不管你使用哪种OLAP引擎 都可以这样搞定查询优化_Druid

编者有言：友情提示，本文提到的快取思想不仅仅可以用在Druid上，同样可以用在ClickHouse，Impala等其他的OLAP引擎的查询优化上。接下来，我们就一起来看看知乎资料分析平台在查询优化方面的成果~

知乎作为中文知识内容平台，业务增长和产品迭代速度很快，如何满足业务快速扩张中的灵活分析需求，是知乎资料平台组要面临的一大挑战。

知乎资料平台团队基于开源的Druid打造的业务自助式的资料分析平台，经过研发迭代，目前支撑了全业务的资料分析需求，是业务资料分析的重要工具。

目前，平台主要的能力如下：

目前，业务使用平台的资料如下：

一、资料分析平台架构

知乎实时分析平台架构

二、技术选型-Druid

Druid是一种能对历史和实时资料提供亚秒级别的查询的资料储存。Druid支援低延时的资料摄取，灵活的资料探索分析，高效能的资料聚合，简便的水平扩充套件。适用于资料量大，可扩充套件能力要求高的分析型查询系统。

Druid整体架构

三、Druid资料结构和架构简介

1、Druid资料结构

2、查询服务的相关元件

内部元件

外部元件

四、平台的演进

1、Druid查询量大

在Druid成为主力查询引擎之后，我们发现大查询量的场景下直接查Druid会有一些弊端，其中最大的痛点就是查询响应慢。

2、快取查询结果

为了提高整体查询速度，我们引入了Redis作为快取。

使用Redis来快取查询结果

最简单的快取设计，是将Druid的查询体（Request

）作为key，Druid的返回体（Response）作为value。上述的快取机制的缺点是显而易见的，只能应对查询条件完全一致的重复查询。在实际应用中，查询条件往往是多变的，尤其是查询时间的跨度。

举个例子，在相同指标维度组合下使用者发起两次查询，第一次查询10月1日到10月7日的资料，Druid查出结果并快取到Redis。使用者调整时间跨度到10月2日到10月8日，发起第二次查询，这条请求的不会命中Redis，又需要Druid来查询资料。

从例子中，我们发现两次查询的时间跨度交集是10月2日到10月7日，但是这部分的快取结果并没有被复用。这种查询机制下，查询延时主要来自于Druid处理重复的请求，快取结果没有被充分利用。

3、提高快取的复用

为了提高快取复用率，我们需要增加一套新的快取机制：当查询在Redis没有直接命中时，先扫描Redis中是否已快取查询中部分时间跨度的结果提取命中的结果，未命中再查询Druid。在扫描的过程中，被扫描的物件是单位时间跨度的快取。

为了能获得到任意一个单位时间跨度内的快取，除了在Redis中快取单条查询的结果之外，需要进一步按时间粒度将总跨度等分，快取所有单位时间跨度对应的结果（如下图所示）：

Druid结果按时间粒度快取

4、减少Redis IO

从上图中我们发现，对每个单位时间跨度的结果判断是否已被快取都需要对Redis进行一次读操作，当使用者查询量增大时，这种操作会对Redis丛集造成比较大的负担，偶尔会出现Redis连线超时的情况。

为了减少对Redis的IO，我们对时间跨度单独设计了一套快取机制。

基于减少读操作的想法，我们设计了通过一次读操作就可得到已经被快取的所有时间跨度，然后再一次性地将所有快取的结果读出。

优化后快取机制如下图所示：

Redis读操作优化

5、Druid查询时间跨度长

在未命中快取的情况下，设定较长的查询时间跨度（长时间跨度：2周以上），Druid经常会出现返回速度变慢，甚至阻塞其他查询请求的现象。

我们测试了长时间跨度的查询请求对丛集整体的影响，通过对Druid丛集的监控资料的分析，我们发现被长时间跨度查询命中的Broker节点会出现内存消耗过大的问题，并且随着时间跨度的增大，内存消耗跟着提高，甚至出现内存不足导致Broker节点无响应的问题。

