一文搞定ClickHouse在苏宁用户画像场景的实践（建议收藏）

Posted 2022-12-01 学而知之@

关注公众号，获取更多一线大厂最新资讯！

摘要：今天分享的主要内容是ClickHouse在苏宁用户画像场景的实践

分享时间：2021年5月26日

内容分享：杨兆辉

摘要整理：皮卡丘

主要内容：

1. 苏宁如何使用ClickHouse

2. ClickHouse集成Bitmap

3. 用户画像场景

ClickHouse

ClickHouse是一个面向联机分析处理(OLAP)的开源的面向列式存储的DBMS，简称CK, 与Hadoop, Spark相比，ClickHouse很轻量级,由俄罗斯第一大搜索引擎Yandex于2016年6月发布, 开发语言为C++

---

一、如何使用ClickHouse

1.选择Clickhouse的原因

2.精准去重计数性能测试

3.Clickhouse在苏宁使用场景

1.1.1 选择Clickhouse的原因：

    1. 速度快

    2. 特性发布快（产品更新迭代频率高）

    3. 软件质量高

    4. 物化视图

    5. 高基数查询

    6. 精准去重计数（count distinct）

---

1.2.1 精准去重计数性能测试：

    4亿多的数据集上，去重计算出6千万整形数值，

    非精准去重函数：uniq、uniqHLL12、uniqCombined

    精准去重函数：uniqExact、groupBitmap

结论：

• 整形值精确去重场景，groupBitmap 比 uniqExact至少快 2x+

• groupBitmap仅支持整形值去重， uniqExact支持任意类型去重

• 非精确去重场景，uniq在精准度上有优势

具体查询结果，如下图：

---

1.3.1 Clickhouse在苏宁使用场景：

• OLAP平台存储引擎

• • 存储时序数据、cube加速数据，应用于高基数查询、精确去重场景

• 运维监控

• • 实时聚合分析监控数据，主要使用物化视图技术

• 用户画像场景

• • 标签数据的存储、用户画像查询引擎

---

二、ClickHouse集成Bitmap

1、Bitmap位存储和位计算

2、RoaringBitmap原理介绍

3、ClickHouse集成RoaringBitmap

4、Bitmap应用示例

2.1.1 分布式MPP计算引擎：

    每个bit位表示一个数字id，对亍40亿个的用户id，只需要40亿bit位，约477m大小 = (4 * 109 / 8 / 1024 / 1024)

• 通过单个bitmap可以完成精确去重操作，通过多个bitmap的and、or、xor、andnot等位操作完成留存分析、漏斗分析、用户画像分析等场景的计算

• 但是如果使用上述的数据结构存储单独一个较大数值的数字id，会造成空间上的浪费，例如：仅存储40亿一个数值也需要477m的空间。也就是说稀疏的Bitmap和稠密的占用空间相同。通常会使用一种bitmap压缩算法迚行优化

• RoaringBitmap是一种已被业界广泛使用的高效的bitmap压缩算法，使用者包括Spark、Hive、ElasticSearch、Kylin、Druid、InfluxDB等。详见：http://roaringbitmap.org/

---

2.2.1 RoaringBitmap原理介绍：

    主要原理：将32bit的Integer划分为高16位和低16位(两个short int)，两者之间是Key-Value的关系。高16位存到short[] keys，通过高16位（Key）找到所对应Container，然后把剩余的低16位（Value）放入该Container中，RoaringBitmap有三类Container：

举个栗子：

    40亿（0xEE6B2800）这个值如何存入RoaringBitmap，以存入Array Container来说明：

---

2.3.1 ClickHouse集成RoaringBitmap：

    Bitmap字段类型，该类型扩展自AggregateFunction类型，字段类型定义：

AggregateFunction( groupBitmap, UInt(8|16|32|64))

表示groupBitmap聚合函数的中间状态。可以通过groupBitmapState创建。

SELECT labelname, labalvalue, groupBitmapState(id) AS uv 
from label_table
GROUP BY labelname, labalvalue;

注：

    lickHouse聚合函数有一些函数后缀可以使用：

    State：获取聚合的中间计算结果

    Merge：将中间计算结果进行合并计算，返回最终结果

    MergeState：将中间计算结果进行合并计算，返回合并后的中间结果

参考：

https://clickhouse.yandex/docs/en/data_types/nested_data_structures/aggregatefunction/
https://clickhouse.yandex/docs/en/query_language/agg_functions/reference/#groupbitmap

---

2.4.1 Bitmap应用示例：

    需求：一张简单的订单明细表 detail_order，如何计算用户的日留存？

order_id	order_date	user_id	product_id
1	2019-10-01	1	p1
2	2019-10-01	1	p2
3	2019-10-01	2	p1
4	2019-10-01	3	p1
5	2019-10-02	3	p2
6	2019-10-02	4	p1
7	2019-10-02	5	p1
8	2019-10-02	5	p2

标签SQL如下：

SELECT count(distinct first_day.user_id) AS retain_user 
FROM (
  SELECT DISTINCT user_id FROM detail_order WHERE order_date = '2019-10-01'
  ) AS first_day
INNER JOIN (
  SELECT DISTINCT user_id FROM detail_order WHERE order_date = '2019-10-02'
  ) AS second_day
ON first_day.id = second_day.id;


