kylin调优，项目中错误总结，知识点总结，kylin jdbc driver + 数据库连接池druid + Mybatis项目中的整合，shell脚本执行kylin restapi 案例_unknown column 'discription' in 'field list

关于本篇文章的说明：
本篇文章为笔者辛苦劳作用了一整天总结出来的文档，大家阅读转发的时候请不要吝啬写上笔者：涂作权 和 原文地址。

由于笔者所在环境没有人用过kylin，笔者也是自学官网，阅读书籍 将kylin用于实际项目，期间遇到了很多很多关于kylin使用的问题。为了让后面的人在使用kylin实践的时候能够少走弯路，在此生成kylin的调优，错误总结，知识点文档，这篇文档应该是目前网上最全的kylin调优和总结文档了(除了官网)。

以下文章内容主要来自官网，书籍，博文，网友，社区，同学，以及实际项目。

1 调优方案

1.1 调优：如何提高访问连接并发（运维层面）

根据书籍中的介绍，kylin单个的实例，支持的访问连接并发是70个左右，所以，为了让kylin能够支持更多的访问并发，可以通过增加实例的方式实现。将单实例的Kylin变成集群方式，增加query节点的个数。
官网介绍的方式：
http://kylin.apache.org/docs/install/kylin_cluster.html

说明：
A:假设有3台机器，分别是machine1,machine2,machine3。其中Machine的运行模式是all(即拥有 执行job+执行query的角色 (个人理解))，另外的machine2和machine3为query（主要用于查询）。
B:注意，kylin2.0以后，kylin支持了多个job的方式，具体方式可以参考文档进行相关配置。

1.2 调优：解决kylin预处理过程gc问题（运维层面）

Kylin是基于预处理技术，如果公司资金雄厚，服务器配置高，内存大，那就不要吝啬内存了。给kylin足够的内存分配，能够减少很多问题。

如果处理的好，可以结合任务调度系统，比如azkaban,通过shell的方式将kylin的内存在数据处理空闲的时候，将内存多分配给kylin。

关于此部分的介绍，官网给出的建议是：
http://kylin.apache.org/docs/install/configuration.html

Allocate More Memory for Kylin
There are two sample settings for KYLIN_JVM_SETTINGS are given in $KYLIN_HOME/conf/setenv.sh.
The default setting use relatively less memory. You can comment it and then uncomment the next line to allocate more memory for Kyligence Enterprise. The default configuration is:

export KYLIN_JVM_SETTINGS="-Xms1024M -Xmx4096M -Xss1024K -XX:MaxPermSize=512M -verbose:gc -XX:+PrintGCDetails -XX:+PrintGCDateStamps -Xloggc:$KYLIN_HOME/logs/kylin.gc.$$ -XX:+UseGCLogFileRotation -XX:NumberOfGCLogFiles=10 -XX:GCLogFileSize=64M"
# export KYLIN_JVM_SETTINGS="-Xms16g -Xmx16g -XX:MaxPermSize=512m -XX:NewSize=3g -XX:MaxNewSize=3g -XX:SurvivorRatio=4 -XX:+CMSClassUnloadingEnabled -XX:+CMSParallelRemarkEnabled -XX:+UseConcMarkSweepGC -XX:+CMSIncrementalMode -XX:CMSInitiatingOccupancyFraction=70 -XX:+UseCMSInitiatingOccupancyOnly -XX:+DisableExplicitGC -XX:+HeapDumpOnOutOfMemoryError -verbose:gc -XX:+PrintGCDetails -XX:+PrintGCDateStamps -Xloggc:$KYLIN_HOME/logs/kylin.gc. $$ -XX:+UseGCLogFileRotation -XX:NumberOfGCLogFiles=10 -XX:GCLogFileSize=64M"
1
2
3
4
5
6

笔者配置：

[xxx conf]# pwd
/data/installed/apache-kylin-2.3.1-bin/conf
[xxxx conf]# vim setenv.sh
1
2
3

1.3 调优+错误总结：配置build引擎支持Spark （运维层面）

在kylin中支持以Spark作为预处理的方式，在内存足够的情况下，建议配置build引擎。使用Spark，默认的build引擎使用的是mapreduce.

