国人之光：大数据分析神器Apache Kylin

一、简介

Apache Kylin是一个开源的、分布式的分析型数据仓库，提供Hadoop/Spark 之上的 SQL 查询接口及多维分析（OLAP）能力以支持超大规模数据，最初由 eBay 开发并贡献至开源社区。之所以说它是国人之光，是因为它是首个由国人主导的Apache顶级开源项目，能在亚秒内查询巨大的表。 

二、基本概念

先了解一下几个概念，如下有一张表

ID	客户号	交易日期	交易类型	金额
1	001	20201230	工资代发	1000000
2	002	20210101	转账	66666
3	003	20210115	信用卡还款	1888

查询某个客户在哪个时间进行某种交易的金额，这种是多维分析，其中客户号、交易日期和交易类型是维度（Dimensions），金额是度量（Measures）。

根据表格中三个维度一个度量，可以画出如下图形

对于一个多维模型，在查询上有多种组合，比如一维的：客户号/交易日期/交易类型二维的：客户号+交易日期/客户号+交易类型/交易日期和交易类型三维的：客户号+交易日期+交易类型对于每一种组合，称之为Cuboid，这这些组合的统一，则是Cube。Cube定义了使用的模型、模型的维度和度量等信息。

三、作用及原理

有些读者就要说了：概念讲了一堆，就是不说它到底为什么出现，解决什么问题，难怪阅读量这么少

别急，这不就准备讲了嘛。Kylin是为减少在Hadoop/Spark上百亿规模数据查询延迟而设计的。

对于效率要求较高的大规模数据集的查询，尤其多维查询的时候，数据仓库中一般存在事实表和维度表，需要关联很多维度表，这就给查询带来一定的压力，查询效率低下。为了解决这个问题，Kylin应运而生。

但是Kylin为什么快呢？

主要是因为它的预计算，它将多维分析可能用到的度量进行预计算，将计算好的结果保存成Cube并存储到HBase中，供查询时直接访问。说到底就是用空间换时间。

大致流程：将数据源(比如Hive)中的数据按照指定的维度和指标，由计算引擎MapReduce离线计算出所有可能的查询结果(即Cube)存储到HBase中。HBase中每行记录的Rowkey由各维度的值拼接而成，度量会保存在column family中。为了减少存储代价，会对维度和度量进行编码。查询阶段，利用HBase列存储的特性就可以保证Kylin有良好的快速响应和高并发。

四、Kylin的架构

Kylin的架构主要有这几个部分：

源数据：Hive、Kafka、RDBMS等；

对外查询接口：REST API、JDBC/ODBC；

存储引擎：HBase；

构建Cube的计算引擎。

 其中构建Cube的计算引擎模块如下：

REST Server：是一套面向应用程序开发的入口点，旨在实现针对Kylin平台的应用开发工作。

Query Engine：当cube准备就绪后，查询引擎就能够获取并解析用户查询。

Routing：查询路由，负责将解析的SQL生成的执行计划转换成cube缓存的查询，若查询没办法从cube缓存中获取，则下压至数据源进行查询。

Metadata：Kylin是由元数据驱动的。元数据管理工具是一大关键性组件，用于对保存在Kylin当中的所有元数据进行管理，其中包括最为重要的cube元数据。

Cube Build Engine：这套引擎的作用在于处理所有离线任务。

五、总结

本文大概介绍了Kylin以及一些相关的概念和原理、架构。更多内容可以去Kylin 官网进行了解.