HLL数据类型

介绍

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。

算法比较

表 1 HLL与其他算法比较

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。

• 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。

数据结构

表 2 HyperLogLog中主要数据结构

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。

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。

示例

• 创建hll类型的表，不指定入参：

  create table t1 (id integer, set hll);
  

  查看表结构：

  \d t1
  

  返回结果为：

    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：

  create table t2 (id integer, set hll(12,4));
  

  查看表结构：

  \d t2
  

  返回结果为：

        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：

  create table t3(id int, set hll(-1,-1,8,-1));
  

  查看表结构：

  \d t3
  

  返回结果为：

        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：

  create table t4(id int, set hll(5,-1));
  

  报错如下：

  ERROR:  log2m = 5 is out of range, it should be in range 10 to 16, or set -1 as default
  

  

  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：

  create table t1(id integer, set hll(14));
  

• 向表中插入hll对象,参数一致，成功：

  insert into t1 values (1, hll_empty(14,-1));
  

• 向表中插入hll对象，参数不一致，失败：

  insert into t1(id, set) values (1, hll_empty(14,5));
  

  插入失败，报错如下：

  ERROR:  log2explicit does not match: source is 5 and dest is 10
  

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：

    create table helloworld (id integer, set hll);
    

  • 向表中插入空的hll：

    insert into helloworld(id, set) values (1, hll_empty());
    

  • 把整数经过哈希计算加入到hll中：

    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：

    update helloworld set set = hll_add(set, hll_hash_text('hello world')) where id = 1;
    

  • 得到hll中的distinct值：

    select hll_cardinality(set) from helloworld where id = 1;
    

    返回结果为：

    hll_cardinality 
    -----------------
       2
    (1 row)
    

  • 删除表

    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。

    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。

    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));
    

  • 创建表并指定列为hll。

    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。

    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。

    select date, hll_cardinality(users) from daily_uniques order by date;
    

    返回结果为：

        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。

    select hll_cardinality(hll_union_agg(users)) from daily_uniques where date >= '2019-02-20'::date and date <= '2019-02-26'::date;
    

    返回结果为：

     hll_cardinality  
    ------------------
     702.941844662509
    (1 row)
    

  • 计算昨天访问过网站而今天没访问网站的用户数量。

    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);
    

    返回结果为：

    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

    drop table facts;
    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'E1234'时，该数据不满足hll数据结构，不能解析成功因此失败报错。

  create table test(id integer, set hll);
  insert into test values(1, 'E1234');
  

  报错信息如下：

  ERROR:  not a hll type, size=6 is not enough
  drop table test;