前言

适用于 即席查询 场景的开源查询引擎有很多，如：Elasticsearch、Druid、Presto、ClickHouse等；每种系统各有利弊，有的擅长检索，有的擅长统计；实践证明，All In One 是行不通的，最好的方式是选取若干个（考虑运维成本，建议 1 ~ 3 个），每个都对应着自身最具优势的场景。

大多数的技术分享会从系统架构、功能扩展或性能优化角度进行讨论，本文不涉及这些内容。本文以 指标多维统计查询 为例，讨论多个查询引擎混合应用场景下的问题思考及相应的解决方案。

指标多维统计查询

定义

什么是 指标多维统计查询 ？按指定的条件查询指标值（一个或多个），条件包括：

时间范围（必选）
时间粒度（必选）
维度过滤条件（可选，类似SQL中的 Where）
维度分组条件（可选，类似SQL中的 GroupBy）
维度或指标排序条件（可选，类似SQL中的 OrderBy）

注意，指标多维统计查询 涉及4个关键元素：时间范围、时间粒度、维度及指标（详情见后）。

示例

查询微博视频最近7天范围内，每天的PSR1（秒开率）是多少？
查询微博视频最近1个月内，每天的移动4G场景下各个运营商的卡顿率是多少？

查询引擎混合应用

多个查询引擎混合应用的场景下，会遇到哪些问题呢？我们主要从 工程角度 与 业务角度 来看下。

工程角度

每个查询引擎都有自己特有的API（也包含 SQL，虽然开源社区大多致力于提供标准的SQL支持，但实际落地情况并不尽如人意），指标查询需要 直接连接 查询引擎并使用相应的API进行指标值计算，开发人员和分析人员需要在多个不同的API之间来回切换，学习及维护成本较高；查询引擎版本升级或引入新的引擎会增加这些成本，系统整体的灵活性及可扩展性较差。

业务角度

多个查询引擎混合使用的场景下，业务指标会分散至不同的引擎中，会遇到以下问题（复杂度依次增加）：

某个业务指标的查询需要使用相应的查询引擎；
某个业务指标的查询需要使用相应的查询引擎，且计算规则较为复杂；
某个业务指标需要依赖多个查询引擎的联合查询；
某个业务指标需要依赖多个查询引擎的联合查询，且计算规则较为复杂；

可以看出，我们需要维护指标与查询引擎的 对应关系，以及指标的 计算规则，实际中很大程度上依赖于文档（Wiki）。数据应用服务中常见的数据可视化、报表、数据接口，这些服务的实现模块均需要直接耦合这些对应关系及计算规则，而且需要重复多次。如果某个指标的对应关系或计算规则发生变化，相应的文档及相关的服务必须全部更新，才能保证数据一致性。

指标众多的场景下，上述提及的成本及复杂度会大幅增加，有过类似服务经验的同学应该深有体会。

补充

对应关系与计算规则可能比较抽象，举一个具体的例子。假设 MySQL 数据库某数据表 DEFAULT.TEST_TABLE 的中有 2 列：A 和 B，指标 M 的值可以通过SQL语句查询得出，如：

SELECT
    A / B AS M
FROM
    DEFAULT.TEST_TABLE

数据应用服务（数据可视化、报表或数据接口）查询这个指标数据时，需要知道去什么地方查询，以及具体如何查询；上述示例需要通过远程方式连接MySQL，连接时使用到的协议类型（MySQL）、IP地址、端口号等信息就是 对应关系；查询时需要使用的SQL语句就是 计算规则。

指标库

针对指标众多，指标计算规则及相关信息不易维护的问题，我们提出 指标库 用于规范化指标管理。什么是 指标库？

对于某一个指标而言，可以从不同的时间范围、时间粒度及维度视角进行统计查询。换句话说，对于某一个指标而言，我们需要知道可以从哪些时间范围、哪些时间粒度、哪些维度视角进行统计查询，以及指标的计算规则是什么。一般情况下，同属于一个业务的指标会共享相同的时间范围、时间粒度及维度项，我们将类似这样的业务统称为主题。每一个主题对应着一个业务或业务中的某个细分场景，如：

