Apache kylin是一個(gè)開源分布式引擎，提供Hadoop之上的SQL查詢接口及多維分析(OLAP)能力以支持超大規(guī)模數(shù)據(jù)。而superset是airbnb開源的一款數(shù)據(jù)可視化工具。

kylin在超大數(shù)據(jù)規(guī)模下仍然可以提供秒級(jí)甚至毫秒級(jí)sql響應(yīng)的OLAP多維分析查詢服務(wù)。而且對(duì)服務(wù)器內(nèi)存的要求也不像spark sql那么高，經(jīng)過多方面的優(yōu)化，數(shù)據(jù)膨脹率甚至可以控制在100%以內(nèi)。它利用hive做預(yù)計(jì)算，然后建立多維的數(shù)據(jù)立方體，并存在hbase中，從而提供了實(shí)時(shí)查詢的能力。

superset也就是早先的caravel，提供了豐富的圖表供用戶配置。只要連上數(shù)據(jù)源，勾幾個(gè)簡(jiǎn)單的配置，或者寫點(diǎn)sql。用戶就可以輕易的構(gòu)建基于d3、nvd3、mapbox-gl等的炫酷圖表。

我廠也是選擇了kylin和superset，遺憾的是superset支持多種數(shù)據(jù)源，包括druid、hive、impala、sparkSQL、presto以及多種主流關(guān)系型數(shù)據(jù)庫(kù)，但是并不支持kylin。于是我們對(duì)其進(jìn)行了改進(jìn)。

首先觀察superset的源碼，它后臺(tái)使用Flask App Builder搭建的，數(shù)據(jù)訪問層用sqlalchemy實(shí)現(xiàn)。也就是說，它本質(zhì)上可以支持所有數(shù)據(jù)源，只要實(shí)現(xiàn)一套kylin的dialect即可。而同時(shí)github上有一個(gè)pykylin項(xiàng)目，就是實(shí)現(xiàn)的這個(gè)dialect。這極大增強(qiáng)了我解決這個(gè)問題的信心。

正好前幾周，superset出了一個(gè)新的prod版本airbnb_prod.0.15.5.0。裝好它和pykylin之后，導(dǎo)入kylin數(shù)據(jù)源，成功!

但是點(diǎn)開sqllab想敲點(diǎn)sql驗(yàn)證一下時(shí)，卻出了異常。

Debug了pykylin代碼，發(fā)現(xiàn)get_table_names方法的入?yún)onnection實(shí)際已經(jīng)是sqlalchemy的Engine對(duì)象了，這可能是最新sqlalchemy的版本升級(jí)造成的?？傊?，將原來的代碼：

def get_table_names(self, connection, schema=None, **kw):  
return connection.connection.list_tables() 

改成：

def get_table_names(self, engine, schema=None, **kw): 
connection = engine.contextual_connect() 
return connection.connection.list_tables() 

即可。

順便我們看到這里它擴(kuò)展了sqlalchemy的list_tables方法，sqllab左上方的table選擇區(qū)還有列出所有schema的下拉框，于是我們順帶把list_schama方法也實(shí)現(xiàn)。connection.py添加：

def list_schemas(self):   
        route = 'tables_and_columns' 
        params = {'project': self.project} 
        tables = self.proxy.get(route, params=params) 
        return [t['table_SCHEM'] for t in tables] 

dialect.py添加：

def get_schema_names(self, engine, schema=None, **kw):  
connection = engine.contextual_connect()  
return connection.connection.list_schemas() 

之后執(zhí)行sql還是有錯(cuò)：

pykylin在每次調(diào)用kylin的api時(shí)會(huì)首先登錄，以獲得JSESSIONID，并存入cookie中，這里是登錄失敗，檢查代碼，發(fā)現(xiàn)這里問題還挺多的，首先proxy.py中的login方法作者寫的是self.password = user應(yīng)改成password。dialect.py中create_connect_args方法改為：

def create_connect_args(self, url):   
        opts = url.translate_connect_args() 
        api_prefix = 'kylin/api/' 
        args = { 
            'username': opts['username'], 
            'password': opts['password'], 
            'endpoint': 'http://%s:%s/%s' % (opts['host'], opts['port'], api_prefix) 
        } 
        args.update(url.query) 
        return [], args 

這樣大部分sql查詢沒有問題，但是有的查詢結(jié)果有部分值是null，這樣也會(huì)出錯(cuò)。修改cursor.py的_type_mapped方法：

def _type_mapped(self, result):   
        meta = self.description 
        size = len(meta) 
        for i in range(0, size): 
            column = meta[i] 
            tpe = column[1] 
            val = result[i] 
            if val is None: 
                pass 
            elif tpe == 'DATE': 
                val = parser.parse(val) 
            elif tpe == 'BIGINT' or tpe == 'INT' or tpe == 'TINYINT': 
                val = int(val) 
            elif tpe == 'DOUBLE' or tpe == 'FLOAT': 
                val = float(val) 
            elif tpe == 'BOOLEAN': 
                val = (val == 'true') 
            result[i] = val 
        return result 

這樣在sqllab中執(zhí)行sql基本沒問題了。

下一步開始自定義slice，定制自己的可視化dashboard。

在這里再次遇到問題，superset會(huì)自動(dòng)把count函數(shù)計(jì)算的列設(shè)置別名叫count，而count是kylin的關(guān)鍵字，因此導(dǎo)致查找失敗。修改superset的models.py的sqla_col方法：

@property 
   def sqla_col(self): 
       name = self.metric_name 
       if name == 'count': 
           name = 'total_count' 
       return literal_column(self.expression).label(name) 

