关于druid平台，druidstatview这个很多人还不知道，今天小柳来为大家解答以上的问题，现在让我们一起来看看吧！
druid平台 druidstatview
1、美团各业务线存在大量的OLAP分析场景，需要基于Hadoop数十亿级别的数据进行分析，直接响应分析师和城市BD等数千人的交互式访问请求，对OLAP服务的扩展性、稳定性、数据精确性和性能均有很高要求。
2、本文主要介绍美团的具体OLAP需求，如何将Kylin应用到实际场景中，以及目前的使用方式和现状。
3、同时也将Kylin和其它系统（如Presto、Druid等）进行了对比，阐述了Kylin的独特优势。
4、作为公司的平台部门，需要给各个业务线提供平台的服务，那么如何建设一个满足各种需求的公司平台级OLAP分析服务呢。
5、首先，一个开源项目在公司真正落地会遇到很多障碍，这主要是由各个业务线不同的数据特点和业务特点决定的，所以本文会介绍一下美团的数据场景有什么特点；其次，针对这些数据特点，尤其是和Kylin设计初衷不太相符的部分，有什么样的解决方案；第三，目前OLAP领域还没有所谓事实上的标准，很多引擎都可以做类似事情，比如普通的MPP，Kylin，或者ES等。
6、这些系统之间的对比情况如何，应该如何选择，我们也有部分测试数据可以分享；最后，简单讨论一下未来准备在Kylin上做的工作。
7、1、美团的数据场景特点第一个特点是数据规模和模型特点。
8、一方面从数据规模上来讲，事实表一般在1亿到10亿量级，同时还有千万量级的维表，也就是超高基数的维表。
9、另一方面，数据模型是一开始遇到的最大困难。
10、因为Kylin最初的设计是基于一个星形模型的，但很不幸由于各种原因，很多数据都是雪花的模型，还有其它的模型，比如所谓“星座”模型，也就是中间是两张或者三张事实表，周围关联了其它很多维表。
11、业务逻辑决定了这些数据的关联方式非常复杂，根本无法用经典标准的理论来解释。
12、第二个是维度。
13、维度最理想的情况是固定的，每天变化的只是事实表。
14、但实际上维度经常会变，这可能和行业特点有关，比如组织架构，相关的维度数据可能每天都会变化。
15、除此之外还可能要用今天的维度去关联所有的历史数据，因此要重刷历史数据，相应的开销也比较大。
16、第三个是数据回溯的问题。
17、比如发现数据生成有问题，或者上游出错了，此时就需要重跑数据。
18、这也是和经典理论模型有区别的。
本文到这结束，希望上面文章对大家有所帮助。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至836084111@qq.com 举报，一经查实，本站将立刻删除。