當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

【转载】DRuid 大数据分析之查询

發(fā)布時間：2023/12/18 编程问答 31 豆豆

生活随笔收集整理的這篇文章主要介紹了【转载】DRuid 大数据分析之查询小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

轉載自http://yangyangmyself.iteye.com/blog/2321759 1、Druid 查詢概述上一節(jié)完成數(shù)據(jù)導入后，接下來講講Druid如何查詢及統(tǒng)計分析導入的數(shù)據(jù)。
? ? Druid的查詢是使用REST風格的HTTP請求查詢服務節(jié)點（Broker、Historical、Realtime），這些服務節(jié)點暴露REST查詢接口，客戶端發(fā)送Json對象請求查詢接口。一般情況下，查詢服務接口發(fā)布在Broker節(jié)點，基于Linux 的POST請求查詢如下所示：? Java代碼??

/**?

*?port:?查詢請求接口對應Broker，默認8082端口?

*?query_json_file:?查詢Json對象文件（配置）?

*/??

curl?-X?POST?'<queryable_host>:<port>/druid/v2/?pretty'?-H?'Content-Type:application/json'?-d?@<query_json_file>??

2、Druid 查詢類型 Druid在不同場景下，有很多的查詢類型。查詢是由各種JSON屬性和Druid有不同類型的不同場景下查詢組成。對于各種類型的查詢類型的配置可以json屬性文件設置。Druid查詢類型，概括一下為3大類：
? ? ?1. 聚合查詢 - 時間序列查詢（Timeseries）、排名查詢（TopN）、分組查詢（GroupBy）
? ? ?2. 元數(shù)據(jù)查詢 - 時間范圍(Time Boundary) 、段元數(shù)據(jù)(Segment Metadata)、數(shù)據(jù)源(Datasource)
? ? ?3. Search查詢 - Search
? ? ?本節(jié)以聚合查詢?yōu)橹?#xff0c;其它查詢類型比較簡單，使用上相對比較少，暫不介紹。對聚合查詢類型下的3種查詢如何選擇進行一下概述：
? ? ?在可能的情況下，我們建議使用的時間序列和TopN查詢代替分組查詢，分組查詢是Druid最靈活的的查詢，但是性能最差。時間序列查詢是明顯快于GROUPBY查詢，因為聚合不需要分組尺寸。對于分組和排序在一個單一的維度，TopN查詢更優(yōu)于GROUPBY。

2.1 Json查詢屬性在講聚合查詢下的3種查詢類型之前，我們需要對3種查詢類型共有的特別重要的Json屬性理解與熟悉，常用屬性如：queryType、dataSource、granularity、filter、aggregator等。

2.1.1 查詢類型（queryType）對應聚合查詢下的3種類型值：timeseries、topN、groupBy 2.1.2 數(shù)據(jù)源（dataSource）數(shù)據(jù)源，類似數(shù)據(jù)庫中表的概念，對應數(shù)據(jù)導入時Json配置屬性dataSource值

2.1.3 聚合粒度（granularity）粒度決定如何得到數(shù)據(jù)塊在跨時間維度，或者如何得到按小時，天，分鐘的匯總等。在配置查詢聚合粒度里有三種配置方法：
? ??1. 簡單聚合粒度?- 支持字符串值有：all、none、second、minute、fifteen_minute、thirty_minute、hour、day、week、month、quarter、year
? ? ? ?(1) all - 將所有塊變成一塊
? ? ? ?(2) none - 不使用塊數(shù)據(jù)（它實際上是使用最小索引的粒度，none意味著為毫秒級的粒度）；按時間序列化查詢時不建議使用none，因為所有的毫秒不存在，系統(tǒng)也將嘗試生成0值，這往往是很多。
? ??2. 時間段聚合粒度?- Druid指定一精確的持續(xù)時間（毫秒）和時間綴返回UTC（世界標準時間）。
? ??3. 常用時間段聚合粒度?- 與時間段聚合粒度差不多，但是常用時間指平時我們常用時間段，如年、月、周、小時等。
? ? 下面對3種聚合粒度配置舉例說明：

? ??簡單聚合粒度

? ? ? ??查詢粒度比數(shù)據(jù)采集時配置的粒度小，則不合理，也無意義，因較小粒度（相比）者無索引數(shù)據(jù)；如
? ? 查詢粒度小于采集時配置的查詢粒度時，則Druid的查詢結果與采集數(shù)據(jù)配置的查詢粒度結果一樣。

? ? ? ? 假設我們存儲在Druid的數(shù)據(jù)使用毫秒粒度獲取，數(shù)據(jù)如下：

Java代碼??