由于笔者使用的hadoop版本是3.0.1(原生)，当前最高版本是：v2.5.2，发现使用Kylin的时候，会报jar冲突问题，因为我环境使用的是3.x的jar包，但是在kylin发行版本目前还使用的是基于hadoop2.x的Spark。所以失败了。

但是，若使用的是CDH，可以使用，apache-kylin-2.5.2-bin-cdh60.tar.gz for beta版本进行安装试用。

支持Spark的配置：http://kylin.apache.org/docs/tutorial/cube_spark.html，关于具体步骤，本文不进行详细叙述。

1.4 调优:kylin出现reduce阶段内存异常问题（hadoop运维层面）

在kylin执行cube build的过程中，可能会出现内存溢出的问题，这个问题其中一个原因是hadoop的虚拟参数配置不合理导致的。
这里在$HADOOP_HOME/etc/Hadoop/yarn-site.xml 中的配置类似如下：

<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true-->
<property>
    <name>yarn.nodemanager.vmem-check-enabled</name>
    <value>false</value>
</property>
<!-- 任务每使用1MB物理内存，最多可使用虚拟内存，默认是2.1 -->
<property>
    <name>yarn.nodemanager.vmem-pmem-ratio</name>
    <value>5</value>
</property>

<!-- 每个节点可用内存,单位MB  -->
<property>
     <name>yarn.nodemanager.resource.memory-mb</name>
     <!--<value>16384</value>-->
     <value>20480</value>
     <discription>每个节点可用内存,单位MB</discription>
</property>

<!-- 单个任务可申请最少内存，默认1024MB  -->
<property>
     <name>yarn.scheduler.minimum-allocation-mb</name>
     <value>1024</value>
</property>

<!-- 单个任务可申请最大内存，默认8192MB  -->
<property>
     <name>yarn.scheduler.maximum-allocation-mb</name>
     <!--<value>16384</value>-->
     <value>20480</value>
</property>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

yarn.nodemanager.vmem-pmem-ratio ：虚拟内存大小的一个系数，通过调整这个参数，可以增大虚拟内存的值，避免kylin在cube build的过程中出现失败。

此外，也要调整：$HADOOP_HOME/etc/Hadoop/mapred-site.xml中如下的值：

<property>
     <name>mapreduce.map.java.opts</name>
     <!--<value>-Xms3g -Xmx6g</value>-->
     <value>-Xms3g -Xmx10g</value>
</property>
<property>
     <!-- mapreduce.reduce.java.opts 这个值一般是mapreduce.map.java.opts的两倍 -->
     <name>mapreduce.reduce.java.opts</name>
     <!--<value>-Xms6g -Xmx12g</value>-->
     <value>-Xms6g -Xmx16g</value>
</property>

<!-- 每个Map任务的物理内存限制，这个值 * yarn.nodemanager.vmem-pmem-ratio  就是虚拟内存的大小-->
<property>
      <name>mapreduce.map.memory.mb</name>
      <!--<value>6144</value>-->
      <value>10240</value>
</property>
<property>
      <name>mapreduce.reduce.input.buffer.percent</name>
      <value>0.5</value>
</property>

<!-- 每个Reduce任务的物理内存限制，一般还是机器内存的80%  -->
<property>
      <name>mapreduce.reduce.memory.mb</name>
      <!--<value>12288</value>-->
      <value>16384</value>
</property>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

其中官网的介绍是：

1.5 将cuboid数据转为HFile

这一步启动一个MR任务来讲cuboid文件（序列文件格式）转换为HBase的HFile格式。Kylin通过cube统计数据计算HBase的region数目，默认情况下每5GB数据对应一个region。Region越多，MR使用的reducer也会越多。如果你观察到reducer数目较小且性能较差，你可以将“conf/kylin.properties”里的以下参数设小一点，比如：

kylin.hbase.region.cut=2
kylin.hbase.hfile.size.gb=1
1
2

如果你不确定一个region应该是多大时，联系你的HBase管理员。

1.6 调优：解决kylin cube过程中的hive小文件问题(运维层面)

