实时分析数据库 Druid，Mark 一下

本文已收录github：https://github.com/BigDataScholar/TheKingOfBigData，里面有大数据高频考点，Java一线大厂面试题资源，上百本免费电子书籍，作者亲绘大数据生态圈思维导图…持续更新，欢迎star！

前言

        都说现在大数据生态圈用“百花齐放”来形容真的一点也不为过。之前的文章已经分别为大家介绍了现在企业中常用的即席查询框架 —— Presto 和 Kylin。实际上，还有一个未登场的“大佬”，它就是本期内容的主角：Druid ！

Druid

Druid 简介

        Druid 是一个高性能的实时分析数据库。它在 PB 级数据处理、毫秒级查询、数据实时处理方面，比传统的 OLAP 系统有显著的性能提升。

Druid 特点

        Druid具有如下技术特点：

• 列式存储格式

        Druid使用面向列的存储，这意味着它只需要加载特定查询所需的精确列。这为仅查看几列的查询提供了巨大的速度提升。此外，每列都针对其特定数据类型进行了优化，支持快速扫描和聚合。

• 高可用性与高可拓展性

        Druid采用分布式、SN(share-nothing)架构，管理类节点可配置HA，工作节点功能单一，不相互依赖，这些特性都使得Druid集群在管理、容错、灾备、扩容等方面变得十分简单。Druid通常部署在数十到数百台服务器的集群中，并且可以提供数百万条记录/秒的摄取率，保留数万亿条记录，以及亚秒级到几秒钟的查询延迟。

• 大规模的并行查询

        Druid可以在整个集群中进行大规模的并行查询。

• 实时摄取或批量处理

        实时流数据分析。区别于传统分析型数据库采用的批量导入数据进行分析的方式，Druid提供了实时流数据分析，采用LSM(Long structure-merge)-Tree结构使 Druid 拥有极高的实时写入性能；同时实现了实时数据在亚秒级内的可视化。

• 自愈、自平衡、易操作

        作为运营商，要将群集扩展或缩小，只需添加或删除服务器，群集将在后台自动重新平衡，无需任何停机时间。如果任何Druid服务器发生故障，系统将自动路由损坏，直到可以更换这些服务器。Druid旨在全天候运行，无需任何原因计划停机，包括配置更改和软件更新。

• 云原生，容错的架构，不会丢失数据

        一旦 Druid 摄取了您的数据，副本就会安全地存储在深层存储（通常是云存储，HDFS或共享文件系统）中。即使每个Druid服务器都出现故障，您的数据也可以从深层存储中恢复。对于仅影响少数 Druid 服务器的更有限的故障，复制可确保在系统恢复时仍可进行查询。

• 亚秒级的OLAP查询分析

        Druid采用了列式存储、倒排索引、位图索引等关键技术，能够在亚秒级别内完成海量数据的过滤、聚合以及多维分析等操作。

• 丰富的数据分析功能

        针对不同用户群体，Druid提供了友好的可视化界面、类SQL查询语言以及REST 查询接口。

Druid 的使用场景

        了解了 Druid 有哪些常见的特点，我们还需要知道它具体的使用场景。

        如果您的用例符合以下的几个描述，Druid 可能是一个不错的选择：

• 插入率非常高，但更新不常见
• 大多数查询都是聚合和报告查询（“分组依据”查询）。您可能还有搜索和扫描查询。
• 查询延迟定位为100毫秒到几秒钟
• 数据有一个时间组件（Druid包括与时间特别相关的优化和设计选择）。
• 可能有多个表，但每个查询只能访问一个大的分布式表。查询可能会触发多个较小的“查找”表。
• 有高基数数据列（例如URL，用户ID），需要对它们进行快速计数和排名。
• 希望从 Kafka，HDFS，平面文件或对象存储（如Amazon S3）加载数据。

        要是感觉看的不是很懂，简洁地总结一下：

• 适用于将清洗好的记录实时录入，但不需要更新操作的场景
• 适用于支持宽表，不用join的场景（换句话说就是一张单表）
• 适用于实时性要求高的场景
• 适用于对数据质量的敏感度不高的场景

        当然以上列举的都是 Druid 的适用情况，为了方便我们之后做技术选型，我们还需要知道它不支持哪些操作。

• 不支持精确去重
• 不支持 Join（只能进行 semi-join）
• 不支持根据主键的单条记录更新

        所以如果不能接受这几点，则可以考虑放弃使用 Druid 了。

        那 Druid 的常见应用领域有哪些呢 ？

• 点击流分析（网络和移动分析）
• 风险/欺诈分析
• 网络遥测分析（网络性能监控）
• 服务器指标存储
• 供应链分析（制造指标）
• 应用程序性能指标
• 商业智能/ OLAP

        关于更详细的描述，建议大家去多浏览官网https://druid.apache.org/use-cases，这里不做过多赘述 。

        下面来侃侃 Druid 的 架构 ~

Druid架构

        Druid 采用多进程，分布式的架构；其架构易于运维及部署，便于部署在云环境中。每个 Druid 进程都可以被独立地配置和横向扩展，这种设计一方面赋予了Druid集群 最大的灵活性和可扩展性，另一方面以提供了更高的容错性：避免了个别组件的失效影响了系统的其他模块。