{"timestamp":?"2013-08-31T01:02:33Z",?"page":?"AAA",?"language"?:?"en"}??

{"timestamp":?"2013-09-01T01:02:33Z",?"page":?"BBB",?"language"?:?"en"}??

{"timestamp":?"2013-09-02T23:32:45Z",?"page":?"CCC",?"language"?:?"en"}??

{"timestamp":?"2013-09-03T03:32:45Z",?"page":?"DDD",?"language"?:?"en"}??

? ? ? ?以"小時" 粒度提交一個groupby查詢，查詢配置如下：

Java代碼??

{??

???"queryType":"groupBy",??

???"dataSource":"dataSource",??

???"granularity":"hour",??

???"dimensions":[??

??????"language"??

???],??

???"aggregations":[??

??????{??

?????????"type":"count",??

?????????"name":"count"??

??????}??

???],??

???"intervals":[??

??????"2000-01-01T00:00Z/3000-01-01T00:00Z"??

???]??

}??

? ? ??按小時粒度進行的groupby查詢結果中timestamp值精確到小時間，比小時粒度更小粒度值自動補填零，

以此類推按天查詢，則小時及小粒度補零。timestamp值為UTC

Java代碼??

[?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-08-31T01:00:00.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

},?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-09-01T01:00:00.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

},?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-09-02T23:00:00.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

},?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-09-03T03:00:00.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

}?]??

? ? ? ?如果指定查詢粒度為 none，則返回結果與數(shù)據(jù)導入時設置粒度（queryGranularity屬性值）結果一樣，
? ? 此處的導入粒度為毫秒，結果如下：

Java代碼??

[?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-08-31T01:02:33.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

},?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-09-01T01:02:33.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

},?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-09-02T23:32:45.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

},?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-09-03T03:32:45.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

}?]??

? ? ?如果指定查詢粒度為 all，返回數(shù)組長度結果為1，結果如下：

Java代碼??

[?{??

??"version"?:?"v1",??

??"timestamp"?:?"2000-01-01T00:00:00.000Z",??

??"event"?:?{??

????"count"?:?4,??

????"language"?:?"en"??

??}??

}?]??

? ??時間段聚合粒度?

? ? ? ? ??指定一個精確時間持續(xù)時長（毫秒表示）及時間綴，返回UTC時間；支持可選項屬性origin，不指定時?
? ? ?默認開始時間（1970-01-01T00:00:00Z）

Java代碼??

/**持續(xù)時間段2小時，從1970-01-01T00:00:00Z開始*/??

{"type":?"duration",?"duration":?7200000}??

Java代碼??

/**持續(xù)時間1小時，從origin開始*/??

{"type":?"duration",?"duration":?3600000,?"origin":?"2012-01-01T00:30:00Z"}??

??? ? ?

? ??以上簡單聚合粒度的示例數(shù)據(jù)為例，提交groupby查詢，持續(xù)時間段為24小時，查詢配置如下：

Java代碼??

{??

???"queryType":"groupBy",??

???"dataSource":"dataSource",??

???"granularity":{"type":?"duration",?"duration":?"86400000"},??

???"dimensions":[??

??????"language"??

???],??

???"aggregations":[??

??????{??

?????????"type":"count",??

?????????"name":"count"??

??????}??

???],??

???"intervals":[??

??????"2000-01-01T00:00Z/3000-01-01T00:00Z"??

???]??

}??

? ? ?查詢結果：

Java代碼??

[?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-08-31T00:00:00.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

},?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-09-01T00:00:00.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

},?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-09-02T00:00:00.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

},?{??

??"version"?:?"v1",??

??"timestamp"?:?"2013-09-03T00:00:00.000Z",??

??"event"?:?{??

????"count"?:?1,??

????"language"?:?"en"??

??}??

}?]??

? ??

? ? 常用時間段聚合粒度

? ? ? ? ?略...