Kylin中自带文件合并，下面的过程可以考虑设置（这个笔者没有验证过，有的博文中建议下面方式进行设置，但是官网是另外一种说法）
官网：

一些博文上的写法：

[xxx conf]# pwd
/xxxx/apache-kylin-2.3.1-bin/conf
[xxxx conf]# vim kylin_hive_conf.xml 
1
2
3

该文件原本的配置如下：

<property>
    <name>hive.merge.mapfiles</name>
    <value>false</value>
    <description>Disable Hive's auto merge</description>
</property>

<property>
    <name>hive.merge.mapredfiles</name>
    <value>false</value>
    <description>Disable Hive's auto merge</description>
</property>
1
2
3
4
5
6
7
8
9
10
11

修改成：

<property>
    <name>hive.merge.mapfiles</name>
    <value>true</value>
    <description>Enable Hive's auto merge</description>
</property>

<property>
    <name>hive.merge.mapredfiles</name>
    <value>true</value>
    <description>Enable Hive's auto merge</description>
</property>
1
2
3
4
5
6
7
8
9
10
11

1.7 调优：hive建表过程（数仓层面）

kylin使用的是一种预处理方式，这种方式有别于hive、spark-sql、presto、hbase、impala、druid等的即时查询方案，kylin能够在机器内存配置较少的情况下完成多维查询，对于有多维分析需求(OLAP)的项目，是一个很不错的选择。

但是，不要觉得kylin在调优过程中只要保证了kylin的model和cube创建的好就能够提升kylin的大大效率。对于kylin的数据来源hive中的hive表创建不好，会导致kylin cube build过程很漫长，这个笔者深有体会，优化的好的能够将build过程由1天多减少到分钟级别。

使用kylin进行多维查询，能够让不熟悉HBASE二级索引，预分区，HBASE调优，协处理等的开发人员减少很多时间。

在此，笔者建议kylin的hive数据表在创建的时候增加分区(partitioned)，笔者的与分区格式类似如下：

drop table if exists tb_table;
CREATE TABLE IF NOT EXISTS tb_table
(
Xxxxxxx  此处建表语句略去,
addTime bigint comment '数据生成的时间，时间戳，秒值',
createDate bigint comment '创建天，时间格式为yyyyMMdd的integer值，由addTime通过from_unixtime(actionTime,'yyyyMMdd') as createDate 得出'
)
partitioned by(pt_createDate integer comment '创建天，时间格式为yyyyMMdd的integer值，分区时间') 
ROW FORMAT DELIMITED 
FIELDS TERMINATED BY '\t' 
LINES TERMINATED BY '\n' 
STORED AS TEXTFILE;
1
2
3
4
5
6
7
8
9
10
11
12

其中pt_createDate 是数据入库时间。这个值很重要，在建立Model的时候，一定要使用这个时间作为partition,而不要使用数据生成时间createDate,否则可能会出现hive中的数据在kylin增量预处理之后，kylin的数据条数小于hive的数据条数，导致分析结果偏少的问题。

1.8 调优：hive表数据类型导致kylin统计如sum出错的问题（数仓层面）

在hive进行sum的时候，有时候发现不管怎么设置，数据值总是1或者一些莫名其妙的值，导致这个现象的其中一个原因就是使用了hive中一个数据类型定义为tinyint的列作为度量列。所以，在使用hive建表的时候，可以将这种字段设置成integer，然后再进行处理，发现结果正确了。
类似：

is_active_member integer comment '是否是活跃会员，1：是，0不是',   由之前的tinyint改成integer
1

1.9 调优：group by 字段值，计算每个分组sum的查询速度调优（数仓层面）

kylin有一个坑，可能是设计问题，就是kylin对sum(case when 字段列 then 1 else 0 end) totalNum的支持很烂，它不支持。