        Druid的总体架构包含如下四类节点。

• 中间管理节点（MiddleManager Node）：及时摄入实时数据，并生成 Segment 数据文件。
• 历史节点（Historical Node）：加载已生成的数据文件，以供用户查询数据。
• 查询节点（Broker Node）：对外提供数据查询服务，并同时从中间管理节点与历史节点中查询数据，合并后返回调用方。
• 协调节点（Coordinator Node）：负责历史节点的数据负载均衡，以及通过规则（Rule）管理数据的生命周期。

集群还包含如下三类外部依赖：

• 元数据库（Metadata Storage）：存储Druid 集群的元数据信息，比如，Segment 的相关信息，一般使用 MySQL 或 PostgreSQL 存储。

• 分布式协调服务（Zookeeper）：为 Druid 集群提供一致性协调服务的组件，通常为 Zookeeper。

• 数据文件存储库（Deep Storage）：存放生成的 Segment 数据文件，并提供历史服务器下载功能，对于单节点集群，可以是本地磁盘，而对于分布式集群，一般是 HDFS 或 NFS 。

Druid 数据结构

        基于 DataSource 和 Segment 的 Druid 数据结构与 Druid 架构相辅相成，它们共同成就了 Druid 的高性能优势。

        DataSource相当于关系型数据库中的表（Table）。DataSource的结构如下。

• 时间列：表明每行数据的时间值，默认使用UTC时间格式且精确到毫秒级。
• 维度列：维度来自OLAP的概念，用来标识数据行的各个类别信息。
• 指标列：用于聚合和计算的列。通常是一些数字，计算操作包括Count、Sum等。

        DataSource 结构如表所示：

        无论是实时摄取数据还是批量处理数据，Druid 在基于 DataSource 结构存储数据时，可选择对任意的指标列进行聚合操作。该聚合操作主要基于维度列与时间列。表显示的是 DataSource 聚合后的数据结构。

        在数据存储时便可对数据进行聚合操作是 Druid 的特点，该特点使得 Druid 不仅能够节省存储空间，而且能够提高聚合查询的效率。

        DataSource是一个逻辑概念，Segment是数据的实际物理存储格式。Druid将不同时间范围内的数据存储在不同的 Segment 数据块中，这便是所谓的数据横向切割。按照时间横向切割数据，避免了全表查询，极大地提高了效率。

        在Segment中，采用列式存储格式对数据进行压缩存储（Bitmap压缩技术），这便是所谓的数据纵向切割。

Druid 安装

        接下来为大家介绍如何安装 Druid，本次我们演示安装的是单机版。

安装部署

        我们可以选择去官网 https://druid.apache.org/下载

        另外我们也可以选择https://imply.io/，从 imply页面下载 Druid 最新版本的安装包。因为 imply 集成了Druid ，提供了 Druid 从部署到配置再到各种可视化工具的完整解决方案，所以这里我们使用了第 2 种方法 ~

（1）将 imply-2.7.10.tar.gz上传到 node01 节点的的 /opt/software 目录下，并解压到/export/servers目录下。

[root@node01 software]# tar -zxvf imply-2.7.10.tar.gz -C ../servers/

（2）修改imply-2.7.10的名称为imply。

[root@node01 servers]# mv imply-2.7.10 imply

（3）修改配置文件

① 修改 Druid 的 ZK 配置

[root@node01 servers]# vim imply/conf/druid/_common/common.runtime.properties

需要修改的内容如下

druid.zk.service.host=node01:2181,node02:2181,node03:2181

② 修改启动命令参数，使其不校验、不启动内置ZK。

（4）启动

① 启动 Zookeeper

[root@node01 imply]# zk_startall.sh

② 通过 bin 目录下的 supervise 命令启动 imply

[root@node01 imply]$ bin/supervise -c conf/supervise/quickstart.conf

说明：每启动一个服务均会打印出一条日志。我们可以在/opt/module/imply/var/sv/目录下查看服务启动时的日志信息。

        （1）启动成功之后呢，我们可以通过 ip:端口的方式进行访问，以我当前所安装 Druid 的节点 node01 为例，当我访问node01:9095/datasets，便可以在网页上看到如下界面：

        （2）单击“Load data”按钮，然后单击“Apache Kafka”按钮：

        （3）添加 Kafka 集群和主题信息，并选择合适的格式化形式

（4）确认数据样本格式

（5）加载数据，必须要有时间字段

（6）配置要加载的列

（7）配置 Kafka 数据源

（8）确认加载数据的配置

（9）连接 Kafka 的 topics_start，刚开始会显示 Connecting，加载完成之后便会显示如下图所示：

（10）选择 SQL

        因为 topic 为ckTest里存储的都是用户行为数据，这里我写了一个 SQL 获取每种渠道所对应的数据量，如下所示：

巨人的肩膀

1、hhttps://druid.apache.org/ Druid 官网
2、https://www.jianshu.com/p/6f822e0f538c《Druid基本概念及架构介绍》
3、https://zhuanlan.zhihu.com/p/82038648《Apache Druid 简介》

小结

        本期文章为大家介绍了 Druid 的简介，特点，使用场景，架构与数据结构，并用一个简单的 demo 为大家演示了 Druid 的具体使用。当然关于 Druid 值得探索的内容还有很多，限于文章篇幅不作过多介绍，希望大家能看完之后养成一种“自我驱动型学习”的能力，这才是最重要的！有疑问也欢迎找我探讨 ~ 你知道的越多，你不知道的也越多 ~ 我是 梦想家，我们下一期见！