2.1.4 過濾（Filters）一個Filter就是一個Json對象，用于過濾數(shù)據(jù)行過濾，類似SQL中的Where子句。過濾器類型有如下：Selector filte、Regular expression filter（正則表達式過濾）、Logical expression filters（AND、OR、NOT）、In filter、Bound filter、Search filter、JavaScript filter、Extraction filter

? ? 示例簡單查看使用方式：

? ?

? ?查詢過濾（Selector filte）

? ? ? ? ? ?等價于：WHERE <dimension_string> = '<dimension_value_string>'

Java代碼??

"filter":?{?"type":?"selector",?"dimension":?<dimension_string>,?"value":?<dimension_value_string>?}??

? ?

? ? 正則表達過濾（Regular expression filter）

? ? ? ? ? ?與Selector filte差不多，只是這里使用正則表達式，表達式為標準的Java正則表達式規(guī)范

Java代碼??

"filter":?{?"type":?"regex",?"dimension":?<dimension_string>,?"pattern":?<pattern_string>?}??

? ??邏緝表達過濾（Logical expression filters）

? ?

? ? ?AND

Java代碼??

"filter":?{?"type":?"and",?"fields":?[<filter>,?<filter>,?...]?}??

? ? ?OR

Java代碼??

"filter":?{?"type":?"or",?"fields":?[<filter>,?<filter>,?...]?}??

? ? ?NOT

Java代碼??

"filter":?{?"type":?"not",?"field":?<filter>?}??

? ??IN過濾（In filter）

? ? ? ?

? ? SQL查詢

Java代碼??

SELECT?COUNT(*)?AS?'Count'?FROM?`table`?WHERE?`outlaw`?IN?('Good',?'Bad',?'Ugly')??

Druid IN 過濾表示

Java代碼??

{??

????"type":?"in",??

????"dimension":?"outlaw",??

????"values":?["Good",?"Bad",?"Ugly"]??

}??

? ??范圍過濾（Bound filter）

? ? ? ? ?Bound filter 過濾比較值大小或小于某值，默認按字符串比較，使用數(shù)據(jù)比較需要設置alphaNumeric 屬
? ? ?性為true；默認?Bound filter為非嚴格性（類閉區(qū)間），如?inputString <= upper && inputSting >= lower

Java代碼??

{??

????"type":?"bound",??

????"dimension":?"age",??

????"lower":?"21",??

????"upper":?"31"?,??

????"alphaNumeric":?true??

}??

? ? 上述表示等價如：21 <= age <= 31

? ??Bound filter?嚴格性，需要設置lowerStrict or/and upperStrict 屬性值為true如下：

Java代碼??

{??

????"type":?"bound",??

????"dimension":?"age",??

????"lower":?"21",??

????"lowerStrict":?true,??

????"upper":?"31"?,??

????"upperStrict":?true,??

????"alphaNumeric":?true??

}??

? ? 等價如：21 < age < 31

2.1.5 聚合（Aggregations）聚合可以在采集時間時規(guī)格部分的一種方式，匯總數(shù)據(jù)進入Druid之前提供。聚合也可以被指定為在查詢時多查詢的部分，聚合類型如下：Count aggregator、Sum aggregators、Min / Max aggregators、Approximate Aggregations、Miscellaneous Aggregations?

? ??Count aggregator

? ? ? ? ??

? ? ? ??查詢返回匹配過濾條件的數(shù)據(jù)行數(shù)，需要注意的是：Druid進行Count查詢的數(shù)據(jù)量并不一定等于數(shù)據(jù)采
? ? 集時導入的數(shù)據(jù)量，因為Druid在采集數(shù)據(jù)并導入時已經(jīng)對數(shù)據(jù)進行了聚合。

Java代碼??

{?"type"?:?"count",?"name"?:?<output_name>?}??

? ? Sum aggregator

? ? ? ? ??longSum aggregator：計算值為有符號位64位整數(shù)

? ? ? ? ??

Java代碼??

{?"type"?:?"longSum",?"name"?:?<output_name>,?"fieldName"?:?<metric_name>?}??

? ?

? ? ? ????doubleSum aggregator：與longSum類似，計算值為64位浮點型?

Java代碼??

{?"type"?:?"doubleSum",?"name"?:?<output_name>,?"fieldName"?:?<metric_name>?}??