为了处理这种场景，建议对所有以上场景或者类似group by然后计算sum结果的场景，都在数据处理结果，将这种结果1 or 0的状态计算好，存储在hive表中。类似笔者的一个Spark sql程序片段：

spark.sql("INSERT INTO TABLE tb_table partition(pt_createDate=" + pt_createDate + ") " +
  "SELECT " +
  "    (case when st.registWay=10 then 1 else 0 end) as selfRegiste," +
  "    (case when st.registWay=20 then 1 else 0 end) as agentRegiste," +
  "    (case when st.registWay=30 then 1 else 0 end) as youxShopRegiste," +
  "    (case when st.registWay=40 then 1 else 0 end) as salesmanRegiste," +
  "    (case when st.registWay=50 then 1 else 0 end) as headShopRegiste," +
  "    from_unixtime(registTime,'yyyyMMdd') as createDate " +
  "FROM " +
  "    tb_table_temp "
  );
spark.stop();
1
2
3
4
5
6
7
8
9
10
11
12

也就是说将registWay 的分组求总和统计变成 selfRegiste 、agentRegiste 、youxShopRegiste、salesmanRegiste、headShopRegiste 的sum求和。通过这种方式之后，发现项目查询速度有很大的提升，可能有原来的n秒级，变成毫秒级别。

1.10 调优：使用和hive相同的partition column

在创建model的时候，指定类似如下的分区列：

使用增量build cube的方式。

1.11 调优：定期清理Kylin cube build过程中产生的中间文件

在kylin 在cube build过程中会产生很多临时文件，现象是：在hdfs中的/hbase/data/default，会产生很多时间为过往时间的文件，

可以使用一下命令查看磁盘占用大小：

[xxxx apache-kylin-2.3.1-bin]# hdfs dfs -du -s -h /hbase/data/default
WARNING: HADOOP_PREFIX has been replaced by HADOOP_HOME. Using value of HADOOP_PREFIX.

## 13.1 G  35.9 G  /hbase/data/default
[xxxx apache-kylin-2.3.1-bin]#
1
2
3
4
5

其中：13.1 G 表示的是一个节点中暂用磁盘的大小，35.9 G

如果这个临时中间文件不处理，最终将导致http://namenodeip:hdfs对应的port/dfshealth.html#tab-datanode：

官网介绍：
Kylin 在构建 cube 期间会在 HDFS 上生成中间文件；除此之外，当清理/删除/合并 cube 时，一些 HBase 表可能被遗留在 HBase 却以后再也不会被查询；虽然 Kylin 已经开始做自动化的垃圾回收，但不一定能覆盖到所有的情况；你可以定期做离线的存储清理：
步骤：
1. 检查哪些资源可以清理，这一步不会删除任何东西：

export KYLIN_HOME=/path/to/kylin_home
${KYLIN_HOME}/bin/kylin.sh org.apache.kylin.tool.StorageCleanupJob --delete false
1
2

请将这里的 (version) 替换为你安装的 Kylin jar 版本。
2. 你可以抽查一两个资源来检查它们是否已经没有被引用了；然后加上“–delete true”选项进行清理。

${KYLIN_HOME}/bin/kylin.sh org.apache.kylin.tool.StorageCleanupJob --delete true
1

完成后，Hive 里的中间表, HDFS 上的中间文件及 HBase 中的 HTables 都会被移除。
3. 如果您想要删除所有资源；可添加 “–force true” 选项：

${KYLIN_HOME}/bin/kylin.sh org.apache.kylin.tool.StorageCleanupJob --force true --delete true
1

完成后，Hive 中所有的中间表, HDFS 上所有的中间文件及 HBase 中的 HTables 都会被移除。

1.12 调优：减少Cube Dimensions维度数

做多维数据分析的时候，一般都要涉及到SQL，在这个过程中适当控制一些SQL，使用尽可能少的字段列以实现相同的数据查询需求。
因为维度列越多，cuboid的数量越多，需要的内存越多，cube build的时候时间也越长，生成的数据也越大。对于有n个维度的cube,组合字后会产生22…*（第n个2）体量的数据。
也就是说减少如下的Dimensions数量：

