第一个“国产”Apache顶级项目——Kylin，了解一下！

前言

        说到Apache顶级开源项目，大家首先会想到什么？？？

        不熟悉Apache软件基金会的朋友也不用担心，大家可以去Apache官网，下拉到最下边的页面，查看Apache有哪些开源项目。

        相信各位朋友在项目清单中肯定会看到不少熟悉的身影，JavaEE，HTTP,FTP,Hadoop,SQL,Maven,Tomcat,Kafka,Hive...这些几乎我们天天都在打交道的朋友，竟然都是Apache顶级项目“家族”的一员。

        也许你会有些遗憾，这些顶级项目都是由外国友人所贡献的。但认真看了本期内容标题的朋友都应该期待着，接下来，我要为大家介绍的是正如题目所述，第一个由国人开发的Apache顶级项目——Kylin！

Kylin

诞生背景

        目前大数据存在需要大量行为数据与用户标签数据的多维度的复杂分析统计场景，此场景同时有大量行为数据（事实数据）与多维度分析数据。需要在近实时查询的情况下快速得到结果帮助公司进行分析和决策。

        Kylin是中国团队研发的，是第一个真正由中国人自己主导、从零开始、自主研发、并成为Apache顶级开源项目。它巧妙地将“Hive支持SQL灵活查询，但速度特别慢”与“HBase查询性能快，但原生不支持SQL”的设计巧妙结合在了一起。Kylin先将数据进行预处理，将预处理的结果放在HBase当中，大大提高了查询时的效率！

简介

        Apache Kylin 是一个开源的分布式分析引擎，提供 Hadoop/Spark 之上的 SQL 查询接口及多维分析的功能，支持超大规模数据，最初由 eBay 开发并贡献至开源社区。它能在亚秒内查询巨大的 Hive 表。

架构

        Kylin架构如图所示

        其中，Kylin 具有如下几个关键组件。

1.REST Server

        REST Server是面向应用程序开发的入口点，旨在完成针对Kylin平台的应用开发工作，可以提供查询、获取结果、触发Cube 构建任务、获取元数据及获取用户权限等功能，另外可以通过 REST API 接口实现 SQL查询。

2.Query Engine

        当Cube准备就绪后，查询引擎即可获取并解析用户所查询的问题。它随后会与系统中的其他组件进行交互，从而向用户返回对应的结果。

3.Routing

        在最初设计时，设计者曾考虑将Kylin不能执行的查询引导到Hive中继续执行，但在实践后发现，Hive与Kylin的查询速度差异过大，导致用户无法对查询的速度有一致的期望，大多数查询几秒内就返回结果了，而有些查询则要等几分钟到几十分钟，因此，用户体验非常糟糕。最后这个路由功能在发行版中被默认关闭。

4.Metadata

        Kylin 是一款元数据驱动型应用程序。元数据管理工具是一大关键性组件，用于对保存在Kylin 中的所有元数据进行管理，其中包括最为重要的 Cube 元数据。其他组件的正常运作都需要以元数据管理工具为基础。Kylin的元数据存储在HBase中。

5.Cube Build Engine

        Cube构建引擎的设计目的在于处理所有离线任务，其中包括 Shell脚本、Java API、MapReduce任务等。Cube Build Engine对Kylin中的全部任务加以管理与协调，从而确保每项任务都能得到切实执行并解决期间出现的故障。

        Kylin的主要特点及说明如下。

• 支持标准SQL接口：Kylin以标准的SQL作为对外服务的接口。
• 支持超大规模数据集：Kylin对大数据的支撑能力是目前所有技术中较为领先的。早在2015年eBay的生产环境中就能支持百亿条记录的秒级查询，之后在移动的应用场景中又有了支持千亿条记录的秒级查询的案例。
• 亚秒级响应：Kylin拥有优异的查询响应速度，这点得益于预计算，很多复杂的计算，比如，连接、聚合，在离线的预计算过程中就已经完成，这大大降低了查询时刻所需的计算量，提高了响应速度。
• 高伸缩性和高吞吐率：单节点Kylin可实现每秒70个查询，还可以搭建Kylin的集群。
• BI工具集成。Kylin可以与现有的BI工具集成。