移动端视频上传性能
PC端视频上传性能
移动端视频劫持性能
CDN服务质量分析

每一个主题需要包含以下信息：

主题名称

顾名思义，业务名称或业务中的某个细分场景名称。
时间范围

可支持的数据查询时间范围（[起始时间，结束时间]）；相当于数据的存储周期，过期数据会被清除。
时间粒度

可支持的数据查询最小时间粒度，相当于数据的聚合程度，如：1 秒，5 分钟，1 小时或 1 天之类的。
假设时间粒度是 5 分钟，表示最小可以支持每5分钟一个数据点的查询请求，同时也可以支持每1小时或每1天之类的查询请求，但不可以支持每1秒或每1分钟之类的查询请求。
维度

可以支持的数据查询视角，通常会有多个，如：省份、运营商、设备之类的。以运营商为例，表示可以查看指定运营商或各个运营商的数据。
维度值

维度可以支持的查询值，通常会有多个。以维度运营商为例，维度值会有移动、联通、电信之类的。
指标

可以支持查询的指标，通常会有多个，如：秒开率、卡顿率之类的。
指标计算规则

某个指标的计算公式。以指标卡顿率为例，计算公式：卡顿次数 / 总次数。

若干个主题的集合，我们称之为 指标库。指标库 的内容可以按照上述描述的格式记录到专用的文档中，统一更新发版，用于公司内部数据共享。

查询语言

数据应用服务（数据可视化、报表、数据接口）的核心逻辑是查询指标数据，并不是使用对应关系和计算规则完成指标计算，且存在重复直接耦合的问题。为此，我们在 指标库 的基础之上，针对 指标多维统计查询 场景设计了一种领域特定语言（DSL）。也就是说，数据应用服务查询指标数据时直接使用统一的查询语言，不再存在直接耦合对应关系和计算规则的情况，后续对应关系（查询引擎升级或迁移）或计算规则的变更对于数据应用服务也是透明的。

查询语言是基于 JSON 实现的。

getTopics

查询指标库中有哪些主题（多个）。

 {
   "type": "getTopics"
 }

getDimentions

查询指定主题中有哪些维度项（多个）。

 {
   "type": "getDimentions",
   "topic": "..."
 }

其中，topic 为主题名称。

getDimentionValues

查询指定主题、指定维度中有哪些维度值（多个）。

 {
   "type": "getDimentionValues",
   "topic": "...",
   "dimension": "..."
 }

其中，topic 用于指定主题名称， dimension 用于指定维度名称。

getMetrics

查询指定主题中有哪些指标项（多个）。

 {
   "type": "getMetrics",
   "topic": "..."
 }

其中，topic 用于指定主题名称。

query

查询（指标数据），是查询语言中最为复杂的类型。

 {
     "type": "query",
     "topic": "...",
     "interval": {...},
     "granularity": {...},
     "metric": "...",
     "where": {...},
     "groups": [...],
     "having": {...},
     "orders": [...],
     "limit": ...
 }

topic

主题名称（必填项）。

interval

时间范围（必填项）。

 {
     "start": "...",
     "end": "..."
 }

其中，start/end 均为闭区间，格式：yyyy-MM-dd HH:mm:ss。

granularity

时间粒度，默认为无穷大。

 {
     "data": ...,
     "unit": "..."
 }

其中，data 为数值（整型），unit 为单位，如：s(秒)、m（分钟）、h（小时）、d（天）、w（周）、M（月）、y（年）。

metric

指标名称（必填项）。

where

维度过滤，对应于SQL语句中的 Where，默认为空，支持比较表达式与逻辑表达式。

比较表达式

比较表达式用于表示数值比较、包含或不包含，以及正则匹配。

eq/ne/gt/lt/ge/le

 {
     "operator": "...",
     "name": "...",
     "value": "..."
 }

其中，operator 为 eq（等于）、ne（不等于）、gt（大于）、lt（小于）、ge（大于或等于）或 le（小于或等于），name 为维度名称，value 为维度值。

in

 {
     "operator": "in",
     "name": "...",
     "values": [...]
 }

其中，operator 为 in（包含），name 为维度名称，values 为维度值列表（JSON数组）。

regex

  {
     "operator": "regex",
     "name": "...",
     "pattern": "..."
 }

其中，operator 为 regex（正则匹配），name 为维度名称，pattern 为正则表达式。

逻辑表达式

逻辑表达式用于表示一个或多个表达式之间的与（And）、或（Or）、非（Not）关系。

and

 {
     "operator": "and",
     "filters": [...]
 }

其中，operator 为 and（与），filters 为两个或两个以上的比较表达式或逻辑表达式。

or

 {
     "operator": "or",
     "filters": [...]
 }

其中，operator 为 or（或），filters 为两个或两个以上的比较表达式或逻辑表达式。

not

 {
     "operator": "not",
     "filter": {...}
 }

其中，operator 为 not（非），filter 为一个比较表达式或逻辑表达式。

groups

维度分组，类似于SQL语句中的 GroupBy，默认为空，可以指定多个维度项（JSON数组）。

 [
     "...",
      ...
 ]

having

分组过滤，类似于SQL语句中的 Having，默认为空，语法同 where。分组过滤表达式中的 name 可以是维度名称，也可以是指标名称。

orders

排序，类似于SQL语句中的 OrderBy，默认为空，可以指定多个排序项。

 [
     {
         "name": "...",
         "sort": "..."
     },
     ...
 ]

