(shù)據(jù)中心位置統(tǒng)計。

物聯(lián)網(wǎng)和設(shè)備指標

Driud 可以作為時間序列數(shù)據(jù)庫解決方案，來存儲處理服務(wù)器和設(shè)備的指標數(shù)據(jù)。收集機器生成的實時數(shù)據(jù)，執(zhí)行快速臨時的分析，去估量性能，優(yōu)化硬件資源，和定位問題。

和許多傳統(tǒng)時間序列數(shù)據(jù)庫不同，Druid 本質(zhì)上是一個分析引擎。Druid 融合了時間序列數(shù)據(jù)庫，列式分析數(shù)據(jù)庫，和檢索系統(tǒng)的理念。它在單個系統(tǒng)中支持了基于時間分區(qū)，列式存儲，和搜索索引。這意味著基于時間的查詢，數(shù)字聚合，和檢索過濾查詢都會特別快。

你可以在你的指標中包括百萬唯一維度值，并隨意按任何維度組合 group 和 filter(Druid 中的 dimension 維度類似于時間序列數(shù)據(jù)庫中的 tag)。你可以基于 tag group 和 rank，并計算大量復(fù)雜的指標。而且你在 tag 上檢索和過濾會比傳統(tǒng)時間序列數(shù)據(jù)庫更快。

OLAP 和商業(yè)智能

Druid 經(jīng)常用于商業(yè)智能場景。公司部署 Druid 去加速查詢和增強應(yīng)用。和基于 Hadoop 的 SQL 引擎(如 Presto 或 Hive)不同，Druid 為高并發(fā)和亞秒級查詢而設(shè)計，通過 UI 強化交互式數(shù)據(jù)查詢。這使得 Druid 更適合做真實的可視化交互分析。

技術(shù)

Apache Druid 是一個開源的分布式數(shù)據(jù)存儲引擎。Druid 的核心設(shè)計融合了 OLAP/analytic databases，timeseries database，和 search systems 的理念，以創(chuàng)造一個適用廣泛用例的統(tǒng)一系統(tǒng)。Druid 將這三種系統(tǒng)的主要特性融合進 Druid 的 ingestion layer(數(shù)據(jù)攝入層)，storage format(存儲格式化層)，querying layer(查詢層)，和 core architecture(核心架構(gòu))中。

 

Druid 的主要特性包括：

• 列式存儲

  Druid 單獨存儲并壓縮每一列數(shù)據(jù)。并且查詢時只查詢特定需要查詢的數(shù)據(jù)，支持快速 scan，ranking 和 groupBy。

• 原生檢索索引

  Druid 為 string 值創(chuàng)建反向索引以達到數(shù)據(jù)的快速搜索和過濾。

• 流式和批量數(shù)據(jù)攝入

  開箱即用的 Apache kafka，HDFS，AWS S3 連接器 connectors，流式處理器。

• 靈活的數(shù)據(jù)模式

  Druid 優(yōu)雅地適應(yīng)不斷變化的數(shù)據(jù)模式和嵌套數(shù)據(jù)類型。

• 基于時間的優(yōu)化分區(qū)

  Druid 基于時間對數(shù)據(jù)進行智能分區(qū)。因此，Druid 基于時間的查詢將明顯快于傳統(tǒng)數(shù)據(jù)庫。

• 支持 SQL 語句

  除了原生的基于 JSON 的查詢外，Druid 還支持基于 HTTP 和 JDBC 的 SQL。

• 水平擴展能力

  百萬/秒的數(shù)據(jù)攝入速率，海量數(shù)據(jù)存儲，亞秒級查詢。

• 易于運維

  可以通過添加或移除 Server 來擴容和縮容。Druid 支持自動重平衡，失效轉(zhuǎn)移。

數(shù)據(jù)攝入

Druid 同時支持流式和批量數(shù)據(jù)攝入。Druid 通常通過像 Kafka 這樣的消息總線（加載流式數(shù)據(jù)）或通過像 HDFS 這樣的分布式文件系統(tǒng)（加載批量數(shù)據(jù)）來連接原始數(shù)據(jù)源。