1.13 调优：定义measure列

对于定义measure，结果将在cube build前就预处理好，作为度量列的字段不要在Cube的Dimensions中出现，以减少Cuboid的数量 。这里包括两处：
A:Model创建过程中指定好Measures列，例如：

B:增加Cube Measures列的值

1.14 调优+错误总结：解决sum的时候结果莫名其妙的问题

出现这个现象的原因是在该定义measure的列上没有定义相关的度量值。具体添加方式如上面的：定义measure列

1.15 调优：定期merge cube

在kylin的model下的cube后见面的：

另外：设置好合适的Merge周期

1.16 调优：对于维度多于12个场景

在Advanced Setting中对维度进行Aggregation Groups分组。
也就是说在下面的维度列进行分组设置。

每组只填写好真正需要的维度列。添加新的分组的时候，可以使用：

在设置的时候一定要记着2的n次方这个问题。尽可能减少n(维度数量)这个值。

1.17 调优：创建中间平表（来自官网）

这一步将数据从源Hive表提取出来(和所有join的表一起)并插入到一个中间平表。如果Cube是分区的，Kylin会加上一个时间条件以确保只有在时间范围内的数据才会被提取。你可以在这个步骤的log查看相关的Hive命令，比如：

hive -e "USE default;
DROP TABLE IF EXISTS kylin_intermediate_airline_cube_v3610f668a3cdb437e8373c034430f6c34;

CREATE EXTERNAL TABLE IF NOT EXISTS kylin_intermediate_airline_cube_v3610f668a3cdb437e8373c034430f6c34
(AIRLINE_FLIGHTDATE date,AIRLINE_YEAR int,AIRLINE_QUARTER int,...,AIRLINE_ARRDELAYMINUTES int)
STORED AS SEQUENCEFILE
LOCATION 'hdfs:///kylin/kylin200instance/kylin-0a8d71e8-df77-495f-b501-03c06f785b6c/kylin_intermediate_airline_cube_v3610f668a3cdb437e8373c034430f6c34';

SET dfs.replication=2;
SET hive.exec.compress.output=true;
SET hive.auto.convert.join.noconditionaltask=true;
SET hive.auto.convert.join.noconditionaltask.size=100000000;
SET mapreduce.job.split.metainfo.maxsize=-1;

INSERT OVERWRITE TABLE kylin_intermediate_airline_cube_v3610f668a3cdb437e8373c034430f6c34 SELECT
AIRLINE.FLIGHTDATE
,AIRLINE.YEAR
,AIRLINE.QUARTER
,...
,AIRLINE.ARRDELAYMINUTES
FROM AIRLINE.AIRLINE as AIRLINE
WHERE (AIRLINE.FLIGHTDATE >= '1987-10-01' AND AIRLINE.FLIGHTDATE < '2017-01-01');
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

在Hive命令运行时，Kylin会用conf/kylin_hive_conf.properties里的配置，比如保留更少的冗余备份和启用Hive的mapper side join。需要的话可以根据集群的具体情况增加其他配置。

如果cube的分区列(在这个案例中是”FIGHTDATE”)与Hive表的分区列相同，那么根据它过滤数据能让Hive聪明地跳过不匹配的分区。因此强烈建议用Hive的分区列（如果它是日期列）作为cube的分区列。这对于那些数据量很大的表来说几乎是必须的，否则Hive不得不每次在这步扫描全部文件，消耗非常长的时间。

1.18 调优：重新分发中间表（来自官网）

在之前的一步之后，Hive在HDFS上的目录里生成了数据文件：有些是大文件，有些是小文件甚至空文件。这种不平衡的文件分布会导致之后的MR任务出现数据倾斜的问题：有些mapper完成得很快，但其他的就很慢。针对这个问题，Kylin增加了这一个步骤来“重新分发”数据，这是示例输出:

total input rows = 159869711
expected input rows per mapper = 1000000
num reducers for RedistributeFlatHiveTableStep = 160
1
2
3

