Java使用极小的内存完成对超大数据的去重计数，用于实时计算中统计UV – lxw的大数据田地 http://lxw1234.com/archives/2015/09/516.htm

Java使用极小的内存完成对超大数据的去重计数，用于实时计算中统计UV

编程语言 lxw1234@qq.com 3年前 (2015-09-25) 15132℃ 1评论

关键字：streamlib、基数估计、实时计算uv、大数据、去重计数

一直在想如何在实时计算中完成对海量数据去重计数的功能，即SELECT COUNT(DISTINCT) 的功能。比如：从每天零点开始，实时计算全站累计用户数（UV），以及某些组合维度上的用户数，这里的用户假设以Cookieid来计。

想想一般的解决办法，在内存中使用HaspMap、HashSet？或者是在Redis中以Cookieid为key？感觉都不合适，在数以亿计用户的业务场景下，内存显然也成了瓶颈。

如果说，实时计算的业务场景中，对UV的计算精度并不要求100%（比如：实时的监测某一网站的PV和UV），那么可以考虑采用基数估计算法来统计。这里有一个Java的实现版本 stream-lib：https://github.com/addthis/stream-lib

采用基数估计算法目的就是为了使用很小的内存，即可完成超大数据的去重计数。号称是只使用几KB的内存，就可以完成对数以条数据的去重计数。但基数估计算法都不是100%精确的，误差在0~2%之间，一般是1%左右。

本文使用stream-lib来尝试对两个数据集进行去重计数。相关的文档和下载见文章最后。

测试数据集1：

文件名：small_cookies.txt
文件内容：每个cookieid一行
文件总记录数：14892708
去重记录数：3896911
文件总大小：350153062（约334M）

[liuxiaowen@dev site_raw_log]$ head -5 small_cookies.txt
7EDCF13A03D387548FB2B8
da5f0196-56036078075b9f-14892137
1D0A83B604ADD4558970EE
3DF76E7100025F553B1980
72C756700C3CAA56035EE0
[liuxiaowen@dev site_raw_log]$ wc -l small_cookies.txt
14892708 small_cookies.txt
[liuxiaowen@dev site_raw_log]$ awk '!a[$0]++{print $0}' small_cookies.txt | wc -l
3896911
[liuxiaowen@dev site_raw_log]$ ll small_cookies.txt
-rw-rw-r--. 1 liuxiaowen liuxiaowen 350153062 Sep 25 10:50 small_cookies.txt

测试数据集2：

文件名：big_cookies.txt
文件内容：每个cookieid一行
文件总记录数：547631464
去重记录数：190264959
文件总大小：12610638153（约11.8GB）

--总记录数
spark-sql> select count(1) from big_cookies;
547631464
Time taken: 7.311 seconds, Fetched 1 row(s)
--去重记录数
spark-sql> select count(1) from (select cookieid from big_cookies group by cookieid) x;
190264959
Time taken: 80.516 seconds, Fetched 1 row(s)
hadoop fs -getmerge /hivedata/warehouse/liuxiaowen.db/big_cookies/* big_cookies.txt
[liuxiaowen@dev site_raw_log]$ wc -l big_cookies.txt
547631464 cookies.txt
//总大小
[liuxiaowen@dev site_raw_log]$ ll big_cookies.txt
-rw-r--r--. 1 liuxiaowen liuxiaowen 12610638153 Sep 25 13:25 big_cookies.txt