? ??Min / Max aggregators

? ? ? ? ??doubleMin aggregator?

Java代碼??

{?"type"?:?"doubleMin",?"name"?:?<output_name>,?"fieldName"?:?<metric_name>?}??

? ??

? ? ? ? ??doubleMax aggregator

Java代碼??

{?"type"?:?"doubleMax",?"name"?:?<output_name>,?"fieldName"?:?<metric_name>?}??

? ? ? ? ??longMin aggregator

Java代碼??

{?"type"?:?"longMin",?"name"?:?<output_name>,?"fieldName"?:?<metric_name>?}??

? ? ? ? ?longMax aggregator

Java代碼??

{?"type"?:?"longMax",?"name"?:?<output_name>,?"fieldName"?:?<metric_name>?}??

? ??類似聚合（Approximate Aggregations）

? ? ? ? ?

? ? ? ??基數(shù)聚合（Cardinality aggregator）

? ? ? ? ?計算Druid多種維度基數(shù)，Cardinality aggregator使用HyperLogLog評估基數(shù)，這種聚合比帶有索引的
? ? ?hyperUnique聚合慢，運行在一個維度列，意味著不能從數(shù)據(jù)集中刪除字符串維度來提高聚合；一般我們
? ? ?強力推薦使用hyperUnique aggregator而不是Cardinality aggregator，格式如下：

Java代碼??

{??

??"type":?"cardinality",??

??"name":?"<output_name>",??

??"fieldNames":?[?<dimension1>,?<dimension2>,?...?],??

??"byRow":?<false?|?true>?#?(optional,?defaults?to?false)??

}??

? ? ? ?.?維度值聚合-當設置屬性byRow為false（默認值）時，通過合并所有給定的維度列來計算值集合。

? ? ? ? ?

? ? ? ? ?對于單維度，等價如下：

Java代碼??

SELECT?COUNT(DISTINCT(dimension))?FROM?<datasource>??

? ? ? ??

? ? ? ? ?對于多維度，等價如下:

Java代碼??

SELECT?COUNT(DISTINCT(value))?FROM?(??

??SELECT?dim_1?as?value?FROM?<datasource>??

??UNION??

??SELECT?dim_2?as?value?FROM?<datasource>??

??UNION??

??SELECT?dim_3?as?value?FROM?<datasource>??

)??

? ? ? ?.?行聚合-當設置屬性byRow為true時，根所不同維度的值合并來計算行值，等價如下：

Java代碼??

SELECT?COUNT(*)?FROM?(?SELECT?DIM1,?DIM2,?DIM3?FROM?<datasource>?GROUP?BY?DIM1,?DIM2,?DIM3?)??

? ? ? ? ? ?許多不同國家的人出生地或來自哪里，用druid配置如下：

Java代碼??

{??

??"type":?"cardinality",??

??"name":?"distinct_countries",??

??"fieldNames":?[?"coutry_of_origin",?"country_of_residence"?]??

}??

? ? ? ??HyperUnique aggregator

? ? ? ? 已經(jīng)被“hyperunique”在創(chuàng)建索引時聚合的維度值使用HyperLogLog計算估計，更多資料請參考官網(wǎng)

Java代碼??

{?"type"?:?"hyperUnique",?"name"?:?<output_name>,?"fieldName"?:?<metric_name>?}??

后聚合（post-aggregators）后聚合是對Druid進行聚合后的值進行聚全，如果查詢中包括一個后聚合，那么確保所有聚合滿足后聚合要求；后聚合有以下幾種類型：
1.?Arithmetic post-aggregators
2.?Field accessor post-aggregator
3.?Constant post-aggregator
4.?JavaScript post-aggregator
5.?HyperUnique Cardinality post-aggregator

? ? ?

? ? ? ? ?Arithmetic post-aggregators

? ? ? ? ? ?算術后聚合應用已提供的函數(shù)從左到右獲取字段，這些字段可聚合或后聚合；支持+,?-,?*,?/, and?quotient。

? ? ? ? ? ?算術后聚合可以指定ordering屬性，用于聚合結果排序（對topN查詢很有用?）：

? ? ? ? ? ? ? ?(1) 如果無ordering屬性（或null），使用默認的浮點排序。

? ? ? ? ? ? ? ?(2)?numericFirst 首先返回有限值，其次是NaN，最后返回無限值。

? ? ? ? ? ?算術后聚合語法如下：

Java代碼??

postAggregation?:?{??