重新分发表的命令：

hive -e "USE default;
SET dfs.replication=2;
SET hive.exec.compress.output=true;
SET hive.auto.convert.join.noconditionaltask=true;
SET hive.auto.convert.join.noconditionaltask.size=100000000;
SET mapreduce.job.split.metainfo.maxsize=-1;
set mapreduce.job.reduces=160;
set hive.merge.mapredfiles=false;

INSERT OVERWRITE TABLE kylin_intermediate_airline_cube_v3610f668a3cdb437e8373c034430f6c34 SELECT * FROM kylin_intermediate_airline_cube_v3610f668a3cdb437e8373c034430f6c34 DISTRIBUTE BY RAND();
"
1
2
3
4
5
6
7
8
9
10
11

首先，Kylin计算出中间表的行数，然后基于行数的大小算出重新分发数据需要的文件数。默认情况下,Kylin为每一百万行分配一个文件。在这个例子中，有1.6亿行和160个reducer，每个reducer会写一个文件。在接下来对这张表进行的MR步骤里，Hadoop会启动和文件相同数量的mapper来处理数据(通常一百万行数据比一个HDFS数据块要小)。如果你的日常数据量没有这么大或者Hadoop集群有足够的资源，你或许想要更多的并发数，这时可以将conf/kylin.properties里的kylin.job.mapreduce.mapper.input.rows设为小一点的数值，比如:

kylin.job.mapreduce.mapper.input.rows=500000
1

其次，Kylin会运行 “INSERT OVERWRITE TABLE … DISTRIBUTE BY “ 形式的HiveQL来分发数据到指定数量的reducer上。

在很多情况下，Kylin请求Hive随机分发数据到reducer，然后得到大小相近的文件，分发的语句是”DISTRIBUTE BY RAND()”。

如果你的cube指定了一个高基数的列，比如”USER_ID”，作为”分片”维度(在cube的“高级设置”页面)，Kylin会让Hive根据该列的值重新分发数据，那么在该列有着相同值的行将被分发到同一个文件。这比随机要分发要好得多，因为不仅重新分布了数据，并且在没有额外代价的情况下对数据进行了预先分类，如此一来接下来的cube build处理会从中受益。在典型的场景下，这样优化可以减少40%的build时长。在这个案例中分发的语句是”DISTRIBUTE BY USER_ID”：

请注意: 1)“分片”列应该是高基数的维度列，并且它会出现在很多的cuboid中（不只是出现在少数的cuboid）。 使用它来合理进行分发可以在每个时间范围内的数据均匀分布，否则会造成数据倾斜，从而降低build效率。典型的正面例子是：“USER_ID”、“SELLER_ID”、“PRODUCT”、“CELL_NUMBER”等等，这些列的基数应该大于一千(远大于reducer的数量)。 2)”分片”对cube的存储同样有好处，不过这超出了本文的范围。

1.19 调优：提取事实表的唯一列（来自官网）

在这一步骤Kylin运行MR任务来提取使用字典编码的维度列的唯一值。
实际上这步另外还做了一些事情：通过HyperLogLog计数器收集cube的统计数据，用于估算每个cuboid的行数。如果你发现mapper运行得很慢，这通常表明cube的设计太过复杂，请参考

优化cube设计来简化cube。如果reducer出现了内存溢出错误，这表明cuboid组合真的太多了或者是YARN的内存分配满足不了需要。如果这一步从任何意义上讲不能在合理的时间内完成，你可以放弃任务并考虑重新设计cube，因为继续下去会花费更长的时间。

你可以通过降低取样的比例（kylin.job.cubing.inmen.sampling.percent）来加速这个步骤，但是帮助可能不大而且影响了cube统计数据的准确性，所有我们并不推荐。

1.20 调优：构建维度字典（来自官网）

有了前一步提取的维度列唯一值，Kylin会在内存里构建字典。通常这一步比较快，但如果唯一值集合很大，Kylin可能会报出类似“字典不支持过高基数”。对于UHC类型的列，请使用其他编码方式，比如“fixed_length”、“integer”等等。

