HLL数据类型

HLL（HyperLoglog）是统计数据集中唯一值个数的高效近似算法。它有着计算速度快，节省空间的特点，不需要直接存储集合本身，而是存储一种名为HLL的数据结构。每当有新数据加入进行统计时，只需要把数据经过哈希计算并插入到HLL中，最后根据HLL就可以得到结果。

HLL与其他算法的比较请参见表1。

HLL在计算速度和所占存储空间上都占优势。在时间复杂度上，Sort算法需要排序至少O(nlogn)的时间，虽说Hash算法和HLL一样扫描一次全表O(n)的时间就可以得出结果，但是存储空间上， Sort算法和Hash算法都需要先把原始数据存起来再进行统计，会导致存储空间消耗巨大，而对HLL来说不需要存原始数据，只需要维护HLL数据结构，故占用空间始终是1280bytes常数级别。

• 当前默认规格下可计算最大distinct值的数量为1.6e+12个，误差率最大可达到2.3%。用户应注意如果计算结果超过当前规格下distinct最大值会导致计算结果误差率变大，或导致计算结果失败并报错。
• 用户在首次使用该特性时，应该对业务的distinct value做评估，选取适当的配置参数并做验证，以确保精度符合要求：
  • 当前默认参数下，可以计算的distinct value值为1.6e+12，如果计算得到的distinct value值为NaN，需要调整log2m和regwidth来容纳更多的distinct value。
  • 虽然hash算法存在极低的hash collision概率，但是建议用户在首次使用时，选取2-3个hash seed验证，如果得到的distinct value相差不大，则可以从该组seed中任选一个作为hash seed。

HLL中主要的数据结构，请参见表2。

HLL的应用场景。

• 场景1：“Hello World”

  通过下面的示例说明如何使用hll数据类型：

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

  -- 创建带有hll类型的表 create table helloworld (id integer, set hll); -- 向表中插入空的hll insert into helloworld(id, set) values (1, hll_empty()); -- 把整数经过哈希计算加入到hll中 update helloworld set set = hll_add(set, hll_hash_integer(12345)) where id = 1; -- 把字符串经过哈希计算加入到hll中 update helloworld set set = hll_add(set, hll_hash_text('hello world')) where id = 1; -- 得到hll中的distinct值 select hll_cardinality(set) from helloworld where id = 1; hll_cardinality ----------------- 2 (1 row)

• 场景2：“网站访客数量统计”

  通过下面的示例说明hll如何统计在一段时间内访问网站的不同用户数量：

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62

  -- 创建原始数据表，表示某个用户在某个时间访问过网站。 create table facts ( date date, user_id integer ); -- 构造数据，表示一天中有哪些用户访问过网站。 insert into facts values ('2019-02-20', generate_series(1,100)); insert into facts values ('2019-02-21', generate_series(1,200)); insert into facts values ('2019-02-22', generate_series(1,300)); insert into facts values ('2019-02-23', generate_series(1,400)); insert into facts values ('2019-02-24', generate_series(1,500)); insert into facts values ('2019-02-25', generate_series(1,600)); insert into facts values ('2019-02-26', generate_series(1,700)); insert into facts values ('2019-02-27', generate_series(1,800)); -- 创建表并指定列为hll。 create table daily_uniques ( date date UNIQUE, users hll ); -- 根据日期把数据分组，并把数据插入到hll中。 insert into daily_uniques(date, users) select date, hll_add_agg(hll_hash_integer(user_id)) from facts group by 1; -- 计算每一天访问网站不同用户数量 select date, hll_cardinality(users) from daily_uniques order by date; date | hll_cardinality ---------------------+------------------ 2019-02-20 00:00:00 | 100 2019-02-21 00:00:00 | 203.813355588808 2019-02-22 00:00:00 | 308.048239950384 2019-02-23 00:00:00 | 410.529188080374 2019-02-24 00:00:00 | 513.263875705319 2019-02-25 00:00:00 | 609.271181107416 2019-02-26 00:00:00 | 702.941844662509 2019-02-27 00:00:00 | 792.249946595237 (8 rows) -- 计算在2019.02.20到2019.02.26一周中有多少不同用户访问过网站 select hll_cardinality(hll_union_agg(users)) from daily_uniques where date >= '2019-02-20'::date and date <= '2019-02-26'::date; hll_cardinality ------------------ 702.941844662509 (1 row) -- 计算昨天访问过网站而今天没访问网站的用户数量。 SELECT date, (#hll_union_agg(users) OVER two_days) - #users AS lost_uniques FROM daily_uniques WINDOW two_days AS (ORDER BY date ASC ROWS 1 PRECEDING); date | lost_uniques ---------------------+-------------- 2019-02-20 00:00:00 | 0 2019-02-21 00:00:00 | 0 2019-02-22 00:00:00 | 0 2019-02-23 00:00:00 | 0 2019-02-24 00:00:00 | 0 2019-02-25 00:00:00 | 0 2019-02-26 00:00:00 | 0 2019-02-27 00:00:00 | 0 (8 rows)

• 场景3：“插入数据不满足hll数据结构要求”

  当用户给hll类型的字段插入数据的时候，必须保证插入的数据满足hll数据结构要求，如果解析后不满足就会报错。如下示例中： 插入数据'E\\1234'时，该数据不满足hll数据结构，不能解析成功因此失败报错。

  1 2 3

  create table test(id integer, set hll); insert into test values(1, 'E\\1234'); ERROR: unknown schema version 4