6、一个Broker处理一个请求

在调研了Druid执行原理以后，我们发现一个查询请求只会被Router路由到一个Broker节点，经由Broker节点去Historical节点上查询目标资料在Deep Storage的储存位置，最后返回的资料也是经过Broker节点来合并返回结果。查询的时间跨度越长，对Broker的压力也越大，内存消耗越多。

单个Broker处理长时间跨度查询

7、多个Broker处理一个请求

单个Broker的效能无法满足长时间跨度的查询，为了让提高查询效能，我们尝试把一个查询N天资料的请求，拆分成N个查询，每个只查询一天，然后异步地将这些请求发出，结果这N个请求都被很快的返回了。和拆分前的查询耗时相比，拆分后的耗时大大减小。

多个Broker处理长时间跨度查询

从Broker节点的监控来看，当一个长时间的查询请求被多个Broker一起处理，可以减少单个Broker内存消耗，并且加快了整体的查询速度。提速程度请参考下图的测试比对，测试用例采用平台一天的所有查询，测试方式是在不命中Redis的情况下异步地“回放”这些查询到Druid。

benchmark

根据上述Broker在查询过程中的工作原理，想达到长时间跨度查询的提速，我们需要在使用者发起查询之后把请求拆分。

拆分的机制是根据每个查询请求的查询时间粒度而定，例如上述中的一个N天跨度的天粒度请求，在查询到达Druid丛集之前，我们尝试把它拆分成N个1天跨度的天级别粒度请求。

整个查询从拆分到命中Druid的过程如下图所示（在Druid内部的工作细节请参考上文）。

按时间粒度拆分使用者查询请求

8、快取结果过期

前两步的演进完成了从高负载下查询效能低、查询时间跨度长而速度慢、Redis复用率低，到查询效能高、Redis IO稳定。

分析平台的资料来源来自于离线数仓的Hive和实时数仓的Kafka。重新摄入上游资料到Druid后，对应时间列的Segment档案会进行重建索引。

在Segment档案索引重建之后，对应的Druid查询结果也会发生改变。当这个情况发生时，使用者从Redis获取到的结果并没有及时得到更新，这时就会出现资料不一致的情况。因此一套平台使用者无感的快取自动失效机制就显得尤为重要。

9、快取自动失效

在Druid查询链路下，资料来源的最近成功摄入的时间可以被抽象为它的最新版本号，利用这一思想，我们可以给每个资料来源都打上资料版本的标签，在资料更新后，给更新的资料来源替换新的标签。这样一来，每次校验Druid查询结果是否过期时就有了参照物件。

Druid支援MySQL储存元资料资讯（Metastore Storage），元资料中的时间戳就恰好可以作为资料版本。在使用者查询请求发起后，先后取出Redis快取结果中携带的时间戳和MySQL元资料版本，然后比较两个时间。

在添加了资料版本校验后，一个请求的整个生命周期如下图所示：

快取自动失效机制

五、总结

本文重点介绍了知乎资料分析平台对Druid的查询优化。

通过自研的一整套快取机制和查询改造，该平台目前在较长的时间内，满足了业务固化的指标需求和灵活的分析需求，减少了资料开发者的开发成本。

资料分析平台在上线后，提供了非常灵活的能力。在实践中，我们发现过度的自由未必是使用者想要的。适当的流程约束，有助于降低使用者的学习成本，以及大幅度改善业务在该平台上的查询体验。早期我们对资料的摄入并没有做过多的约束，在整个资料稳定性提升过程中，通过和数仓团队的大力配合，我们对摄入的资料来源做了优化，包括限制高基数维度等治理的工作。

本文的快取思想不仅仅可以用在Druid上，同样可以用在ClickHouse，Impala等其他的OLAP引擎的查询优化上。

参考

[1]http://druid.io/docs/latest/design/