1.21 调优：构建基础cuboid,调整map大小 和reduce的数量

这一步用Hive的中间表构建基础的cuboid，是“逐层”构建cube算法的第一轮MR计算。Mapper的数目与第二步的reducer数目相等；Reducer的数目是根据cube统计数据估算的：默认情况下每500MB输出使用一个reducer；如果观察到reducer的数量较少，你可以将kylin.properties里的“kylin.job.mapreduce.default.reduce.input.mb”设为小一点的数值以获得过多的资源，比如:

kylin.job.mapreduce.default.reduce.input.mb=200
1

1.22 调优：设置好Mandatory Dimensions 列

这种维度意味着每次查询的group by中都会携带的，将某一个dimension设置为mandatory可以将cuboid的个数减少一半

因为我们确定每一次group by都会携带字段A，将A设置成Mandatory Dimensions后，那么就可以省去所有不包含A这个维度的cuboid了

好的技术文章：
http://kyligence.io/zh/2017/04/21/apache-kylin-advanced-setting-mandatory-dimension-principle/

1.23 调优：设置Joint Dimensions

很好的一篇博文：
http://kyligence.io/zh/2017/04/07/apache-kylin-advanced-setting-joint-dimension-principle/

1.24 调优：设置Hierarchy Dimension

以下文章很好的介绍了如何关于Hierarchy Dimension的调优策略
1

http://kyligence.io/zh/2017/04/14/apache-kylin-advanced-setting-hierarchy-dimension-principle/

1.25 调优：Configuration Overwrites 高级设置

参考官网更详细介绍：
http://kylin.apache.org/cn/docs/install/advance_settings.html

另外在里面最好设置数据压缩方式，以减少磁盘占用

1.26 调优：改变kylin中Advanced Setting的维度顺序

对于kylin中频繁使用，或着一定使用的维度列，在设置Includes的时候，将这些配置的靠前一些。因为kylin内部机制是越靠前的越优先被找到，从而加快查询速度。

就是上面红色区域的维度列的顺序。

1.27 调优：Build Cube With Spark

kylin.engine.spark.rdd-partition-cut-mb = 10 (默认 200)

直接影响 spark 的分区数，首先大概清楚 cuboid 数据总大小，例如 6032mb,那么 partitions = 6032/10 = 600，即会产生 600 个小文件，随后在 step8 跑 mr 时，就会拉起 600 个 map,使得 服务器负载骤增，发生报警。

调整参数后执行，如何跟踪服务器情况？只需跟踪 step8 的 mr 情况即可
① http://bgnode1:8088/cluster/scheduler 找到对应的 application
② %of Cluster 是否过高
③ 进入详情查看 map 数量是否过多，若过多则很可能是 rdd-partition-cut-mb 设置过 小导致，此时要调大参数 因此，合理的调整 rdd-partition-cut-mb 能防止机器报警。 这一步是对每一层的 cuboid 依次进行计算并写入 hdfs，耗时会比较长

kylin.engine.spark-conf.spark.executor.cores = 2 
kylin.engine.spark-conf.spark.executor.memory = 4G 
1
2

这两个参数自行根据数据大小来调整，cores 和 memory 都不是越大越好，需根据要 build 的数据量，再三调整测试最优值。

1.28 调优：Rowkey调优

为什么要优化 Rowkey? Apache Kylin 使用 HBase 做为 Cube 的存储引擎。而 HBase 是 Key-Value 数据库，这个 Key 在 HBase 中称为 Rowkey。为了能够支持按多个维度进行查询，Kylin 需要将多个维度值以某 种次序组成 Rowkey。HBase Scan Range，排在 Rowkey 靠前部分的维度，将比排在靠后部分 的维度更易于做筛选，查询效率更高。

那些维度适合排在前部分?