        另外，Kylin开发团队还贡献了 Zeppelin 的插件，用户可以使用 Zeppelin 访问 Kylin 服务。

应用场景

Kylin 典型的应用场景如下：

• 用户数据存在于 Hadoop HDFS中，利用 Hive 将 HDFS文件数据以关系数据方式存取，数据量巨大，在500G以上
• 每天有数G甚至数十G的数据增量导入
• 有10个以内较为固定的分析维度.....

        Kylin 的核心思想是利用空间换时间，在数据 ETL 导入 OLAP 引擎时提前计算各维度的聚合结果并持久化保存。

        原理为通过 hive 将海量数据通过统计转化为多维度数据模型表（星型模型、雪花模型等），通过 Kylin 使用字典编码（Dictionary-coder）将维度数据进行压缩生成维度字典。然后将事实维度数据转换为 Kylin 的 cube 数据模型，实现预计算，并可使用标准 SQL 查询。

使用 Kylin 的公司

        Kylin如今作为大数据业内十分热门的“OLAP”引擎，在越来越多公司中得到“重用”！

        具体在企业中是如何使用的，我就不在这里赘述了，感兴趣大家可以从以下链接去做学习了解。

https://www.jianshu.com/p/aae410e5a2fe  《Apache Kylin在美团数十亿数据OLAP场景下的实践》https://www.sohu.com/a/240896646_659643 《实践 | Kylin在滴滴OLAP引擎中的应用》

HBase安装

        在安装 Kylin 前需要先安装部署好 Hadoop、Hive、Zookeeper 和 HBase，并且需要在 /etc/profile 目录下配置 HADOOP_HOME 、HIVE_HOME、HBASE_HOME 环境变量，注意执行source/etc/profile命令使其生效。

        （1）保证 Zookeeper 集群的正常部署，并启动它。

[root@node01 zookeeper-3.4.9]$ bin/zkServer.sh start 
[root@node02 zookeeper-3.4.9]$ bin/zkServer.sh start 
[root@node03 zookeeper-3.4.9]$ bin/zkServer.sh start

        （2）保证 Hadoop 集群的正常部署，并启动它

[root@node01 hadoop-2.7.2]$ sbin/start-dfs.sh 
[root@node01 hadoop-2.7.2]$ sbin/start-yarn.sh

        （3）解压 HBase 安装包到指定目录。

[root@node01 software]$ tar -zxvf hbase-1.3.1-bin.tar.gz -C /export/servers

        （4）修改 HBase 对应的配置文件

        ① hbase-env.sh 文件的修改内容如下

export JAVA_HOME=/opt/module/jdk1.8.0_144 
export HBASE_MANAGES_ZK=false

        ② hbase-site.xml 文件的修改内容如下

注意：

• 修改HDFS NameNode节点名称
• 修改zookeeper服务器名称
• 修改zookeeper数据目录位置

<configuration>
        <property>
                <name>hbase.rootdir</name>
                <value>hdfs://node01:8020/hbase_1.3.1</value>
        </property>

        <property>
                <name>hbase.cluster.distributed</name>
                <value>true</value>
        </property>

        <!-- 0.98后的新变动，之前版本没有.port,默认端口为60000 -->
        <property>
                <name>hbase.master.port</name>
                <value>16000</value>
        </property>
        <property>
              <name>hbase.zookeeper.property.clientPort</name>
              <value>2181</value>
      </property>
      <property>
              <name>hbase.master.info.port</name>
              <value>60010</value>
      </property>
        <property>
                <name>hbase.zookeeper.quorum</name>
                <value>node01,node02,node03</value>
        </property>

