文章作者：吴建超
内容来源：jackywoo.cn
出品平台：DataFunTalk
导读：Kylin、Druid、ClickHouse是目前主流的OLAP引擎，本文尝试从数据模型和索引结构两个角度，分析这几个引擎的核心技术，并做简单对比。在阅读本文之前希望能对Kylin、Druid、ClickHouse有所理解。
01
Kylin数据模型
Kylin的数据模型本质上是将二维表（Hive表）转换为Cube，然后将Cube存储到HBase表中，也就是两次转换。
第一次转换，其实就是传统数据库的Cube化，Cube由CuboId组成，下图每个节点都被称为一个CuboId，CuboId表示固定列的数据数据集合，比如“ AB” 两个维度组成的CuboId的数据集合等价于以下SQL的数据集合：
select A, B, sum(M), sum(N) from table group by A, B
第二次转换，是将Cube中的数据存储到HBase中，转换的时候CuboId和维度信息序列化到rowkey，度量列组成列簇。在转换的时候数据进行了预聚合。下图展示了Cube数据在HBase中的存储方式。
02
Kylin索引结构
因为Kylin将数据存储到HBase中，所以kylin的数据索引就是HBase的索引。HBase的索引是简化版本的B+树，相比于B+树，HFile没有对数据文件的更新操作。
HFile的索引是按照rowkey排序的聚簇索引，索引树一般为二层或者三层，索引节点比MySQL的B+树大，默认是64KB。数据查找的时候通过树形结构定位到节点，节点内部数据是按照rowkey有序的，可以通过二分查找快速定位到目标。
Kylin小结：适用于聚合查询场景；因为数据预聚合，Kylin可以说是最快的查询引擎（group-by查询这样的复杂查询，可能只需要扫描1条数据）；kylin查询效率取决于是否命中CuboId，查询波动较大；HBase索引有点类似MySQL中的联合索引，维度在rowkey中的排序和查询维度组合对查询效率影响巨大；所以Kylin建表需要业务专家参与。
03
Druid数据模型
Druid数据模型比较简单，它将数据进行预聚合，只不过预聚合的方式与Kylin不同，kylin是Cube化，Druid的预聚合方式是将所有维度进行Group-by，可以参考下图：
04
Druid索引结构
Druid索引结构使用自定义的数据结构，整体上它是一种列式存储结构，每个列独立一个逻辑文件（实际上是一个物理文件，在物理文件内部标记了每个列的start和offset）。对于维度列设计了索引，它的索引以Bitmap为核心。下图为“city”列的索引结构：
首先将该列所有的唯一值排序，并生成一个字典，然后对于每个唯一值生成一个Bitmap，Bitmap的长度为数据集的总行数，每个bit代表对应的行的数据是否是该值。Bitmap的下标位置和行号是一一对应的，所以可以定位到度量列，Bitmap可以说是反向索引。同时数据结构中保留了字典编码后的所有列值，其为正向的索引。
那么查询如何使用索引呢？以以下查询为例：
select site, sum(pv) from xx where date=2020-01-01 and city='bj' group by site
city列中二分查找dictionary并找到'bj'对应的bitmap 遍历city列，对于每一个字典值对应的bitmap与'bj'的bitmap做与操作
每个相与后的bitmap即为city='bj'查询条件下的site的一个group的pv的索引
通过索引在pv列中查找到相应的行，并做agg
后续计算
Druid小结：Druid适用于聚合查询场景但是不适合有超高基维度的场景；存储全维度group-by后的数据，相当于只存储了KYLIN Cube的 Base-CuboID；每个维度都有创建索引，所以每个查询都很快，并且没有类似KYLIN的巨大的查询效率波动。
05
ClickHouse索引结构（只讨论MergeTree引擎）
因为Clickhouse数据模型就是普通二维表，这里不做介绍，只讨论索引结构。整体上Clickhouse的索引也是列式索引结构，每个列一个文件。Clickhouse索引的大致思路是：首先选取部分列作为索引列，整个数据文件的数据按照索引列有序，这点类似MySQL的联合索引；其次将排序后的数据每隔8194行选取出一行，记录其索引值和序号，注意这里的序号不是行号，序号是从零开始并递增的，Clickhouse中序号被称作Mark’s number；然后对于每个列（索引列和非索引列），记录Mark’s number与对应行的数据的offset。
下图中以一个二维表（date, city, action）为例介绍了整个索引结构，其中（date,city）是索引列。
那么查询如何使用索引呢？以以下查询为例：
select count(distinct action) where date=toDate(2020-01-01) and city=’bj’
二分查找primary.idx并找到对应的mark's number集合（即数据block集合） 在上一步骤中的 block中，在date和city列中查找对应的值的行号集合，并做交集，确认行号集合
将行号转换为mark's number 和 offset in block（注意这里的offset以行为单位而不是byte）
在action列中，根据mark's number和.mark文件确认数据block在bin文件中的offset，然后根据offset in block定位到具体的列值。
后续计算
该实例中包含了对于列的正反两个方向的查找过程。反向：查找date=toDate(2020-01-01) and city=’bj’数据的行号；正向：根据行号查找action列的值。对于反向查找，只有在查找条件匹配最左前缀的时候，才能剪枝掉大量数据，其它时候并不高效。
Clickhouse小结：MergeTree Family作为主要引擎系列，其中包含适合明细数据的场景和适合聚合数据的场景；Clickhouse的索引有点类似MySQL的联合索引，当查询前缀元组能命中的时候效率最高，可是一旦不能命中，几乎会扫描整个表，效率波动巨大；所以建表需要业务专家，这一点跟kylin类似。
06
小结
Kylin、Druid只适合聚合场景，ClickHouse适合明细和聚合场景
聚合场景，查询效率排序：Kylin > Druid > ClickHouse
Kylin、ClickHouse建表都需要业务专家参与
Kylin、ClickHouse查询效率都可能产生巨大差异
ClickHouse在向量化方面做得的最好，Druid少量算子支持向量化、Kylin目前还不支持向量化计算。
今天的分享就到这里，谢谢大家。
作者介绍：
吴建超，9年程序员一枚，目前专注于大数据处理和数据库技术。
在文末分享、点赞、在看，给个三连击呗~~
社群推荐：
欢迎加入 DataFunTalk 大数据交流群，跟同行零距离交流。如想进群，请识别下面的二维码，根据提示自主入群。
文章推荐：
关于我们：
DataFunTalk 专注于大数据、人工智能技术应用的分享与交流。发起于2017年，在北京、上海、深圳、杭州等城市举办超过100场线下沙龙、论坛及峰会，已邀请近500位专家和学者参与分享。其公众号 DataFunTalk 累计生产原创文章300+，百万+阅读，7万+精准粉丝。
🧐分享、点赞、在看，给个三连击呗！👇