??"type"??:?"arithmetic",??

??"name"??:?<output_name>,??

??"fn"????:?<arithmetic_function>,??

??"fields":?[<post_aggregator>,?<post_aggregator>,?...],??

??"ordering"?:?<null?(default),?or?"numericFirst">??

}??

? ? ? ??Field accessor post-aggregator -?fieldName引用aggregator定義的名稱

Java代碼??

{?"type"?:?"fieldAccess",?"name":?<output_name>,?"fieldName"?:?<aggregator_name>?}??

? ? ? ??Constant post-aggregator -?返回指定值

Java代碼??

{?"type"??:?"constant",?"name"??:?<output_name>,?"value"?:?<numerical_value>?}??

2.2 時間序列查詢（Timeseries）這些類型的查詢以時間序列查詢對象和返回一個JSON數(shù)組對象，每個對象表示時間序列查詢的值，時間序列查詢請求的Json的7個主要屬性如下：

屬性	描述	必填項
queryType	字符串類型，時間序列 "timeseries"	? ?是
dataSource	字符串類型，數(shù)據(jù)源（類似數(shù)據(jù)庫表）	? ?是
descending	排序標志，默認為 "false"(升序)	? ?否
intervals	查詢時間范圍跨度，JSON對象，ISO-8601區(qū)間	? ?是
granularity	定義查詢結果塊粒度	? ?是
filter	過濾條件	? ?否
aggregations	聚合	? ?是
postAggregations	后聚合	? ?否
context	上下文	? ?否

引用官網(wǎng)序列化查詢json配置代碼??

{??

??"queryType":?"timeseries",??

??"dataSource":?"sample_datasource",??

??"granularity":?"day",??

??"descending":?"true",??

??"filter":?{??

????"type":?"and",??

????"fields":?[??

??????{?"type":?"selector",?"dimension":?"sample_dimension1",?"value":?"sample_value1"?},??

??????{?"type":?"or",??

????????"fields":?[??

??????????{?"type":?"selector",?"dimension":?"sample_dimension2",?"value":?"sample_value2"?},??

??????????{?"type":?"selector",?"dimension":?"sample_dimension3",?"value":?"sample_value3"?}??

????????]??

??????}??

????]??

??},??

??"aggregations":?[??

????{?"type":?"longSum",?"name":?"sample_name1",?"fieldName":?"sample_fieldName1"?},??

????{?"type":?"doubleSum",?"name":?"sample_name2",?"fieldName":?"sample_fieldName2"?}??

??],??

??"postAggregations":?[??

????{?"type":?"arithmetic",??

??????"name":?"sample_divide",??

??????"fn":?"/",??

??????"fields":?[??

????????{?"type":?"fieldAccess",?"name":?"postAgg__sample_name1",?"fieldName":?"sample_name1"?},??

????????{?"type":?"fieldAccess",?"name":?"postAgg__sample_name2",?"fieldName":?"sample_name2"?}??

??????]??

????}??

??],??

??"intervals":?[?"2012-01-01T00:00:00.000/2012-01-03T00:00:00.000"?]??

}??

???

? ??上述配置了過濾條件，2個聚合，后聚合器將2個聚合結果進行相除。查詢結果如下，查詢結果存儲在屬性result，以鍵值對方式存儲：

Java代碼??

[??

??{??

????"timestamp":?"2012-01-01T00:00:00.000Z",??

????"result":?{?"sample_name1":?<some_value>,?"sample_name2":?<some_value>,?"sample_divide":?<some_value>?}???

??},??

??{??

????"timestamp":?"2012-01-02T00:00:00.000Z",??

????"result":?{?"sample_name1":?<some_value>,?"sample_name2":?<some_value>,?"sample_divide":?<some_value>?}??

??}??

]??

