我用MRS-ClickHouse构建的用户画像系统，让老板拍手称赞

Posted 2021-10-03 华为云

摘要：在移动互联网时代，用户数量庞大，标签数量众多，用户标签的数据量巨大。用户画像系统中，对于标签的存储和查询，不同的企业有不同的实现方案。当前主流的实现方案采用ElasticSearch方案。但基于ElasticSearch构建用户画像平台，往往面临灵活性不足、资源开销大、无SQL接口开发不便等问题。为此，本文提供了一种基于华为MRS ClickHouse构建用户画像系统的方法。

本文分享自华为云社区《基于MRS-ClickHouse构建用户画像系统方案介绍》，作者：hourongqi 。

1. 业务场景

用户画像是对用户信息的标签化。用户画像系统通过对收集的各维度数据，进行深度的分析和挖掘，给不同的用户打上不同的标签，从而刻画出客户的全貌。通过用户画像系统，可以对各个用户进行精准定位，从而将其应用于个性化推荐、精准营销等业务场景中。用户画像系统已经被各个企业广泛采用，是大数据落地的重要方式之一。

在移动互联网时代，用户数量庞大，标签数量众多，用户标签的数据量巨大。用户画像系统中，对于标签的存储和查询，不同的企业有不同的实现方案。当前主流的实现方案采用ElasticSearch方案。但基于ElasticSearch构建用户画像平台，往往面临灵活性不足、资源开销大、无SQL接口开发不便等问题。为此，本文提供了一种基于华为MRS ClickHouse构建用户画像系统的方法。

2. 为什么基于MRS-ClickHouse构建标签查询系统

2.1 MRS-ClickHouse简介

MRS-ClickHouse是一款面向联机分析处理的列式数据库。其最核心的特点是极致压缩率和极速查询性能。MRS-ClickHouse支持SQL查询，且查询性能好，特别是基于大宽表的聚合分析查询性能非常优异，比其他分析型数据库速度快一个数量级。

ClickHouse有如下特点：

• 完备的DBMS功能
  ClickHouse拥有完备的数据库管理功能，具备一个DBMS基本的功能，包括DDL、DML、权限控制、数据备份与恢复、分布式管理。
• 列式存储与数据压缩
  ClickHouse是一款使用列式存储的数据库，数据按列进行组织，属于同一列的数据会被保存在一起，列与列之间也会由不同的文件分别保存。在执行数据查询时，列式存储可以减少数据扫描范围和数据传输时的大小，提高了数据查询的效率。
• 向量化执行引擎
  ClickHouse利用CPU的SIMD指令实现了向量化执行。SIMD的全称是Single Instruction Multiple Data，即用单条指令操作多条数据，通过数据并行以提高性能的一种实现方式，它的原理是在CPU寄存器层面实现数据的并行操作。
• 关系模型与SQL查询
  ClickHouse完全使用SQL作为查询语言，提供了标准协议的SQL查询接口，使得现有的第三方分析可视化系统可以轻松与它集成对接。
  同时ClickHouse使用了关系模型，所以将构建在传统关系型数据库或数据仓库之上的系统迁移到ClickHouse的成本会变得更低。
• 数据分片与分布式查询
  ClickHouse集群由1到多个分片组成，而每个分片则对应了ClickHouse的1个服务节点。分片的数量上限取决于节点数量（1个分片只能对应1个服务节点）。
  ClickHouse提供了本地表 （Local Table）与分布式表 （Distributed Table）的概念。一张本地表等同于一份数据的分片。而分布式表本身不存储任何数据，它是本地表的访问代理，其作用类似分库中间件。借助分布式表，能够代理访问多个数据分片，从而实现分布式查询。

2.2 位图索引介绍

位图是一种通过数组下标与某些特定的值进行关联的数据结构。在位图中，每一个元素占用1个比特位。比特位为1时，表示对应的元素有该特定的值。反之则表示没有。

举例：

ID集合：[0,1,4,5,6,7,9,10,13,14]
通过位图可以表示为：11001111 01100110

如下图所示：

位图索引是一种使用位图的特殊索引，主要针对大量相同值的列而创建。位图中位置编码中的每一位表示对应的数据行的有无。位图索引适合固定值的列，如性别、婚姻状况、行政区等等。而不适合像身份证号、消费金额这种离散值的列。用户画像场景中，每一个标签，对应大量的人群。标签的数量是有限的枚举值，这一特点非常适合位图索引。

举例：

假设有两个标签，一个是标签1-持有贵金属，另一个是标签2-持有保险。各个持卡人拥有的标签情况如下表所示。

从中，我们可以看到，有标签1-持有贵金属的持卡人ID集合是：[0，1，4，5，6，7，9，10，13，14]。有标签2-持有保险的持卡人ID集群是：[2，3，5，7，8，11，12，13，15]。

当我们需要查询同时有这个标签的用户时，基于位图索引，只需要将两个标签相应的位图进行位运算，即可得到最终结果。这样，标签数据的存储空间占用非常小，标签计算的速度非常快。

2.3 MRS-ClickHouse原生支持位图索引

在ClickHouse出现之前，如果要将位图索引应用于用户画像场景，需要自己构建位图数据结构、管理位图索引，使用门槛较高。好消息是，MRS-ClickHouse原生提供了对位图数据结构和位置索引的支持，将位图的构建及维护封装在ClickHouse内部。使用者基于ClickHouse构建位图索引变成非常的简单。