另外在slice中還經(jīng)常會(huì)遇到pandas拋出的KeyError異常。這是因?yàn)樵趕uperset里面所有的關(guān)鍵字都是小寫，然而kylin返回的所有的數(shù)據(jù)metadata全是大寫，導(dǎo)致superset在kylin的返回結(jié)果中查詢關(guān)鍵字的時(shí)候出現(xiàn)找不到關(guān)鍵字的錯(cuò)誤。

修改pykylin的cursor.py的execute方法。

def execute(self, operation, parameters={}, acceptPartial=True, limit=None, offset=0):   
        sql = operation % parameters 
        data = { 
            'sql': sql, 
            'offset': offset, 
            'limit': limit or self.connection.limit, 
            'acceptPartial': acceptPartial, 
            'project': self.connection.project 
        } 
        logger.debug("QUERY KYLIN: %s" % sql) 
        resp = self.connection.proxy.post('query', json=data) 
 
        column_metas = resp['columnMetas'] 
 
        for c in column_metas: 
            c['label'] = str(c['label']).lower() 
            c['name'] = str(c['name']).lower() 
 
        self.description = [ 
            [c['label'], c['columnTypeName'], 
             c['displaySize'], 0, 
             c['precision'], c['scale'], c['isNullable']] 
            for c in column_metas 
        ] 
 
        self.results = [self._type_mapped(r) for r in resp['results']] 
        self.rowcount = len(self.results) 
        self.fetched_rows = 0 
        return self.rowcount 

最后，我發(fā)現(xiàn)在查找的字段包含kylin中的date類型時(shí)也會(huì)出錯(cuò)。點(diǎn)擊slice頁面右上角的query按鈕，可以查看superset最終發(fā)送的sql。

將它直接拷貝到kylin的insight頁面去執(zhí)行，發(fā)現(xiàn)報(bào)錯(cuò)。原來kylin的date類型只支持年月日，而superset在添加日期搜索條件時(shí)為了實(shí)現(xiàn)定時(shí)刷新圖表而在sql的日期條件中都精確到了時(shí)分秒。關(guān)于這個(gè)我原先是在superset中做了修改。

在superset的models.py的get_query_str方法中：

time_filter = dttm_col.get_time_filter(from_dttm, to_dttm) 

改為

if engine.name == 'kylin':   
    time_filter = dttm_col.get_date_filter(from_dttm, to_dttm) 
else:   
    time_filter = dttm_col.get_time_filter(from_dttm, to_dttm) 

添加get_date_filter，dt_sql_literal函數(shù)：

def get_date_filter(self, start_dttm, end_dttm):   
        col = self.sqla_col.label('__time') 
        return and_( 
            col >= text(self.dt_sql_literal(start_dttm)), 
            col <= text(self.dt_sql_literal(end_dttm)), 
        ) 
 
def dt_sql_literal(self, dttm):   
        return "'{}'".format(dttm.strftime('%Y-%m-%d')) 

這樣對(duì)于所有kylin數(shù)據(jù)源的查找時(shí)間范圍條件都將轉(zhuǎn)為年月日的格式。

不過我一直感覺這個(gè)改動(dòng)不是很完美，是一種典型的打補(bǔ)丁的做法。后來我發(fā)現(xiàn)superset支持在列的設(shè)置頁面為一個(gè)日期列添加自定義的格式轉(zhuǎn)換函數(shù)

于是我在這里設(shè)置日期列格式

TO_DATE(‘{}’, ‘yyyy-MM-dd’) 

然后可以看到slice這里sql中的該列都變成了to_date函數(shù)形式

最后的工作就是修改kylin源碼，添加對(duì)日期函數(shù)的支持。hive sql是支持to_date等日期格式轉(zhuǎn)換函數(shù)的，kylin憑什么不支持?

大致debug了一下kylin的源碼，kylin處理sql的入口在server-base模塊下的QueryController.java的query方法中。我發(fā)現(xiàn)在最終調(diào)用jdbc驅(qū)動(dòng)執(zhí)行sql之前，kylin會(huì)調(diào)QueryUtil類的massageSql方法來優(yōu)化sql。主要是加上limit和offset參數(shù)。最后調(diào)內(nèi)部類DefaultQueryTransformer的transform方法改掉sql中的一些通病，比如SUM(1)改成count(1)等。日期轉(zhuǎn)換函數(shù)的處理放在這后面我覺得是最合適的。

添加正則表達(dá)式，以匹配日期函數(shù)：

private static final String TO_DATE = "(to_date|TO_DATE)\\(['|\"]([^'|\"]*)['|\"],\\s?['|\"]([^'|\"]*)['|\"]\\)";  
private static final Pattern FN_TO_DATE = Pattern.compile(TO_DATE); 

添加日期轉(zhuǎn)行函數(shù)解析：

private String executeFN(String sql) {   
            Matcher m; 
            while (true) { 
                m = FN_TO_DATE.matcher(sql); 
                if (!m.find()) 
                    break; 
                String dateTime = m.group(2); 
                String format = m.group(3); 
                SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss"); 
                Date dt = null; 
                try { 
                    dt = sdf.parse(dateTime); 
                } catch (ParseException e) { 
                    logger.error("Parse date error", e); 
                } 
                sdf = new SimpleDateFormat(format); 
                String date = sdf.format(dt); 
                String begin = sql.substring(0, m.start()); 
                String end = sql.substring(m.end(), sql.length()); 
                sql = begin + "'" + date + "'" + end; 
            } 
            return sql; 
        } 

然后kylin就可以支持上面sql的執(zhí)行了

最后，讓我們多嘗試一些可視化圖表吧，把它們做成dashboard

結(jié)論：kylin很好地支持了我廠每天上百GB數(shù)據(jù)的立方體建模和實(shí)時(shí)查找，結(jié)合superset的方案，作為我廠內(nèi)部的可視化工具，收到了很好地效果。