        <property>
         <name>hbase.zookeeper.property.dataDir</name>
          <value>/export/servers/zookeeper-3.4.9/zkdatas</value>
        </property>
      <property>
                <name>hbase.thrift.support.proxyuser</name>
                <value>true</value>
      </property>
      <property>
                <name>hbase.regionserver.thrift.http</name>
                <value>true</value>
      </property>
</configuration>

        ③ 在 regionservers 文件中增加如下内容

node01
node02
node03

        ④ 软连接 Hadoop 配置文件到 HBase

ln -s /export/servers/hadoop-2.7.2/etc/hadoop/core-site.xml $PWD/core-site.xml
ln -s /export/servers/hadoop-2.7.2/etc/hadoop/hdfs-site.xml $PWD/hdfs-site.xml

        ⑤ 将 HBase 远程发送到其他集群

[root@node01 servers]$ xsync hbase_1.3.1/

        （4）配置 HBase 环境变量

# Apache HBase 1.3.1
export HBASE_HOME=/export/servers/hbase-1.3.1
export PATH=$HADOOP/sbin:$HADOOP/bin:$HBASE_HOME/bin:$PATH

刷新环境变量

source /etc/profile

        （5）启动 HBase 服务。

         进入hbase shell

bin/start-hbase.sh

        执行上述操作，执行list命令，如果能显示以下内容，表示安装成功。

hbase(main):002:0> list
TABLE                                                                                                                  
0 row(s) in 0.1380 seconds

=> []

        当然，你也可以通过host:port的方式来访问 HBase 的页面，例如：http://node01:16010/

        OK，安装完了 Hbase1.3.1，接着我们开始安装 kylin 。        

Kylin安装

        （1）下载 Kylin 安装包

        （2）解压 apache-kylin-2.6.3-bin-hbase1x.tar.gz 到/export/servers 目录下

tar -zxf /export/softwares/apache-kylin-2.6.3-bin-hbase1x.tar.gz -C /export/servers/

        注 意 ：启 动 前 需 检 查 /etc/profile 目 录 中 的 HADOOP_HOME 、 HIVE_HOME 和 HBASE_HOME 是否配置完毕

        （3）启动

        ① 在启动 Kylin 之前，需要先启动 Hadoop（HDFS、YARN、JobHistoryServer）、Zookeeper 和 HBase。需要注意的是，要同时启动 Hadoop 的历史服务器，对 Hadoop 集群配置进行如下修改。

        配置 mapred-site.xml 文件。

[root@node01 hadoop]$ vim mapred-site.xml
 <property>
 <name>mapreduce.jobhistory.address</name>
 <value>node01:10020</value> 
 </property> 
 <property> 
 <name>mapreduce.jobhistory.webapp.address</name> 
 <value>node01:19888</value>
 </property>

        配置 yarn-site.xml 文件。

[root@node01 hadoop]$ vim yarn-site.xml 
<!-- 日志聚集功能开启 --> 
<property> 
<name>yarn.log-aggregation-enable</name> 
<value>true</value>
</property>
<!-- 日志保留时间设置为 7 天 -->
<property> 
<name>yarn.log-aggregation.retain-seconds</name> 
<value>604800</value> 
</property>

        修改配置后，分发配置文件，重启 Hadoop 的 HDFS 和 YARN 的所有进程。

        启动 Hadoop 历史服务器。

[root@node01 hadoop-2.6.0-cdh5.14.0]$ sbin/mr-jobhistory-daemon.sh start historyserver

        ② 启动 Kylin

[root@node01 kylin]$ bin/kylin.sh start

        启动之后查看各台节点服务器的进程。

--------------------- node01 ---------------- 
3360 JobHistoryServer 
31425 HMaster 
3282 NodeManager
3026 DataNode 
53283 Jps 
2886 NameNode 
44007 RunJar 
2728 QuorumPeerMain 
31566 HRegionServer 
--------------------- node02 ---------------- 
5040 HMaster 
2864 ResourceManager 
9729 Jps 
2657 QuorumPeerMain 
4946 HRegionServer 
2979 NodeManager 
2727 DataNode 
--------------------- node03 ---------------- 
4688 HRegionServer 
2900 NodeManager 
9848 Jps 
2636 QuorumPeerMain 
2700 DataNode 
2815 SecondaryNameNode