Druid 通過 Indexing 處理將原始數(shù)據(jù)以 segment 的方式存儲在數(shù)據(jù)節(jié)點，segment 是一種查詢優(yōu)化的數(shù)據(jù)結(jié)構(gòu)。

 

數(shù)據(jù)存儲

像大多數(shù)分析型數(shù)據(jù)庫一樣，Druid 采用列式存儲。根據(jù)不同列的數(shù)據(jù)類型（string，number 等），Druid 對其使用不同的壓縮和編碼方式。Druid 也會針對不同的列類型構(gòu)建不同類型的索引。

類似于檢索系統(tǒng)，Druid 為 string 列創(chuàng)建反向索引，以達到更快速的搜索和過濾。類似于時間序列數(shù)據(jù)庫，Druid 基于時間對數(shù)據(jù)進行智能分區(qū)，以達到更快的基于時間的查詢。

不像大多數(shù)傳統(tǒng)系統(tǒng)，Druid 可以在數(shù)據(jù)攝入前對數(shù)據(jù)進行預(yù)聚合。這種預(yù)聚合操作被稱之為 rollup，這樣就可以顯著的節(jié)省存儲成本。

 

查詢

Druid 支持 JSON-over-HTTP 和 SQL 兩種查詢方式。除了標準的 SQL 操作外，Druid 還支持大量的唯一性操作，利用 Druid 提供的算法套件可以快速的進行計數(shù)，排名和分位數(shù)計算。

 

架構(gòu)

Druid 是微服務(wù)架構(gòu)，可以理解為一個拆解成多個服務(wù)的數(shù)據(jù)庫。Druid 的每一個核心服務(wù)(ingestion(攝入服務(wù))，querying(查詢服務(wù))，和 coordination(協(xié)調(diào)服務(wù)))都可以單獨部署或聯(lián)合部署在商業(yè)硬件上。

Druid 清晰的命名每一個服務(wù)，以確保運維人員可以根據(jù)使用情況和負載情況很好地調(diào)整相應(yīng)服務(wù)的參數(shù)。例如，當(dāng)負載需要時，運維人員可以給數(shù)據(jù)攝入服務(wù)更多的資源而減少數(shù)據(jù)查詢服務(wù)的資源。

Druid 可以獨立失敗而不影響其他服務(wù)的運行。

 

運維

Drui 被設(shè)計成一個健壯的系統(tǒng)，它需要 7*24 小時運行。Druid 擁有以下特性，以確保長期運行，并保證數(shù)據(jù)不丟失。

• 數(shù)據(jù)副本

  Druid 根據(jù)配置的副本數(shù)創(chuàng)建多個數(shù)據(jù)副本，所以單機失效不會影響 Druid 的查詢。

• 獨立服務(wù)

  Druid 清晰的命名每一個主服務(wù)，每一個服務(wù)都可以根據(jù)使用情況做相應(yīng)的調(diào)整。服務(wù)可以獨立失敗而不影響其他服務(wù)的正常運行。例如，如果數(shù)據(jù)攝入服務(wù)失效了，將沒有新的數(shù)據(jù)被加載進系統(tǒng)，但是已經(jīng)存在的數(shù)據(jù)依然可以被查詢。

• 自動數(shù)據(jù)備份

  Druid 自動備份所有已經(jīng) indexed 的數(shù)據(jù)到一個文件系統(tǒng)，它可以是分布式文件系統(tǒng)，如 HDFS。你可以丟失所有 Druid 集群的數(shù)據(jù)，并快速從備份數(shù)據(jù)中重新加載。

• 滾動更新

  通過滾動更新，你可以在不停機的情況下更新 Druid 集群，這樣對用戶就是無感知的。所有 Druid 版本都是向后兼容。