其中，name 为维度名称或指标名称，sort 为 asc（升序）或 desc（降序）。

limit

限制结果集行数，类似于SQL语句中的 Limit，默认为空。

示例参考

查询指标

主题：CDN服务质量分析；
时间范围：["2020-03-16 00:00:00", "2020-03-16 23:59:59"];
时间粒度：1小时；
指标：下载速度（download_speed_avg）；
维度过滤：域名（domain）包含有字符串“weibo”；
维度分组：运营商（isp）；
分组过滤：下载速度（download_speed_avg）大于2000 Kb/s；
排序：下载速度降序（download_speed_avg）；
结果集：最多100行；

查询语言

 {
     "type": "query",
     "topic": "CDN服务质量分析",
     "interval": {
         "start": "2020-03-16 00:00:00",
         "end": "2020-03-16 23:59:59"
     },
     "granularity": {
         "data": 1,
         "unit": "h"
     },
     "metric": "download_speed_avg",
     "where": {
         "operator": "regex",
         "name": "domain",
         "pattern": "^.*weibo.*$"
     },
     "groups": [
         "isp"
     ], 
     "having": {
         "operator": "gt",
         "name": "download_speed_avg",
         "value": 2000
     },
     "orders": [
         {
             "name": "download_speed_avg",
             "sort": "desc"
         }
     ], 
     "limit": 100
 }

查询代理

查询语言只是一种描述性的协议规范，并不能完成实际的查询过程。我们需要一种服务，可以接收并执行这种查询语言，过程如下：

解析查询语言，获取需要查询的指标；
查找指标对应的查询引擎及计算规则；
使用查询语言设定的查询条件，连接查询引擎，根据计算规则调用API，执行指标的实际计算过程；
返回结果。

这就是我们即将要重点介绍的 查询代理。

客户端

AnalysisQl 本质是一套Java API，需要嵌入到Web或RPC容器中使用。

DefaultConnector connector = new DefaultConnector();

...

AnalysisQl analysisQl = new AnalysisQl(connector);

AnalysisQl 的实现是线程安全的，一个Web或RPC容器进程中创建一个 AnalysisQl 实例即可，实例创建完成即表示查询代理服务启动完成。

查询语言的执行都需要通过 AnalysisQl.request 来完成，如下：

Response response = analysisQl.request(dsl);

相当于，AnalysisQl 是查询代理的客户端。

代码参考

https://github.com/weibodip/analysisql/blob/master/core/src/main/java/com/weibo/dip/analysisql/AnalysisQl.java

解析器

查询语言是基于 JSON 实现的，不方便直接在Java语言中使用，需要将其解析成相应的 JavaBean，如下：

    Parser parser = new Parser(connector);

    Request request = parser.parse(dsl);

Parser 是解析器，Request 是查询类型的顶层抽象类，查询语言中的每一种查询类型都有其对应的实现类：

GetTopicsRequest（getTopics）
GetDimensionsRequest（getDimentions）
GetDimensionValuesRequest（getDimentionValues）
GetMetricsRequest（getMetrics）
QueryRequest（query）

代码参考

https://github.com/weibodip/analysisql/blob/master/core/src/main/java/com/weibo/dip/analysisql/dsl/request/GetTopicsRequest.java
https://github.com/weibodip/analysisql/blob/master/core/src/main/java/com/weibo/dip/analysisql/dsl/request/GetDimensionsRequest.java
https://github.com/weibodip/analysisql/blob/master/core/src/main/java/com/weibo/dip/analysisql/dsl/request/GetDimensionValuesRequest.java
https://github.com/weibodip/analysisql/blob/master/core/src/main/java/com/weibo/dip/analysisql/dsl/request/GetMetricsRequest.java
https://github.com/weibodip/analysisql/blob/master/core/src/main/java/com/weibo/dip/analysisql/dsl/request/QueryRequest.java

