一次有趣的Elasticsearch+矩阵变换聚合实践

作者介绍

李猛，Elastic Stack 深度用户，通过 Elastic 工程师认证，2012年接触 Elasticsearch，对 Elastic Stack 技术栈开发、架构、运维等方面有深入体验，实践过多种大中型项目；为企业提供 Elastic Stack 咨询培训以及调优实施；多年实战经验，爱捣腾各种技术产品，擅长大数据，机器学习，系统架构。

背景需求

公司所属行业是物流速运，面向企业服务（简称ToB模式），提供多种物流运输方案产品，客户分布遍布全国，客户数量在百万级以上，日均产生物流运输需求在几十万票（单）以上，对于客户订单的聚合统计分析查询需求强烈，且需要一定的实时性。

同时需要满足以下用户需求：
1、用户需要在地图上展示客户的聚合分布；
2、聚合分布维度按照全国、省、市、区县、乡镇划分。

地图展示样例：非内部效果图

筛选条件

用户端基于多个筛选条件过滤聚合，选择任意条件组合，如下：
• 行政区域：
按照国家4级行政区域：省、市、区、镇等数量在5000+以上
• 企业组织架构：
企业内部多层级组织架构：大区、小区等数量超过3000+以上
• 客户企业类型：
客户企业类型划分：2B、2C等数量在10+以上
• 客户行业类型：
客户企业行业所属类型划分，如家具、服装、电子、3C等数量在100+以上
• 企业业务类型：
企业物流业务类型，如寄件、派件、未寄件派件等
• 日期范围：
日期范围筛选限制在1个月，即日期的滑动窗口在1~31天（这个限定范围是与业务部门多次讨论得来，否则后面实现的代价会更大，原有是多个月的窗口期）

筛选条件说明

业务模型

业务数据模型说明：
• 单个客户即使单天下单多次，单天聚合统计也只能算1个客户；
• 单个客户连续多天都有下单，多天聚合统计也只能算1个客户；
• 业务类型有寄件/派件，按照其中一种处理，逻辑比较计算。

样例数据模型说明

聚合数据模型

聚合数据模型说明：基于前面的业务模型数据聚合，按照区域+其它条件聚合，获取聚合后分组客户数量。

聚合后的业务数据模型

技术抽象

业务需求是一个很典型的聚合统计，多数大数据产品或者传统关系数据库都支持，相反 Elasticsearch 聚合支持的不怎么好，不能满足需求。
业务需求的技术本质实际上是一个去重然后分组聚合的过程：

1、去重合并：按照客户维度去重，合并符合过滤条件的客户数据，相同多条客户数据合并为单条数据；
2、聚合分组：按照聚合维度分组，并计算出分组后的客户数量。

技术抽象过程

技术尝试

在实现业务需求过程中尝试过多种技术产品，遇到不少问题：

1、Mysql：当数据达到一定数量级，运行超时，甚至直接运行不起来；
2、Prestodb：定位是秒级分析型产品，单任务启动就需要消耗好几秒的时间，且受资源限制，并发度与响应度不能满足要求，优点可与 Hive 很好结合。
3、MPP：Greenplum/Vertica/Infobright，与 Prestodb 其实本质差不多，都不能满足性能要求。
4、穷举法：探讨过将所有的组合条件全部计算存储起来，业务系统只要去定位去查询，比如 Kylin 产品，查询复杂度确实低了，但计算量与存储量实在是太大，根本不现实；
5、Elasticsearch：虽然提供了聚合能力，但不支持在一次聚合过程中完成去重与分组统计，也就是不支持复杂的二次聚合，这是 ES 局限，也是 ES 定位。

举法计算量=愚公

矩阵转换

技术尝试过多次不同的技术产品之后得出结论，单一的数据产品已有能力是无法满足要求的，正可谓鱼与熊掌不可兼得。所以必须改变思维，设计了一种矩阵变换的算法机制，结合 Hive+ES 实现，下面介绍这种技术实现方式。

可转换性分析：分析原有业务需求，发现只有日期这个条件组合特别多，动态变化范围很大，如果按照单月最长31天计算组合数就有31的阶乘；其余的条件变化小，也没有动态的组合条件，所以重点解决日期组合这个条件。

下单日期可变数大

数据行转列：原有业务数据是按照行存储，聚合日期最小粒度是天， 单个客户下单信息除了下单日期、业务类型，其余的是相同的；将单个客户单月 31 天的下单数据 31 条转换成 1 条数据 31 列存储，31 列分表代表从下单日期往后叠加的日期，列存储的值代表当天是否有下单以及业务类型。

1、本次行转列基于 Hive 实现，数仓 ODS 数据都存储在 Hive 里，方便做下一步数据清洗转换计算；
2、首先在 Hive 上 按照【客户+日期】维度将客户下单数据去重，并按照业务类型简单的逻辑计算，合并单日多次下单的业务类型；
3、客户数据按照日期排序，从历史日期到当下昨天日期，计算任务默认 T+1；
4、其次在 Hive 中将去重后的客户数据，按照行转列模型将 1～31 天行数据转换到 31 列的数据，并填充原始行的业务类型值。

客户端行转列示意图

列合并逻辑计算：业务需求是按照日期范围聚合，在一个日期范围内，客户订单业务类型要做一些逻辑计算（业务类型：0/1/2），按照最大，所以需要计算单个客户单条数据之后 31 天的业务类型。

1、本次列合并逻辑计算基于 Hive 实现；
2、合并完整的数据之后按照月的维度分开存储，当计算任务下次 T+1 运行时，只要更新最近 31 天的数据，最多跨度 2 个月。
3、数据同步到 Elasticsearch 中，一个月一个索引，也只要更新最近的 2 个索引。Elasticsearch 更新索引也很方便，采用别名切换方式，可在毫秒间完成，ES 这个优点有效的避免了业务系统查询停顿空白问题。

客户日期列逻辑合并

业务查询

选择 Elasticsearch 做为查询引擎是非常正确的，得益于 Elasticsearch 高效的查询机制以及高效的聚合能力。

1、依据起始日期定位到该日期的月度索引，并锁定对于下单日期所有数据，Elasticsearch 支持动态索引搜索，支持高效的过滤 filter 扫描；
2、依据结束日期与起始日期差值，定位到指定的数据列；
3、最后只要一次聚合即可返回数据，Elasticsearch 支持高效的聚合特性 agg。

说明案例：查询2019-03-01~2019-03-05 客户聚合数据

结语

本次需求的技术实现比较曲折，在探讨大数据分析方面做了一次很重要的探索实践，没有一种通用的数据产品即可满足性能与功能，所以在面对实际业务问题要去探讨多种技术的混合实践。本次项目中的 Hive+ES 结合就是一次很有趣的混合。

学会培养一些算法思维，用微观算法的思维分析问题解决问题。本次项目中采用矩阵转换，有效避免了诸多技术产品的不足，满足了性能与功能。

项目案例是在 2019 年 3 月完成，时任职于跨越速运大数据中心。项目方案依赖大数据平台实现大量的预计算，矩阵变换是由服务端工程师想出来的，项目完成需要前后端通力配合才能完成。

声明：本文由原文作者“李猛”授权转载，对未经许可擅自使用者，保留追究其法律责任的权利。

【阿里云Elastic Stack】100%兼容开源ES，独有9大能力，提供免费X-pack服务（单节点价值$6000）

相关活动

更多折扣活动，请访问阿里云 Elasticsearch 官网

阿里云 Elasticsearch 商业通用版，1核2G ,SSD 20G首月免费
阿里云 Logstash 2核4G首月免费