大数据-155 Apache Druid 架构与原理详解 数据存储 索引服务 压缩机制

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（已更完）
• Flink（已更完）
• ClickHouse（已更完）
• Kudu（已更完）
• Druid（正在更新…）

章节内容

上节我们完成了如下的内容：

• Apache Druid 基础架构 详解
• Apache Druid 架构演进 详解

数据存储

• Druid中的数据存储在被称为DataSource中，DataSource类似RDBMS中的Tablet
• 每个DataSource按照时间划分，每个时间范围成为一个Chunk（比如按天分区，则一个Chunk为一天）
• 在Chunk中数据被分为一个或多个Segment，Segment是数据实际存储结构，Datasource、Chunk只是一个逻辑概念
• Segment是按照时间组织称Chunk，所以在按照时间查询数据时，效率非常高。
• 每个Segment都是一个单独的文件，通过包含几百万行的数据

数据分区

• Druid处理的是事件数据，每条数据都会带有一个时间戳，可以使用时间进行分区
• 上图指定了分区粒度为天，那么每天的数据都会被单独存储和查询

Segment内部存储

• Druid采用列式存储，每列数据都是在独立的结构中存储
• Segment中的数据类型主要分为三种：
• 类型1 时间戳：每一行数据，都必须有一个TimeStamp，Druid一定会基于事件戳来分片
• 类型2 维度列：用来过滤Fliter或者组合GroupBY的列，通过是String、Float、Double、Int类型
• 类型3 指标列：用来进行聚合计算的列，指定的聚合函数 sum、average等

MiddleManger节点接受到Ingestion的任务之后，开始创建Segment：

• 转换成列式存储格式
• 用bitmap来建立索引（对所有的dimension列建立索引）
• 使用各种压缩算法
• 算法1：所有的使用 LZ4 压缩
• 算法2：所有的字符串采用字典编码、标识以达到最小化存储
• 算法3：对位图索引使用位图压缩

Segment创建完成之后，Segment文件就是不可更改的，被写入到深度存储（目的是为了防止MiddleManager节点宕机后，Segment丢失）。然后Segment加载到Historicaljiedian，Historical节点可以直接加载到内存中。
同时，Metadata store 也会记录下这个新创建的Segment的信息，如结构、尺寸、深度存储的位置等等
Coordinator节点需要这些元数据来协调数据的查找。

索引服务

索引服务是数据导入并创建Segment数据文件的服务
索引服务是一个高可用的分布式服务，采用主从结构作为架构模式，索引服务由三大组件构成：

• overlord 作为主节点
• MiddleManage作为从节点
• peon用于运行一个Task

索引服务架构图如下图所示：

服务构成

Overlord组件

负责创建Task、分发Task到MiddleManger上运行，为Task创建锁以及跟踪Task运行状态并反馈给用户

MiddleManager组件

作为从节点，负责接收主节点分配的任务，然后为每个Task启动一个独立的JVM进程来完成具体的任务

Peon（劳工）组件

由 MiddleManager 启动的一个进程用于一个Task任务的运行

对比YARN

• Overlord 类似 ResourceManager 负责集群资源管理和任务分配
• MiddleManager 类似 NodeManager 负责接收任务和管理本节点的资源
• Peon 类似 Container 执行节点上具体的任务

Task类型

• index hadoop task：Hadoop索引任务，利用Hadoop集群执行MapReduce任务以完成Segment数据文件的创建，适合体量较大的Segments数据文件的创建任务
• index kafka task：用于Kafka数据的实时摄入，通过Kafka索引任务可以在Overlord上配置一个KafkaSupervisor，通过管理Kafka索引任务的创建和生命周期来完成Kafka数据的摄取
• merge task：合并索引任务，将多个Segment数据文件按照指定的聚合方法合并为一个segments数据文件
• kill task：销毁索引任务，将执行时间范围内的数据从Druid集群的深度存储中删除

索引及压缩机制

Druid的查询时延低性能好的主要原因是采用了五个技术点：

• 数据预聚合
• 列式存储、数据压缩
• Bitmap索引
• mmap（内存文件映射方式）
• 查询结果的中间缓存

数据预聚合

• Druid 通过一恶搞RollUp的处理，将原始数据在注入的时候就进行了汇总处理
• RollUp可以压缩我们需要保存的数据量
• Druid会把选定的相同维度的数据进行聚合操作，可以存储的大小
• Druid可以通过queryGranularity来控制注入数据的粒度，最小的queryGranularity是millisecond（毫秒级别）

Roll-Up

聚合前：

聚合后：

位图索引

Druid在摄入的数据示例：

• 第一列为时间，Appkey和Area都是维度列，Value为指标列
• Druid会在导入阶段自动对数据进行RollUp，将维度相同组合的数据进行聚合处理
• 数据聚合的粒度根据业务需要确定

按天聚合后的数据如下：

Druid通过建立位图索引，实现快速数据查找。
BitMap索引主要为了加速查询时有条件过滤的场景，Druid生成索引文件的时候，对每个列的每个取值生成对应的BitMap集合：

索引位图可以看作是：HashMap<String, BitMap>

• Key就是维度的值
• Value就是该表中对应的行是否有该维度的值

SQL查询

SELECT sum(value) FROM tab1
WHERE time='2020-01-01'
AND appkey in ('appkey1', 'appkey2')
AND area='北京'

执行过程分析：

• 根据时间段定位到Segment
• appkey in (‘appkey1’, ‘appkey2’) and area=‘北京’ 查到各自的bitmap
• （appkey1 or appkey2）and 北京
• (110000 or 001100) and 101010 = 111100 and 101010 = 101000
• 符合条件的列为：第一行 & 第三行，这几行 sum(value)的和为40

GroupBy查询

SELECT area, sum(value)
FROM tab1
WHERE time='2020-01-01'
AND appkey in ('appkey1', 'appkey2')
GROUP BY area

该查询与上面的查询不同之处在与将符合条件的列：

• appkey1 or appkey2
• 110000 or 001100 = 111100
• 将第一行到第四行取出来
• 在内存中做分组聚合，结果为：北京40、深圳60