我的书签
添加书签
移除书签HLL 近似去重
在实际的业务场景中，随着业务数据量越来越大，对数据去重的压力也越来越大，当数据达到一定规模之后，使用精准去重的成本也越来越高，在业务可以接受的情况下，通过近似算法来实现快速去重降低计算压力是一个非常好的方式，本文主要介绍 Doris 提供的 HyperLogLog（简称 HLL）是一种近似去重算法。
HLL 的特点是具有非常优异的空间复杂度 O(mloglogn) , 时间复杂度为 O(n), 并且计算结果的误差可控制在 1%—2% 左右，误差与数据集大小以及所采用的哈希函数有关。
什么是 HyperLogLog
它是 LogLog 算法的升级版，作用是能够提供不精确的去重计数。其数学基础为伯努利试验。
假设硬币拥有正反两面，一次的上抛至落下，最终出现正反面的概率都是 50%。一直抛硬币，直到它出现正面为止，我们记录为一次完整的试验。
那么对于多次的伯努利试验，假设这个多次为 n 次。就意味着出现了 n 次的正面。假设每次伯努利试验所经历了的抛掷次数为 k。第一次伯努利试验，次数设为 k1，以此类推，第 n 次对应的是 kn。
其中，对于这 n 次伯努利试验中，必然会有一个最大的抛掷次数 k，例如抛了 12 次才出现正面，那么称这个为 k_max，代表抛了最多的次数。
伯努利试验容易得出有以下结论：
n 次伯努利过程的投掷次数都不大于 k_max。
n 次伯努利过程，至少有一次投掷次数等于 k_max
最终结合极大似然估算的方法，发现在 n 和 k_max 中存在估算关联：n = 2 ^ k_max。当我们只记录了 k_max 时，即可估算总共有多少条数据，也就是基数。
假设试验结果如下：
第 1 次试验：抛了 3 次才出现正面，此时 k=3，n=1
第 2 次试验：抛了 2 次才出现正面，此时 k=2，n=2
第 3 次试验：抛了 6 次才出现正面，此时 k=6，n=3
第 n 次试验：抛了 12 次才出现正面，此时我们估算，n = 2^12
取上面例子中前三组试验，那么 k_max = 6，最终 n=3，我们放进估算公式中去，明显：3 ≠ 2^6。也即是说，当试验次数很小的时候，这种估算方法的误差是很大的。
这三组试验，我们称为一轮的估算。如果只是进行一轮的话，当 n 足够大的时候，估算的误差率会相对减少，但仍然不够小。
Doris HLL 函数
HLL 是基于 HyperLogLog 算法的工程实现，用于保存 HyperLogLog 计算过程的中间结果，它只能作为表的 value 列类型、通过聚合来不断的减少数据量，以此
来实现加快查询的目的，基于它得到的是一个估算结果，误差大概在 1% 左右，hll 列是通过其它列或者导入数据里面的数据生成的，导入的时候通过 hll_hash 函数
来指定数据中哪一列用于生成 hll 列，它常用于替代 count distinct，通过结合 rollup 在业务上用于快速计算 uv 等
HLL_UNION_AGG(hll)
此函数为聚合函数，用于计算满足条件的所有数据的基数估算。
HLL_CARDINALITY(hll)
此函数用于计算单条 hll 列的基数估算
HLL_HASH(column_name)
生成 HLL 列类型，用于 insert 或导入的时候，导入的使用见相关说明
如何使用 Doris HLL
使用 HLL 去重的时候，需要在建表语句中将目标列类型设置成 HLL，聚合函数设置成 HLL_UNION
HLL 类型的列不能作为 Key 列使用
用户不需要指定长度及默认值，长度根据数据聚合程度系统内控制
创建一张含有 hll 列的表
create table test_hll(dt date,id int,name char(10),province char(10),os char(10),pv hll hll_union)Aggregate KEY (dt,id,name,province,os)distributed by hash(id) buckets 10PROPERTIES("replication_num" = "1","in_memory"="false");
导入数据
Stream load 导入
curl --location-trusted -u root: -H "label:label_test_hll_load" \-H "column_separator:," \-H "columns:dt,id,name,province,os, pv=hll_hash(id)" -T test_hll.csv http://fe_IP:8030/api/demo/test_hll/_stream_load
示例数据如下（test_hll.csv）：
2022-05-05,10001，测试 01，北京，windows2022-05-05,10002，测试 01，北京，linux2022-05-05,10003，测试 01，北京，macos2022-05-05,10004，测试 01，河北，windows2022-05-06,10001，测试 01，上海，windows2022-05-06,10002，测试 01，上海，linux2022-05-06,10003，测试 01，江苏，macos2022-05-06,10004，测试 01，陕西，windows
导入结果如下
# curl --location-trusted -u root: -H "label:label_test_hll_load" -H "column_separator:," -H "columns:dt,id,name,province,os, pv=hll_hash(id)" -T test_hll.csv http://127.0.0.1:8030/api/demo/test_hll/_stream_load{"TxnId": 693,"Label": "label_test_hll_load","TwoPhaseCommit": "false","Status": "Success","Message": "OK","NumberTotalRows": 8,"NumberLoadedRows": 8,"NumberFilteredRows": 0,"NumberUnselectedRows": 0,"LoadBytes": 320,"LoadTimeMs": 23,"BeginTxnTimeMs": 0,"StreamLoadPutTimeMs": 1,"ReadDataTimeMs": 0,"WriteDataTimeMs": 9,"CommitAndPublishTimeMs": 11}
Broker Load
LOAD LABEL demo.test_hlllabel(DATA INFILE("hdfs://hdfs_host:hdfs_port/user/doris_test_hll/data/input/file")INTO TABLE `test_hll`COLUMNS TERMINATED BY ","(dt,id,name,province,os)SET (pv = HLL_HASH(id)));
查询数据
HLL 列不允许直接查询原始值，只能通过 HLL 的聚合函数进行查询。
求总的 PV
mysql> select HLL_UNION_AGG(pv) from test_hll;+---------------------+| hll_union_agg(`pv`) |+---------------------+| 4 |+---------------------+1 row in set (0.00 sec)
等价于：
mysql> SELECT COUNT(DISTINCT pv) FROM test_hll;+----------------------+| count(DISTINCT `pv`) |+----------------------+| 4 |+----------------------+1 row in set (0.01 sec)
求每一天的 PV
mysql> select HLL_UNION_AGG(pv) from test_hll group by dt;+---------------------+| hll_union_agg(`pv`) |+---------------------+| 4 || 4 |+---------------------+2 rows in set (0.01 sec)