普通方法测试

所谓普通方法，就是遍历文件，将所有cookieid放到内存的HashSet中，而HashSet的size就是去重记录数。

代码如下：

package com.lxw1234.streamlib;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileReader;
import java.io.IOException;
import java.util.HashSet;
import java.util.Set;
public class Test {
public static void main(String[] args) {
Runtime rt = Runtime.getRuntime();
Set set = new HashSet();
File file = new File(args[0]);
BufferedReader reader = null;
long count = 0l;
try {
reader = new BufferedReader(new FileReader(file));
String tempString = null;
while ((tempString = reader.readLine()) != null) {
count++;
set.add(tempString);
if(set.size() % 5000 == 0) {
System.out.println("Total count:[" + count + "] Unique count:[" + set.size() + "] FreeMemory:[" + rt.freeMemory() + "] ..");
}
}
reader.close();
} catch (Exception e) {
e.printStackTrace();
} finally {
if (reader != null) {
try {
reader.close();
} catch (IOException e1) {}
}
}
System.out.println("Total count:[" + count + "] Unique count:[" + set.size() + "] FreeMemory:[" + rt.freeMemory() + "] ..");
}
}

指定使用10M的内存运行，命令为：

java -cp /tmp/teststreamlib.jar -Xms10M -Xmx10M -XX:PermSize=10M -XX:MaxPermSize=10M \
com.lxw1234.streamlib.Test /home/liuxiaowen/site_raw_log/small_cookies.txt

运行结果如下：

10M的内存，仅仅够存65000左右的cookieid，之后就报错，内存不够了。大数据集更不用说。

基数估计方法测试

采用streamlib中的基数估计算法实现ICardinality，对两个结果集的总记录数和去重记录数进行统计，代码如下：

package com.lxw1234.streamlib;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileReader;
import java.io.IOException;
import com.clearspring.analytics.stream.cardinality.AdaptiveCounting;
import com.clearspring.analytics.stream.cardinality.ICardinality;
public class TestCardinality {
public static void main(String[] args) {
Runtime rt = Runtime.getRuntime();
long start = System.currentTimeMillis();
long updateRate = 1000000l;
long count = 0l;
ICardinality card = AdaptiveCounting.Builder.obyCount(Integer.MAX_VALUE).build();
File file = new File(args[0]);
BufferedReader reader = null;
try {
reader = new BufferedReader(new FileReader(file));
String tempString = null;
while ((tempString = reader.readLine()) != null) {
card.offer(tempString);
count++;
if (updateRate > 0 && count % updateRate == 0) {
System.out.println("Total count:[" + count + "] Unique count:[" + card.cardinality() + "] FreeMemory:[" + rt.freeMemory() + "] ..");
}
}
reader.close();
} catch (Exception e) {
e.printStackTrace();
} finally {
if (reader != null) {
try {
reader.close();
} catch (IOException e1) {}
}
}
long end = System.currentTimeMillis();
System.out.println("Total count:[" + count + "] Unique count:[" + card.cardinality() + "] FreeMemory:[" + rt.freeMemory() + "] ..");
System.out.println("Total cost:[" + (end - start) + "] ms ..");
}
}

测试数据集1

指定使用10M的内存运行，测试数据集1命令为：

java -cp /tmp/stream-2.9.1-SNAPSHOT.jar:/tmp/teststreamlib.jar -Xms10M -Xmx10M -XX:PermSize=10M -XX:MaxPermSize=10M \
com.lxw1234.streamlib.TestCardinality /home/liuxiaowen/site_raw_log/small_cookies.txt

运行结果如下：

测试数据集2

同样指定使用10M的内存运行，测试数据集2命令为：

java -cp /tmp/stream-2.9.1-SNAPSHOT.jar:/tmp/teststreamlib.jar -Xms10M -Xmx10M -XX:PermSize=10M -XX:MaxPermSize=10M \
com.lxw1234.streamlib.TestCardinality /home/liuxiaowen/site_raw_log/big_cookies.txt

运行结果为：

测试结果

测试结果来看，基数估计算法统计的结果中误差的确是0~2%，如果可以接受这个误差，那么这个方案完全可以用于实时计算中的不同维度UV统计中。

从运行结果图上可以看到，虽然指定了10M内存，但空闲内存（FreeMemory）一直在差不多7M以上，也就是说，5.4亿的数据去重计数，也仅仅使用了3M左右的内存。