更新时间:2024-06-29 GMT+08:00

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1 HLL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)

1280 bytes

误差率

0

0

≈2%

所需存储空间

原始数据大小

原始数据大小

1280 bytes

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,误差率最大仅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

表2 HyperLogLog中主要数据结构

数据类型

功能描述

hll

大小为确定的1280 bytes,可直接计算得到distinct值。

HLL的应用场景

  • 使用hll数据类型场景
    1. 创建带有hll类型的表并向表中插入空的hll。
      1
      2
      CREATE TABLE helloworld (id integer, set hll);
      INSERT INTO helloworld(id, set) VALUES (1, hll_empty());
      
    2. 把整数经过哈希计算加入到hll中。
      1
      UPDATE helloworld SET set = hll_add(set, hll_hash_integer(12345)) WHERE id = 1;
      
    3. 把字符串经过哈希计算加入到hll中。
      1
      UPDATE helloworld SET set = hll_add(set, hll_hash_text('hello world')) WHERE id = 1;
      
    4. 得到hll中的distinct值。
      1
      2
      3
      4
      5
      SELECT hll_cardinality(set) FROM helloworld WHERE id = 1;
       hll_cardinality 
      -----------------
                     2
      (1 row)
      
  • 使用hll进行网站访客统计场景
    1. 创建原始数据表facts,记录用户访问网站时间。
      1
      2
      3
      4
      CREATE TABLE facts (
               date            date,
               user_id         integer
      );
      
    2. 插入用户访问过网站的数据。
      1
      2
      3
      4
      5
      6
      7
      8
      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));
      
    3. 创建表并指定列为hll。根据日期把数据分组,并把数据插入到hll中。
      1
      2
      3
      4
      5
      6
      7
      8
      9
      CREATE TABLE daily_uniques (
          date            date UNIQUE,
          users           hll
      );
       
      INSERT INTO daily_uniques(date, users)
          SELECT date, hll_add_agg(hll_hash_integer(user_id))
          FROM facts
          GROUP BY 1;
      
    4. 计算每一天访问网站不同用户数量。
       1
       2
       3
       4
       5
       6
       7
       8
       9
      10
      11
      12
      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)
      
    5. 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。
      1
      2
      3
      4
      5
      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)
      
    6. 计算昨天访问过网站而今天没访问网站的用户数量。
       1
       2
       3
       4
       5
       6
       7
       8
       9
      10
      11
      12
      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)
      
  • 插入数据不满足hll数据结构要求时报错场景

    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。

    例如: 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:  invalid input syntax for integer: "E\\1234"