kylin与superset集成实现数据可视化

36大数据  •  扫码分享
我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。  

Apache kylin是一个开源分布式引擎，提供Hadoop之上的SQL查询接口及多维分析（OLAP）能力以支持超大规模数据。而superset是airbnb开源的一款数据可视化工具。

kylin在超大数据规模下仍然可以提供秒级甚至毫秒级sql响应的OLAP多维分析查询服务。而且对服务器内存的要求也不像spark sql那么高，经过多方面的优化，数据膨胀率甚至可以控制在100%以内。它利用hive做预计算，然后建立多维的数据立方体，并存在hbase中，从而提供了实时查询的能力。

superset也就是早先的caravel，提供了丰富的图表供用户配置。只要连上数据源，勾几个简单的配置，或者写点sql。用户就可以轻易的构建基于d3、nvd3、mapbox-gl等的炫酷图表。
kylin与superset集成实现数据可视化

我厂也是选择了kylin和superset，遗憾的是superset支持多种数据源，包括druid、hive、impala、sparkSQL、presto以及多种主流关系型数据库，但是并不支持kylin。于是我们对其进行了改进。

首先观察superset的源码，它后台使用Flask App Builder搭建的，数据访问层用sqlalchemy实现。也就是说，它本质上可以支持所有数据源，只要实现一套kylin的dialect即可。而同时github上有一个pykylin项目，就是实现的这个dialect。这极大增强了我解决这个问题的信心。

正好前几周，superset出了一个新的prod版本airbnb_prod.0.15.5.0。装好它和pykylin之后，导入kylin数据源，成功！ kylin与superset集成实现数据可视化
但是点开sqllab想敲点sql验证一下时，却出了异常。 kylin与superset集成实现数据可视化
Debug了pykylin代码，发现get_table_names方法的入参connection实际已经是sqlalchemy的Engine对象了，这可能是最新sqlalchemy的版本升级造成的。总之，将原来的代码： 

				
					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。

顺便我们看到这里它扩展了sqlalchemy的list_tables方法，sqllab左上方的table选择区还有列出所有schema的下拉框，于是我们顺带把list_schama方法也实现。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()

之后执行sql还是有错： kylin与superset集成实现数据可视化
pykylin在每次调用kylin的api时会首先登录，以获得JSESSIONID，并存入cookie中，这里是登录失败，检查代码，发现这里问题还挺多的，首先proxy.py中的login方法作者写的是 self.password = user 应改成 password 。dialect.py中create_connect_args方法改为： 

				
					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

这样大部分sql查询没有问题，但是有的查询结果有部分值是null，这样也会出错。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

这样在sqllab中执行sql基本没问题了。 kylin与superset集成实现数据可视化

下一步开始自定义slice，定制自己的可视化dashboard。

在这里再次遇到问题，superset会自动把count函数计算的列设置别名叫count，而count是kylin的关键字，因此导致查找失败。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中还经常会遇到pandas抛出的KeyError异常。这是因为在superset里面所有的关键字都是小写，然而kylin返回的所有的数据metadata全是大写，导致superset在kylin的返回结果中查询关键字的时候出现找不到关键字的错误。

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，我发现在查找的字段包含kylin中的date类型时也会出错。点击slice页面右上角的query按钮，可以查看superset最终发送的sql。 kylin与superset集成实现数据可视化
将它直接拷贝到kylin的insight页面去执行，发现报错。原来kylin的date类型只支持年月日，而superset在添加日期搜索条件时为了实现定时刷新图表而在sql的日期条件中都精确到了时分秒。关于这个我原先是在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)

改为

				
					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函数：

				
					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'))

这样对于所有kylin数据源的查找时间范围条件都将转为年月日的格式。

不过我一直感觉这个改动不是很完美，是一种典型的打补丁的做法。后来我发现superset支持在列的设置页面为一个日期列添加自定义的格式转换函数 kylin与superset集成实现数据可视化
于是我在这里设置日期列格式

TO_DATE(‘{}’, ‘yyyy-MM-dd’)

然后可以看到slice这里sql中的该列都变成了to_date函数形式 kylin与superset集成实现数据可视化
最后的工作就是修改kylin源码，添加对日期函数的支持。hive sql是支持to_date等日期格式转换函数的，kylin凭什么不支持？

大致debug了一下kylin的源码，kylin处理sql的入口在server-base模块下的QueryController.java的query方法中。我发现在最终调用jdbc驱动执行sql之前，kylin会调QueryUtil类的massageSql方法来优化sql。主要是加上limit和offset参数。最后调内部类DefaultQueryTransformer的transform方法改掉sql中的一些通病，比如 SUM(1) 改成 count(1) 等。日期转换函数的处理放在这后面我觉得是最合适的。

添加正则表达式，以匹配日期函数：

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

添加日期转行函数解析：

				
					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的执行了 kylin与superset集成实现数据可视化
最后，让我们多尝试一些可视化图表吧，把它们做成dashboard kylin与superset集成实现数据可视化

结论：kylin很好地支持了我厂每天上百GB数据的立方体建模和实时查找，结合superset的方案，作为我厂内部的可视化工具，收到了很好地效果。

End.

转载请注明来自36大数据（36dsj.com)： 36大数据 » kylin与superset集成实现数据可视化

随意打赏

数据可视化工程师数据可视化软件数据可视化分析数据可视化图表数据可视化案例数据可视化工具数据可视化设计大数据可视化数据可视化
提交建议
微信扫一扫，分享给好友吧。
关闭