其中，QueryRequest 关于 Filter（过滤）的实现较为有意思，有兴趣的同学可以参考 https://github.com/weibodip/analysisql/tree/master/core/src/main/java/com/weibo/dip/analysisql/dsl/filter。

连接器

连接器用于定义查询代理支持的接口协议，对应着查询语言的查询类型：

public interface Connector {
  Response getTopics(GetTopicsRequest request);

  Response getDimensions(GetDimensionsRequest request);

  Response getDimensionValues(GetDimensionValuesRequest request);

  Response getMetrics(GetMetricsRequest request);

  Response query(QueryRequest request);
}

为什么需要设计连接器？

理论上，查询语言是标准的，但查询代理的实现可以是多种多样的。类似于 Java JDBC，统一抽象数据库的操作接口，连接数据库时需要使用相应类型的驱动。我们使用连接器，用于桥接查询客户端与查询代理的具体实现，保证系统的可扩展性；同时提供系统默认的连接器 DefaultConnector，满足大部分场景的使用需求。

每一种查询类型应调用连接器的哪一个接口，是通过 Request.type 判断的，如下：

   switch (request.getType()) {
      case Request.GET_TOPICS:
        return connector.getTopics((GetTopicsRequest) request);

      case Request.GET_DIMENSIONS:
        return connector.getDimensions((GetDimensionsRequest) request);

      case Request.GET_DIMENSION_VALUES:
        return connector.getDimensionValues((GetDimensionValuesRequest) request);

      case Request.GET_METRICS:
        return connector.getMetrics((GetMetricsRequest) request);

      case Request.QUERY:
        return connector.query((QueryRequest) request);
      default:
        throw new UnsupportedOperationException();
    }

代码参考

https://github.com/weibodip/analysisql/blob/master/core/src/main/java/com/weibo/dip/analysisql/connector/Connector.java
https://github.com/weibodip/analysisql/blob/master/view/src/main/java/com/weibo/dip/analysis/view/DefaultConnector.java

数据视图

数据视图 View 是一个抽象类，对应于指标库中的主题，每一个主题均需要提供相应的数据视图实现类，并于查询代理初始化之前注册到连接器中。实现时需要设置以下信息：

protected String topic;

protected List<Dimension> dimensions;

protected List<Metric> metrics;

protected List<Table> tables;

protected PolicyRouter router;

topic：主题名称；
dimensions：维度项，每一个 Dimension 表示一个维度；
metrics：指标项，每一个 Metric 表示一个维度；
tables：数据表，每一个 Table 表示一张数据表，详细见后；
router：策略路由，详情见后；

以 CDN服务质量分析 为例，数据视图实现类如下：

public class CdnServiceQualityView extends DefaultView {

  /** Initialize a instance. */
  public CdnServiceQualityView() {
    super(
        "CDN服务质量分析", // 主题名称
        ...);

    addDimension("country", "国家"); // 添加维度项
    addDimension("business", "业务");
    addDimension("city", "城市");

    addMetric("error_num", "错误量（万）"); // 添加指标项
    addMetric("request_num", "访问量（亿）");
    addMetric("download_time_avg", "下载时间（s）");

    addTable(new CdnServiceQualityTable(this)); // 添加数据表
    addTable(new CdnNetflowBillingTable(this));
  }
}

注：DefaultView 是 View 的默认实现类。

CdnServiceQualityView 构建函数中直接完成主题、维度项、指标项及数据表的设置，也可以在 CdnServiceQualityView 实例创建完成之后，通过相应的实例方法（addDimension/addMetric/addTable）设置。

然后，注册到连接器：

connector.register(new CdnServiceQualityView());

连接器中保存着所有已注册的数据主题：

  protected Map<String, Metadata> metadatas = new HashMap<>();

  public void register(Metadata metadata) {
    metadatas.put(metadata.getTopic(), metadata);
  }

注：Metadata 是 View 的抽象父类。

连接器中多数协议方法的实现本质就是根据主题名称（topic）查找到相应的数据主题实例，调用其实例方法完成查询请求。

为什么需要设计数据视图？

假设数据表 A 以 5分钟的时间粒度，存储着 m 个维度、n 个指标的数据，每5分钟的数据量（即：数据行数）的最大值理论上取决于各个维度的维度值数目；如果 m 个维度的维度值数目依次为 N1、N2、...、Nm，那么每5分钟数据量为 N1 * N2 * ... * Nm（即多个维度的维度值数目的笛卡尔乘积）；每日的数据最为 288 * N1 * N2 * ... * Nm。

