文档首页/ 数据仓库服务 GaussDB(DWS)/ SQL语法参考/ SQL语法参考(8.1.3.x)/ 数据类型/ HLL数据类型
更新时间：2024-11-11 GMT+08:00
查看PDF
分享

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"
父主题： 数据类型