1. 基数高的排前面 在 Load Hive Table 时，勾选 Calculate column cardinality，即可在 load 时计算各字段的基 数，并在 Data Source -> Tables -> 点击相应的 table 查看

1.29 调优：在查询中被用做过滤条件的维度放在非过滤条件维度的前面

这一个环节如果 rowkey 没设计好，会导致以下问题：

1. Cuboid 转 hfile 后，会因数据分布不均匀，导致单点问题，使得服务器内存过高，触发报 警
2. Hbase 寻址慢，查询性能下降 除了各维度在 Rowkey 上的次序外，维度的编码方法对于空间占用及查询性能也有着显 著的影响。 合适的编码能减少维度对空间的占用，同时编码值也会加速查询过滤。

1.30 调优：罗列几个显著影响性能的参数

以下都是默认值：

kylin.engine.spark.rdd-partition-cut-mb = 10
kylin.engine.spark-conf.spark.executor.memory = 4G
kylin.storage.hbase.region-cut-gb = 5

官网提供的可设置参数：http://kylin.apache.org/docs/install/configuration.html

1.31 调优：其它调优思路

通过./kylin.sh org.apache.kylin.engine.mr.common.CubeStatsReader [cubeName] 查看 cuboid 总大小，然后再根据以下步骤进行对参数的调整：

1. 3 种降维选项是否有根据业务实际情况调整 
2. 有没合理的使用分区列 
3. 小文件是否过多 
4. reducer 是否过少 
5. spark partitions 是否合适 
6. spark 的 excutor 内存和 cores 数量分配是否合理 
7. cuboid 文件转 hfile 时，map 是否过多，reducer 是否过少（region 块的大小和数量是否合 理）
1
2
3
4
5
6
7

1.32 调优：输出压缩（来自官网）

使用 Snappy 压缩 HBase Cube：

另一个选项为 Gzip：

压缩输出的结果为：

Snappy 和 Ggzip 的区别在时间上少于 1% 但是在大小上有 18% 差别

1.33 调优：压缩Hive表（来自官网）

时间分布如下：

按概念分组的详细信息 ：

67 % 用来 build / process flat 表且遵守 30% 用来 build cube
大量时间用在了第一步。
这种时间分布在有很少的 measures 和很少的 dim (或者是非常优化的) 的 cube 中是很典型的
尝试在 Hive 输入表中使用 ORC 格式和压缩(Snappy)：

前三步 (Flat Table) 的时间已经提升了一半。
其他列式格式可以被测试：

• ORC
• 使用 Snappy 的 ORC 压缩
但结果比使用 Sequence 文件的效果差。
请看：Shaofengshi in MailList 关于这个的评论
第二步是重新分配 Flat Hive 表：

是一个简单的 row count，可以做出两个近似值

• 如果其不需要精确，fact 表的 row 可以被统计→ 这可以与步骤 1 并行执行 (且 99% 的时间将是精确的)
  
  • 将来的版本中 (KYLIN-2165 v2.0)，这一步将使用 Hive 表数据实现。

1.34 调优：Hive 表 (失败) 分区（来自官网）

Rows 的分布为：

build flat 表的查询语句 (简单版本)：

SELECT
,DIM_DATE.X
,DIM_DATE.y
,FACT_POSICIONES.BALANCE
FROM  FACT_POSICIONES  INNER JOIN DIM_DATE 
	ON  ID_FECHA = .ID_FECHA
WHERE (ID_DATE >= '2016-12-08' AND ID_DATE < '2016-12-23')
1
2
3
4
5
6
7

这里存在的问题是，Hive 只使用 1 个 Map 创建 Flat 表。重要的是我们要改变这种行为。解决方案是在同一列将 DIM 和 FACT 分区
• 选项 1：在 Hive 表中使用 id_date 作为分区列。这有一个大问题：Hive metastore 意味着几百个分区而不是几千个 (在 Hive 9452 中有一个解决该问题的方法但现在还未完成)
• 选项 2：生成一个新列如 Monthslot。

为 dim 和 fact 表添加同一个列
现在，用这个新的条件 join 表来更新数据模型

生成 flat 表的新查询类似于：

SELECT *
	FROM  FACT_POSICIONES  **INNER JOIN** DIM_DATE 
		ON  ID_FECHA = .ID_FECHA    AND  MONTHSLOT=MONTHSLOT
1
2
3

用这个数据模型 rebuild 新 cube
结果，性能更糟了