我们列举几个常用的查询：

查询最近 1小时内，以 5分钟为时间粒度，某个维度或某几个维度组合的指标数据；
查询最近 7天内，以 1小时为时间粒度，某个维度或某几个维度组合的指标数据；
查询最近 1月内，以 1天为时间粒度，某个维度或某几个维度组合的指标数据；

可以看出，数据表 A 是可以完全支撑上述查询需求的。那么，问题在于哪里？问题在于查询的 响应时间，响应时间很大程度上取决于查询时需要扫描的 数据量。在我们的场景中，很多业务按数据表 A 的方式存储数据，每天的数据量会达到数百亿级别，较长时间范围内（跨天/跨周/跨月）的指标数据查询，响应是比较缓慢的。

我们经常使用的优化方案：

创建数据表 B，以 5分钟为时间粒度，存储数据表 A 中部分维度的指标数据；

维度数目的减少，表示着数据表 B 相对于数据表 A 的数据是减少的。以上述查询1 为例，如果需要查询的维度正好存在于数据表 B，那么使用数据表 B 相比于数据表 A，需要扫描的数据量更少，响应时间更快。
创建数据表 C，以 1天为时间粒度，存储数据表 A 聚合之合的指标数据；
时间粒度的增大，表示着数据表 C 相对于数据表 A 的数据量是减少的。以上述查询3 为例，使用数据表 C 相比于数据表 A，需要扫描的数据量更少，响应时间更快。

扩展一下思路：可以根据实际的业务场景，在基础数据表（如:数据表A）之上，有效组合不同的时间粒度、不同的维度组合额外创建出若干张数据表，用于优化查询的响应时间。

也就是说，指标库中的某一个主题可以对应着多张数据表，这些数据表可以有不同的时间粒度、不同的维度组合，甚至不同的指标项，存储于不同的查询引擎，或者被多个主题所共享。这样的 自由组合 从工程角度看是非常灵活的；但从数据服务角度看，会带来2个问题：

多张数据表之间的信息是混乱的，缺乏一致的数据口径；
查询指标数据时应该使用哪张数据表？

因此，我们设计 数据视图，显示声明包含的维度、指标信息，以及相关的数据表（参考数据视图定义）。数据视图如何解决查询指标时使用的数据表问题，参见后文。

代码参考

https://github.com/weibodip/analysisql/blob/master/view/src/main/java/com/weibo/dip/analysis/view/View.java

数据表

如前文所述，同一个主题（数据视图）中可以包含多张数据表，且这些数据表之间可能会有不同的时间粒度、维度项、指标项等，数据表（Table）的设计需要能够明确显示声明这些信息。

protected String topic;

protected List<Dimension> dimensions;

protected List<Metric> metrics;

protected Map<String, MetricCalculator> calculators;

private Granularity granularity;
private int period;
private int delay;

topic：数据表属于的主题名称；
dimensions：数据表支持的维度项；
metrics：数据表支持的指标项；
calculators：数据表支持的指标项对应的 指标计算器 （参见后文）；
granularity：数据表存储数据的时间粒度；
period：数据表存储数据的周期，也就是数据表可以查询的时间范围；
delay：数据表数据的延迟时间，也就是说相对于当前时间，这个延迟范围内的数据是查询不到的；

以 CDN服务质量分析 的数据表为例，数据表实现类如下：

public class CdnServiceQualityTable extends Table {
 
  public CdnServiceQualityTable(View view) {
    super(view, "clickhouse-cdn-all_cdn_staging", new Granularity(5, Unit.m), 103680, 36); // 设置时间粒度、存储周期及延迟时间

    addDimension("country"); // 声明支持的维度项
    addDimension("business");
    addDimension("city");

   
    addCalculator("error_num", new HubbleClickHouseCalculator("analysisql/cdn/cdn-error_num.sql")); // 声明支持的指标项的同时，提供指标相应的指标计算器
    addCalculator(
        "request_num", new HubbleClickHouseCalculator("analysisql/cdn/cdn-request_num.sql"));
    addCalculator(
        "download_time_avg",
        new HubbleClickHouseCalculator("analysisql/cdn/cdn-download_time_avg.sql"));
  }
}

代码参考

https://github.com/weibodip/analysisql/blob/master/view/src/main/java/com/weibo/dip/analysis/view/Table.java