ClickHouse位图构造函数：

ClickHouse位置操作函数：

ClickHouse位图运算结果获取函数：

综上，为什么是选择基于ClickHouse构建标签查询系统？

1. ClickHouse查询速度快，最快可达亚秒级响应；
2. ClickHouse内置位图数据结构，方便构建位图索引，提升标签查询性能；
3. 基于JDBC/SQL接口，开发更简单；
4. 基于MPP架构，可横向扩展；

3. 如何基于MRS-ClickHouse构建标签查询系统

在ClickHouse中创建一张原始标签表，将原始标签数据导入其中。然后基于标签原始表构建标签位图表，并创建对应的分布式表。上层标签查询应用基于标签位图表(分布式表)进行标签查询。

流程如下图所示：

详细过程如下文所述。

Step 1：创建标签原始表，导入标签原始数据

首先，创建一张标签原始表，保存标签原始数据。上游系统计算出的标签结果数据，写入本表中。本表为本地表。其建表语句如下：

CREATE TABLE IF NOT EXISTS tbl_tag_src ON CLUSTER default_cluster(
    tagname String,   --标签名称
    tagvalue String,  --标签值
    userid UInt64 
)ENGINE = ReplicatedMergeTree('/clickhouse/default/tables/{shard}/tbl_tag_src ','{replica}')
PARTITION BY tagname
ORDER BY tagvalue;

然后创建分布式表：

CREATE TABLE IF NOT EXISTS default.tbl_tag_src_all ON CLUSTER default_cluster 
AS tbl_tag_src 
ENGINE = Distributed(default_cluster, default, tbl_tag_src, rand());

数据预览如下：

Step 2：创建标签位图表，构建标签位图

创建一张标签位图表，先创建本地表。本地表用于保存标签位图数据。其创建语句如下：

-- 创建位图表，先创建本地表
CREATE TABLE IF NOT EXISTS tbl_tag_bitmap ON CLUSTER default_cluster
(
    tagname String,   --标签名称
    tagvalue String,  --标签值
    tagbitmap AggregateFunction(groupBitmap, UInt64 )  --userid集合
)
ENGINE = ReplicatedAggregatingMergeTree('/clickhouse/default/tables/{shard}/ tbl_tag_bitmap ','{replica}')
PARTITION BY tagname
ORDER BY (tagname, tagvalue)
SETTINGS index_granularity = 128;

然后再创建对应的分布式表。分布式表用于上层应用查询标签。其建表语句如下：

CREATE TABLE IF NOT EXISTS default.tbl_tag_bitmap_all ON CLUSTER default_cluster
(
    tagname String,   --标签名称
    tagvalue String,  --标签值
    tagbitmap AggregateFunction(groupBitmap, UInt64 )  --userid集合
)
ENGINE = Distributed(default_cluster, default, tbl_tag_bitmap, rand());

将标签原始表的数据导入标签位图表中。并在导入过程中，使用groupBitmapState()函数构建位图。SQL语句如下：

-- 导入数据, 将同一个标签的所有userid使用groupBitmapState函数合并成一个bitmap
INSERT INTO tbl_tag_bitmap_all
SELECT tagname,tagvalue,groupBitmapState(userid)
FROM tbl_tag_src_all
GROUP BY tagname,tagvalue;

Step 3：基于分布式表快速检索标签

查询持有贵金属产品，并且性别是男的userid列表：

WITH
    (
        SELECT tagbitmap FROM tbl_tag_bitmap_all WHERE tagname = '持有产品' AND tagvalue = '贵金属' LIMIT 1
    ) AS bitmap1,
    (
        SELECT tagbitmap FROM tbl_tag_bitmap_all WHERE tagname = '性别' AND tagvalue = '男' LIMIT 1
    ) AS bitmap2
SELECT bitmapToArray(bitmapAnd(bitmap1, bitmap2)) AS res

分别统计持有保险的客户中，男性和女性的总人数：

---- 查询持有保险的客户中，男性人数：
WITH
    (
        SELECT tagbitmap FROM tbl_tag_bitmap_all WHERE tagname = '持有产品' AND tagvalue = '保险' LIMIT 1
    ) AS bitmap1,
    (
        SELECT tagbitmap FROM tbl_tag_bitmap_all WHERE tagname = '性别' AND tagvalue = '男' LIMIT 1
    ) AS bitmap2
SELECT bitmapCardinality(bitmapAnd(bitmap1, bitmap2)) AS res

---- 查询持有保险的客户中，女性人数：
WITH
    (
        SELECT tagbitmap FROM tbl_tag_bitmap_all WHERE tagname = '持有产品' AND tagvalue = '保险' LIMIT 1
    ) AS bitmap1,
    (
        SELECT tagbitmap FROM tbl_tag_bitmap_all WHERE tagname = '性别' AND tagvalue = '女' LIMIT 1
    ) AS bitmap2
SELECT bitmapCardinality(bitmapAnd(bitmap1, bitmap2)) AS res

4.总结

针对用户画像场景中的海量标签查询，传统的方案存在灵活性不足、资源消耗大、缺少SQL接口开发难度大等问题。基于华为MRS-ClickHouse，可以非常方便的构建位图索引，实现海量标签数据的实时检索。MRS-ClickHouse让开发成本大幅降低，标签查询更快响应，让精准营销更便捷。

华为云FusionInsight MRS云原生数据湖已广泛应用于政府、金融、运营商、大企业、互联网等行业，携手800+合作伙伴，服务于全球60+国家和地区3000+政企客户。

点击关注，第一时间了解华为云新鲜技术~