# 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]。 表1HLL与其他算法比较 | 项目 | Sort算法 | Hash算法 | HLL | |:---|:---|:---|:---| | 时间复杂度 | O(nlogn) | O(n) | O(n) | | 空间复杂度 | O(n) | O(n) | log(logn) | | 误差率 | 0 | 0 | ≈0.8% | | 所需存储空间 | 原始数据大小 | 原始数据大小 | 默认规格下最大16KB | 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，故占用空间有很大的压缩，默认规格下HLL数据结构的最大空间约为16KB。 ![](https://support.huaweicloud.com/distributed-devg-v3-gaussdb/public_sys-resources/notice_3.0-zh-cn.png) - 当前默认规格下可计算最大distinct值的数量约为1.1e+15个，误差率为0.8%。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值为1.1e+15，如果计算得到的distinct值为NaN，需要调整log2m，或者采用其他算法计算distinct值。 - 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]。 表2HyperLogLog中主要数据结构 | 数据类型 | 功能描述 | |:---|:---| | hll | hll头部为27字节长度字段，默认规格下数据段长度0\~16KB，可直接计算得到distinct值。 | 创建HLL数据类型时，可以支持0\~4个参数入参，具体的参数含义与参数规格同函数hll_empty一致。第一个参数为log2m，表示分桶数的对数值，取值范围10\~16；第二个参数为log2explicit，表示Explicit模式的阈值大小，取值范围0\~12；第三个参数为log2sparse，表示Sparse模式的阈值大小，取值范围0\~14；第四个参数为duplicatecheck，表示是否启用duplicatecheck，取值范围为0\~1。当入参输入值为-1时，会采用默认值设定HLL的参数。可以通过\\d或\\d+查看HLL类型的参数。 ![](https://support.huaweicloud.com/distributed-devg-v3-gaussdb/public_sys-resources/note_3.0-zh-cn.png) 创建HLL数据类型时，根据入参的行为不同，结果不同： - 创建HLL类型时对应入参不输入或输入-1，采用默认值设定对应的HLL参数。 - 输入合法范围的入参，对应HLL参数采用输入值。 - 输入不合法范围的入参，创建HLL类型报错。 ``` -- 创建hll类型的表，不指定入参。 gaussdb=# create table t1 (id integer, set hll); gaussdb=# \d t1 Table "public.t1" Column | Type | Modifiers --------+---------+----------- id | integer | set | hll | -- 创建hll类型的表，指定前两个入参，后两个采用默认值。 gaussdb=# create table t2 (id integer, set hll(12,4)); gaussdb=# \d t2 Table "public.t2" Column | Type | Modifiers --------+----------------+----------- id | integer | set | hll(12,4,12,0) | --创建hll类型的表，指定第三个入参，其余采用默认值。 gaussdb=# create table t3(id int, set hll(-1,-1,8,-1)); gaussdb=# \d t3 Table "public.t3" Column | Type | Modifiers --------+----------------+----------- id | integer | set | hll(14,10,8,0) | --创建hll类型的表，指定入参不合法报错。 gaussdb=# create table t4(id int, set hll(5,-1)); ERROR: log2m = 5 is out of range, it should be in range 10 to 16, or set -1 as default --删除已创建的hll类型的表。 gaussdb=# drop table t1,t2,t3; DROP TABLE ``` ![](https://support.huaweicloud.com/distributed-devg-v3-gaussdb/public_sys-resources/note_3.0-zh-cn.png) 对含有HLL类型的表插入HLL对象时，HLL类型的设定参数须同插入对象的设定参数一致，否则报错。 ``` -- 创建带有hll类型的表。 gaussdb=# create table t1(id integer, set hll(14)); -- 向表中插入hll对象，参数一致，成功。 gaussdb=# insert into t1 values (1, hll_empty(14,-1)); -- 向表中插入hll对象，参数不一致，失败。 gaussdb=# insert into t1(id, set) values (1, hll_empty(14,5)); ERROR: log2explicit does not match: source is 5 and dest is 10 --删除表。 gaussdb=# drop table t1; ``` 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： ``` -- 创建带有hll类型的表。 gaussdb=# create table helloworld (id integer, set hll); -- 向表中插入空的hll。 gaussdb=# insert into helloworld(id, set) values (1, hll_empty()); -- 把整数经过哈希计算加入到hll中。 gaussdb=# 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。 gaussdb=# update helloworld set set = hll_add(set, hll_hash_text('hello world')) where id = 1; -- 得到hll中的distinct值。 gaussdb=# select hll_cardinality(set) from helloworld where id = 1; hll_cardinality ----------------- 2 (1 row) -- 删除表。 gaussdb=# drop table helloworld; ``` - 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： ``` -- 创建原始数据表，表示某个用户在某个时间访问过网站。 gaussdb=# 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。 gaussdb=# insert into facts values ('2019-02-20', generate_series(1,100)); gaussdb=# insert into facts values ('2019-02-21', generate_series(1,200)); gaussdb=# insert into facts values ('2019-02-22', generate_series(1,300)); gaussdb=# insert into facts values ('2019-02-23', generate_series(1,400)); gaussdb=# insert into facts values ('2019-02-24', generate_series(1,500)); gaussdb=# insert into facts values ('2019-02-25', generate_series(1,600)); gaussdb=# insert into facts values ('2019-02-26', generate_series(1,700)); gaussdb=# insert into facts values ('2019-02-27', generate_series(1,800)); -- 创建表并指定列为hll。 gaussdb=# 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。 gaussdb=# 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。 gaussdb=# select date, hll_cardinality(users) from daily_uniques order by date; date | hll_cardinality ------------+------------------ 2019-02-20 | 100 2019-02-21 | 200.217913059312 2019-02-22 | 301.76494508014 2019-02-23 | 400.862858326446 2019-02-24 | 502.626933349694 2019-02-25 | 601.922606454213 2019-02-26 | 696.602316769498 2019-02-27 | 798.111731634412 (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。 gaussdb=# select hll_cardinality(hll_union_agg(users)) from daily_uniques where date >= '2019-02-20'::date and date <= '2019-02-26'::date; hll_cardinality ------------------ 696.602316769498 (1 row) -- 计算昨天访问过网站而今天没访问网站的用户数量。 gaussdb=# SELECT date, OVER two_days) - #users AS lost_uniques FROM daily_uniques WINDOW two_days AS (ORDER BY date ASC ROWS 1 PRECEDING); --默认兼容性（MYSQL兼容性）结果如下： date | lost_uniques ------------+-------------- 2019-02-20 | 0 2019-02-21 | 0 2019-02-22 | 0 2019-02-23 | 0 2019-02-24 | 0 2019-02-25 | 0 2019-02-26 | 0 2019-02-27 | 0 (8 rows) -- 删除表。 gaussdb=# drop table facts; gaussdb=# drop table daily_uniques; ``` - 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数据结构要求，不能解析成功因此失败报错。 ``` gaussdb=# create table test(id integer, set hll); gaussdb=# insert into test values(1, 'E\\1234'); ERROR: not a hll type, size=6 is not enough gaussdb=# drop table test; ```