策略路由

数据视图（View）中包含多张数据表（Table），查询指标数据时，我们需要根据一定的规则从这些数据表中选取出 查询代价最小（响应时间最快）的数据表用于指标计算，规则的具体实现就是 策略路由。

过滤

过滤就是排除不能支持查询的数据表，考虑以下4个因素：

指标

数据表必须包含查询的指标项；
维度

数据表必须包含查询涉及的维度项（多个）；
时间粒度

数据表数据存储的时间粒度必须小于或等于查询指定的时间粒度，否则无法聚合数据；
时间范围

数据表在查询指定的时间范围内存在数据（根据数据表存储周期及延迟时间计算）；

满足上述4个条件的数据表即可以进入下一阶段。

排序

排序规则：

数据表的时间粒度越大，查询代价越小；
数据表的维度数目越少，查询代价越小；

经过过滤、排序之后，位于第1个位置的数据表即是最优的数据表。目前，策略路由（PolicyRouter）的实现是直接内置于数据视图，尚不支持自定义扩展。

代码参考

https://github.com/weibodip/analysisql/blob/master/view/src/main/java/com/weibo/dip/analysis/view/PolicyRouter.java

指标计算器

指标计算器（MetricCalculator）用于根据查询请求完成指标的计算。也就是说，前文中提及的对应关系和计算规则均包含在指标计算器中，指标计算器需要连接查询引擎，使用相应的API或SQL，根据计算规则完成指标的计算过程，并返回结果。数据表的各个指标均需要提供相应的指标计算器实现器，并注册到数据表中。

public interface MetricCalculator {
  List<Row> calculate(QueryRequest request) throws Exception;
}

考虑到常用的查询引擎（如：MySQL、Presto、ClickHouse）大多支持以 SQL 的方式查询数据，为加速指标计算器的实现效率，系统支持以 SQL模板的方式定义指标的计算规则，并提供多种 模板引擎，可将查询条件与 SQL模板整合转换特定查询引擎的SQL语句（不同查询引擎的SQL实现存在一定差异）。

以 ClickHouse 为例，某指标计算规则可以这样定义：

SELECT
    $COLUMNS, SUM(netflow) * 8 / 1000 / 1000 / 1000 AS $METRIC
FROM
    cdn.edge_scheduler_bandwith
WHERE
    $WHERE
GROUP BY
    $GROUPS
HAVING
    $HAVING
    AND isNaN($METRIC) == 0
    AND isInfinite($METRIC) == 0
    AND $METRIC >= 0.0
ORDER BY
    $ORDERS
LIMIT
    $LIMIT

$COLUMNS、$WHERE、$GROUPBY、$HAVING、$ORDERBY、$LIMIT 均是 模板引擎 支持的自定义变量（不同的模板引擎支持的变量种类存在一定差异）。模板引擎 会将查询语言中的过滤表达式、维度分组、分组过滤、排序及结果集行数转换为这些自定义变更对应的值，并输出完整的SQL语句。

指标计算器直接使用转换之后的SQL语句，连接查询引擎查询数据即可。

综上所述，查询代理核心工作流程如下：

解析查询语言；
使用主题名称查找数据视图；
使用策略路由选取最优数据表；
使用指标名称查找最优数据表的指标计算器；
计算指标并返回结果；

数据应用服务仅需要知道查询代理服务地址（域名）、端口号，使用查询语言查询需要的指标数据即可。

结语

本文介绍的指标库、查询语言（DSL）、查询代理是我们团队自主研发的OLAP服务，在微博视频性能数据分析中取得很好地应用效果。通过技术优化的方式，在有限的计算资源范围内得到不错的性能表现，大幅降低数据接口、可视化及监控服务的开发成本。同时，我们团队也在准备项目开源（https://github.com/weibodip/analysisql ）的准备工作，有兴趣的同学可关注交流。

posted on 2020-07-13 13:36 非著名野生程序员阅读(2856) 评论(2) 编辑收藏举报

刷新页面返回顶部

公告

导航

前言

指标多维统计查询

定义

示例

查询引擎混合应用

工程角度

业务角度

指标库

查询语言

getTopics

getDimentions

getDimentionValues

getMetrics

query

topic

interval

granularity

metric

where

比较表达式

eq/ne/gt/lt/ge/le

in

regex

逻辑表达式

and

or

not

groups

having

orders

limit

示例参考

查询代理

客户端

解析器

连接器

数据视图

数据表

策略路由

过滤

排序

指标计算器

结语