        在浏览器地址栏中输入node01:7070/kylin/login，查看 Web 页面，如图所示：        用户名为 ADMIN，密码为 KYLIN（系统已填）

        （4）关闭Kylin

        如果我们想要关闭 Kylin，只需要执行下面的命令：

[root@node01 apache-kylin-2.6.3]# bin/kylin.sh stop

Kylin的使用

        到了这一步，我们终于将 Kylin 安装好了，下面我们来讲一下 Kylin 的具体使用。

准备测试数据表

        为了让最终的演示更具有说明力，同时也为了方便后续的学习，接下来我们需要先准备几张测试数据表。

1、（事实表）dw_sales

列名	列类型	说明
id	string	订单id
date1	string	订单日期
channelid	string	订单渠道（商场、京东、天猫）
productid	string	产品id
regionid	string	区域名称
amount	int	商品下单数量
price	double	商品金额

2、（维度表_渠道方式）dim_channel

列名	列类型	说明
channelid	string	渠道id
channelname	string	渠道名称

3、（维度表_产品名称）dim_product

列名	列类型	说明
productid	string	产品id
productname	string	产品名称

4、（维度表_区域）dim_region

列名	列类型	说明
regionid	string	区域id
regionname	string	区域名称

导入测试数据

        准备好了测试数据之后，我们需要将在 Hive 中 建好对应的表，这里我采取的是执行已经写好的脚本hive.sql文件，创建测试表。

对应的数据文件和sql脚本不方便在这里展示，需要的同学可以添加我的微信：zwj_bigdataer 获取

操作步骤：

1、使用 beeline 连接Hive

!connect jdbc:hive2://node1:10000

2、创建并切换到 itcast_dw 数据库

create database itcast_kylin_dw;
use itcast_kylin_dw;

3、执行上面我们提到的hive.sql文件，执行sql、创建测试表

-- 执行sql文件
source hive.sql
-- 查看表是否创建成功
show tables;

4、在home目录创建~/dat_file 文件夹，并将测试数据文件上传到该文件夹中

mkdir ~/dat_file

导入数据到表中

-- 导入数据
LOAD DATA LOCAL INPATH '/root/dat_file/dw_sales_data.txt' OVERWRITE  INTO TABLE dw_sales;
LOAD DATA LOCAL INPATH '/root/dat_file/dim_channel_data.txt' OVERWRITE  INTO TABLE dim_channel;
LOAD DATA LOCAL INPATH '/root/dat_file/dim_product_data.txt' OVERWRITE  INTO TABLE dim_product;
LOAD DATA LOCAL INPATH '/root/dat_file/dim_region_data.txt' OVERWRITE  INTO TABLE dim_region;

