MogDB HLL数据类型

HLL（HyperLoglog）是统计数据集中唯一值个数的高效近似算法。它有着计算速度快，节省空间的特点，不需要直接存储集合本身，而是存储一种名为HLL的数据结构。每当有新数据加入进行统计时，只需要把数据经过哈希计算并插入到HLL中，最后根据HLL就可以得到结果。

HLL与其他算法的比较请参见表1。

表 1 HLL与其他算法比较

HLL在计算速度和所占存储空间上都占优势。在时间复杂度上，Sort算法需要排序至少O(nlogn)的时间，虽说Hash算法和HLL一样扫描一次全表O(n)的时间就可以得出结果，但是存储空间上，Sort算法和Hash算法都需要先把原始数据存起来再进行统计，会导致存储空间消耗巨大，而对HLL来说不需要存原始数据，只需要维护HLL数据结构，故占用空间始终是1280字节常数级别。

须知:

• 当前默认规格下可计算最大distinct值的数量为1.6e+12个，误差率最大可达到2.3%。用户应注意如果计算结果超过当前规格下distinct最大值会导致计算结果误差率变大，或导致计算结果失败并报错。
• 用户在首次使用该特性时，应该对业务的distinct value做评估，选取适当的配置参数并做验证，以确保精度符合要求。
• 当前默认参数下，可以计算的distinct value值为1.6e+12，如果计算得到的distinct value值为NaN，需要调整log2m和regwidth来容纳更多的distinct value。
• 虽然hash算法存在极低的hash collision概率，但是建议用户在首次使用时，选取2-3个hash seed验证，如果得到的distinct value相差不大，则可以从该组seed中任选一个作为hash seed。

HLL中主要的数据结构，请参见表2。

表 2 HyperLogLog中主要数据结构

HLL的应用场景。

• 场景1: "Hello World"

  通过下面的示例说明如何使用hll数据类型:

    -- 创建带有hll类型的表
    mogdb=# create table helloworld (id integer, set hll);
    -- 向表中插入空的hll
    mogdb=# insert into helloworld(id, set) values (1, hll_empty());
    -- 把整数经过哈希计算加入到hll中
    mogdb=# update helloworld set set = hll_add(set, hll_hash_integer(12345)) where id = 1;
    -- 把字符串经过哈希计算加入到hll中
    mogdb=# update helloworld set set = hll_add(set, hll_hash_text('hello world')) where id = 1;
    -- 得到hll中的distinct值
    mogdb=# select hll_cardinality(set) from helloworld where id = 1;
     hll_cardinality
    -----------------
                   2
    (1 row)
    -- 删除表
    mogdb=# drop table helloworld;

• 场景2: "网站访客数量统计"

  通过下面的示例说明hll如何统计在一段时间内访问网站的不同用户数量:

    -- 创建原始数据表，表示某个用户在某个时间访问过网站。
    mogdb=# create table facts (
             date            date,
             user_id         integer
    );
    -- 构造数据，表示一天中有哪些用户访问过网站。
    mogdb=# insert into facts values ('2019-02-20', generate_series(1,100));
    mogdb=# insert into facts values ('2019-02-21', generate_series(1,200));
    mogdb=# insert into facts values ('2019-02-22', generate_series(1,300));
    mogdb=# insert into facts values ('2019-02-23', generate_series(1,400));
    mogdb=# insert into facts values ('2019-02-24', generate_series(1,500));
    mogdb=# insert into facts values ('2019-02-25', generate_series(1,600));
    mogdb=# insert into facts values ('2019-02-26', generate_series(1,700));
    mogdb=# insert into facts values ('2019-02-27', generate_series(1,800));
    -- 创建表并指定列为hll。
    mogdb=# create table daily_uniques (
        date            date UNIQUE,
        users           hll
    );
    -- 根据日期把数据分组，并把数据插入到hll中。
    mogdb=# insert into daily_uniques(date, users)
        select date, hll_add_agg(hll_hash_integer(user_id))
        from facts
        group by 1;
    -- 计算每一天访问网站不同用户数量
    mogdb=# select date, hll_cardinality(users) from daily_uniques order by date;
            date         | hll_cardinality
    ---------------------+------------------
     2019-02-20 00:00:00 |              100
     2019-02-21 00:00:00 | 203.813355588808
     2019-02-22 00:00:00 | 308.048239950384
     2019-02-23 00:00:00 | 410.529188080374
     2019-02-24 00:00:00 | 513.263875705319
     2019-02-25 00:00:00 | 609.271181107416
     2019-02-26 00:00:00 | 702.941844662509
     2019-02-27 00:00:00 | 792.249946595237
    (8 rows)
    -- 计算在2019.02.20到2019.02.26一周中有多少不同用户访问过网站
    mogdb=# select hll_cardinality(hll_union_agg(users)) from daily_uniques where date >= '2019-02-20'::date and date <= '2019-02-26'::date;
     hll_cardinality
    ------------------
     702.941844662509
    (1 row)
    -- 计算昨天访问过网站而今天没访问网站的用户数量。
    mogdb=# SELECT date, (#hll_union_agg(users) OVER two_days) - #users AS lost_uniques FROM daily_uniques WINDOW two_days AS (ORDER BY date   ASC ROWS 1 PRECEDING);
            date         | lost_uniques
    ---------------------+--------------
     2019-02-20 00:00:00 |            0
     2019-02-21 00:00:00 |            0
     2019-02-22 00:00:00 |            0
     2019-02-23 00:00:00 |            0
     2019-02-24 00:00:00 |            0
     2019-02-25 00:00:00 |            0
     2019-02-26 00:00:00 |            0
     2019-02-27 00:00:00 |            0
    (8 rows)
    -- 删除表
    mogdb=# drop table facts;
    mogdb=# drop table daily_uniques;

• 场景3: "插入数据不满足hll数据结构要求"

  当用户给hll类型的字段插入数据的时候，必须保证插入的数据满足hll数据结构要求，如果解析后不满足就会报错。如下示例中: 插入数据'E\\1234'时，该数据不满足hll数据结构，不能解析成功因此失败报错。

    mogdb=# create table test(id integer, set hll);
    mogdb=# insert into test values(1, 'E\\1234');
    ERROR:  unknown schema version 4
    mogdb=# drop table test;