kylin与superset集成实现数据可视化
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。 
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！
但是点开sqllab想敲点sql验证一下时，却出了异常。
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：
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。
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。
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
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
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
最后，让我们多尝试一些可视化图表吧，把它们做成dashboard
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。