2.3 排名查詢（TopN query） TopN查詢根據(jù)規(guī)范返回給定維度的有序的結果集，從概念上來講，TopN查詢被認為單維度、有序的類似分組查詢。在某些情況下，TopN查詢比分組查詢（groupby query）快。TopN查詢結果返回Json數(shù)組對象。
? ? TopN在每個節(jié)點將頂上K個結果排名，在Druid默認情況下最大值為1000。在實踐中，如果你要求前1000個項順序排名，那么從第1-999個項的順序正確性是100%，其后項的結果順序沒有保證。你可以通過增加threshold值來保證順序準確。

屬性	描述	必填項
queryType	字符串類型，時間序列 "topN"	? ?是
dataSource	字符串類型，數(shù)據(jù)源（類似數(shù)據(jù)庫表）	? ?是
intervals	查詢時間范圍跨度，JSON對象，ISO-8601區(qū)間	? ?是
granularity	定義查詢結果塊粒度	? ?是
filter	過濾條件	? ?否
aggregations	聚合	? ?是
postAggregations	后聚合	? ?否
dimension	查詢的維度（列）	? ?是
threshold	返回Top N個結果	? ?是
metric	字符串或Json對象指定度量對Top N個結果排序	? ?是
context	上下文	? ?否

Metric

屬性	描述	必填項
type	數(shù)字排序	? ?是
metric	排序字段	? ?是

? ? ???數(shù)據(jù)排序（Numeric TopNMetricSpec）?-?最簡單的規(guī)范指定一個字符串值指示排序TopN結果的度量

Java代碼??

"metric":?"<metric_name>"??

? ? ? ?metric屬性通常配置為Json對象，上述等價于：

Java代碼??

"metric":?{??

????"type":?"numeric",??

????"metric":?"<metric_name>"??

}??

? ??topN query 配置示例如下：

Java代碼??

{??

??"queryType":?"topN",??

??"dataSource":?"sample_data",??

??"dimension":?"sample_dim",??

??"threshold":?5,??

??"metric":?"count",??

??"granularity":?"all",??

??"filter":?{??

????"type":?"and",??

????"fields":?[??

??????{??

????????"type":?"selector",??

????????"dimension":?"dim1",??

????????"value":?"some_value"??

??????},??

??????{??

????????"type":?"selector",??

????????"dimension":?"dim2",??

????????"value":?"some_other_val"??

??????}??

????]??

??},??

??"aggregations":?[??

????{??

??????"type":?"longSum",??

??????"name":?"count",??

??????"fieldName":?"count"??

????},??

????{??

??????"type":?"doubleSum",??

??????"name":?"some_metric",??

??????"fieldName":?"some_metric"??

????}??

??],??

??"postAggregations":?[??

????{??

??????"type":?"arithmetic",??

??????"name":?"sample_divide",??

??????"fn":?"/",??

??????"fields":?[??

????????{??

??????????"type":?"fieldAccess",??

??????????"name":?"some_metric",??

??????????"fieldName":?"some_metric"??

????????},??

????????{??

??????????"type":?"fieldAccess",??

??????????"name":?"count",??

??????????"fieldName":?"count"??

????????}??

??????]??

????}??

??],??

??"intervals":?[??

????"2013-08-31T00:00:00.000/2013-09-03T00:00:00.000"??

??]??

}??

? ?

? ? 查詢前Top 5個結果，按count排序：

Java代碼??

[??

??{??

????"timestamp":?"2013-08-31T00:00:00.000Z",??

????"result":?[??

??????{??

????????"dim1":?"dim1_val",??

????????"count":?111,??

????????"some_metrics":?10669,??

????????"average":?96.11711711711712??

??????},??

??????{??

????????"dim1":?"another_dim1_val",??

????????"count":?88,??

????????"some_metrics":?28344,??

????????"average":?322.09090909090907??

??????},??

??????{??

????????"dim1":?"dim1_val3",??

????????"count":?70,??

????????"some_metrics":?871,??

????????"average":?12.442857142857143??

??????},??

??????{??

????????"dim1":?"dim1_val4",??

????????"count":?62,??

????????"some_metrics":?815,??

????????"average":?13.14516129032258??

??????},??

??????{??

????????"dim1":?"dim1_val5",??

????????"count":?60,??

????????"some_metrics":?2787,??

????????"average":?46.45??

??????}??

????]??

??}??

]??

轉載于:https://www.cnblogs.com/laoqing/p/9923020.html

總結

以上是生活随笔為你收集整理的【转载】DRuid 大数据分析之查询的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇： BZOJ1566 [NOI2009]管道
下一篇： hdu4513--Manacher算法-