5、执行一条SQL语句，确认数据是否已经成功导入

指标和维度

        在确认完成了上面的数据准备操作之后，我们就可以对 kylin 进行实际操作了。但我们还需要先了解一下，什么是指标和维度？

        首先来看下面的 demo        相信各位朋友已经有了自己的想法和答案，这里提供一种思考方式：

红色字体是指标/度量？还是维度？答案：指标/度量【到底要看什么？获取什么？】
蓝色字体是指标/度量？还是维度？答案：维度【怎么看！怎么获取！】

        结论：需求决定哪些是维度，哪些是指标。

        好了，明确了什么是维度，什么是指标之后，我们就可以正式开启kylin的使用之旅了~

按照日期统计订单总额/总数量（Kylin方式）

        做任何事情都有一个顺序，使用一门新的技术亦是如此。要使用Kylin进行OLAP分析，需要按照以下方式来进行。

1、创建项目（Project）

2、创建数据源（DataSource）

• 指定有哪些数据需要进行数据分析

3、创建模型（Model）

• 指定具体要对哪个事实表、那些维度进行数据分析

4、创建立方体（Cube）

• 指定对哪个数据模型执行数据预处理，生成不同维度的数据

5、执行构建、等待构建完成

6、再执行SQL查询，获取结果

具体步骤：

1、创建 Project

        （1）点击 + 图标创建工程，如图所示：

        （2）填写工程名称和描述信息，并单击“Submit”按钮提交

2、获取数据源

        （1）选择“Data Source”选项卡，如图所示：        （2）单击图中箭头所指的图标，导入 Hive 表。

        （3）选中所需数据表，并单击“Sync”按钮，如图所示：

3、创建 Model

（1）选择“Models”选项卡，然后单击“New”按钮，接着单击“NewModel”按钮。（2）填写Model信息，然后单击“Next”按钮，如图所示（3）选择事实表

（4）选择事实表中，所有有可能用到的维度，然后点击 Next按钮（5）选择度量字段，并单击Next按钮（6）指定事实表分区字段（仅支持时间分区），但是我们这次的演示用不上，所以我们这里直接单击“Save”按钮，然后在弹窗中点击“Yes”，Model 创建完毕！

此时我们就可以在初始界面看到已经创建好的 Model

4、创建 Cube

（1）单击“New Cube”按钮（2）填写Cube信息，选择Cube所依赖的 Model，并单击“Next”按钮，如图所示：

（3）选择 Cube 所需的维度，如图

（4）选择 Cube 所需的度量值根据我们SQL的查询需求，对指定的字段设置聚合

点击 Next（5）Cube自动合并设置。每天Cube需按照日期分区字段进行构建，每次构建的结果会保存到 HBase的一张表中，为提高查询效率，需将每日的 Cube 进行合并，此处可设置合并周期

（6）Kylin的高级配置（优化相关配置），这里我们就暂只修改一下计算引擎，其他配置不动，执行完毕点击Next（7）Kylin 属性值覆盖相关配置信息，我们不用进行任何操作，直接 Next（8）此时显示的是Cube的设计信息总览，如图单击Save按钮，Cube创建完成！保存完毕，我们可以看见一个新的Cube已经创建好了~（9）构建 Cube（计算），单击对应的Cube的“Action”下拉按钮，选择 “Build” 选项（10）选择“Monitor”，查看构建进度，可以发现此时进度还在加载稍等片刻，刷新页面，可以看到 Cube 已经构建完毕注意看此时 Cube 就已经变成 READY的状态了

5、执行SQL查询

        忙碌了好一阵子，终于可以展示 Kylin 的威力了，接下来我们从 Cube 中查询数据

select date1,
       sum(price)  as total_money,
       sum(amount) as total_amount
from dw_sales
group by date1, channelid;

        查询结果如下

        我们可以发现用 Kylin 执行 HQL 语句的速度最早为4.69s，第二次执行就变成了0.01s

        那如果在Hive的命令行窗口执行相同的HQL语句，耗时将为多少呢？        可以看到 Hive 将 HQL 转化成 MapReduce 程序去执行后，查询的时间为12.764 s，这个速度与上面用 Kylin 执行的速度相比，差了近  100  倍。如果数据量更大一些，Kylin的优势将会更加明显。

小结

        本篇文章作为 Kylin 的入门篇，非常详细清楚地为大家从 Kylin 的诞生背景，简介，架构 ，应用场景再到 HBase，Kylin 安装，并用一个简单的例子为大家演示了 Kylin 的具体使用。

- EOF -

推荐阅读  点击标题可跳转

看完本文有收获？请转发分享给更多人

关注「大数据与机器学习文摘」，成为Top 1%

点赞和在看就是最大的支持❤️