-- 大表join，，count distinct 都比较慢，而且容易OOM

detail_order 聚合为天维度：

order_date	uv_bitmap
2019-10-01	1,2,3
2019-10-02	3,4,5

用户留存SQL，如下：

WITH 
  (
    SELECT uv_bitmap FROM uv_order WHERE order_date = '2019-10-01'
  ) AS day1,
  (
    SELECT uv_bitmap FROM uv_order WHERE order_date = '2019-10-01'
  ) AS day2
SELECT bitmapAndCardinality(day1, day2) AS retain_user;

注：千万级用户，秒级出结果

Bitmap函数：

• 留存用户：day1 AND day2 = [3]

• 全部用户：day1 OR day2 = [1,2,3,4,5]

• 新用户：day2 ANDNOT day1 = [4,5]

• 流失用户：day1 ANDNOT day2 = [1,2]

---

三、用户画像场景实践

1、用户画像原有的流程及痛点

2、ClickHouse替换ES存储标签数据

3、标签数据表定义

4、数据模型定义

5、用户画像系统常见应用场景

6、用户画像新架构的优势

3.1.1 用户画像原有的流程及痛点：

现有流程	痛点
1.ES中定义标签的大宽表 2.通过Spark关联各种业务数据，插入到ES大宽表 3.高频查询的画像数据通过后台任务保存到加速层：Hbase 或者 Redis 4.实时标签通过Flink计算，然后写入Redis 5.用户画像平台可以从ES、Hbase、Redis查询数据	1.标签导入到ES的时间过长，需要等待各种业务数据准备就绪，才能迚行关联查询 2.新增或者修改标签，不能实时运行，涉及到ES文档结构的变化 3.ES对资源消耗比较大，属于豪华型配置 4.ES的DSL语法对用户不太友好，用户学习成本较高

---

3.2.1 ClickHouse替换ES存储标签数据：

• ClickHouse Manager负责ClickHouse集群管理、元数据管理以及节点负载协调

• tag-generate负责标签数据构建，保存到HDFS（mysql中存储标签配置信息）

• tag-loader向ClickHouse发送从HDFS导入标签数据的sqlto-ch-sql模块，将用户画像查询条件转换为ClickHouse sql语句

• 用户画像平台通过Proxy从ClickHouse集群查询标签数据

---

3.3.1 标签数据表定义：

---

3.4.1 数据模型定义：

• HDFS上采用snappy.parquet格式存储数据

• 采用AB表切换方式，避免查询和写入的冲突，标签数据表以日期结尾命名

• 通过重建分布式表迚行AB表切换，指向不同日期的标签数据表

• 通过增加标签数据表的副本数，提升开发性能

---

3.5.1 用户画像系统常见应用场景：

    举个栗子：

        "双11" 就要到了，需要发放10万张家电类优惠券迚行促销：

---

3.5.2 用户画像场景1—预估人数：

    场景描述：

        场景：限量发放10万张家电类优惠券，先预估出符合条件的

                用户数

        操作：用户指定标签及标签间的逻辑关系，统计出符合标签

                逻辑的人数

    输入条件：

        标签表达式，包含标签、算术运算符、逻辑运算符、括号

    

    返回结果：

        整形值，表示符合标签表达式的用户人数

        例如：

            user_number

                100000

    示例：

    画像条件：

gender = 'M' AND menber_level < 5 OR age IN (20, 25, 30)

    查询SQL：

SELECT bitmap0rCardinality(bitmapAnd(users0, users1),  users2) AS user_number
FROM 
(
  SELECT 1 AS join_id, groupBitmapergeState(uv) AS users0
    FROM ch_label_dist_string
  WHERE(labelname ='gender') AND (labelvalue = ’K’)
)
INNER JOIN
(
  SELECT 1 AS join_id, groupBitmapllergeState(uv) AS usersl
  FROM ch_label_dist_int
  WHERE(labelname ='member_level') AND (labelvalue < 5)
) ON join_id = join_id
INNER JOIN
(
  SELECT 1 AS join_id, groupBitmaplergeState(uv) AS users2
  FROM ch_label_dist_int
  WHERE(labelname ='age')AND(labelvalue IN (20, 25,30))
) ON join_id = join_id

---

3.5.3 用户画像场景2—人群圈选画像：

    场景描述：

        场景：对选出符合发优惠券条件的用户迚行画像分析，

                人群特征分析

        操作：用户指定标签及标签间的逻辑关系，查询出符合

                标签逻辑的用户ID数据集，然后对数据集运行用

                户画像分析。一条SQL完成人群圈选、用户画像

                两个动作

    输入条件：

        标签逻辑表达式：标签、算术运算符、逻辑运算符、括号

    返回结果：

        查询出符合标签表达式的用户ID Bitmap对象，然后

        将Bitmap对象不画像表迚行不（AND）操作，返回用

        户画像信息

        例如：

label_name	label_value	user_number
gender	M	12
gender	F	15
age	25	11
age	30	16

    示例：

    画像条件：

gender = 'M' AND menber_level < 5 OR age IN (20, 25, 30)

    查询SQL：

SELECT labelname.labelvalues, bitmapAndCardinality(users, checkout_users) AS user_number 
FROM(
  SELECT 1 AS join_id, labelname, labelvalue, groupBitmapMergeState(uv) AS users 
  FROM ch_profiledist 
  GROUP BY labelname, labelvalue
)
INNER JOIN(
  SELECT join_id, bitmap0r(bitmapAnd(users0users1),users2) AS checkout_users 
  FROM(
    SELECT 1 AS join_id groupBitmaplergeState(uv) AS users0 
    FROM ch_label_single_dist_string
    WHERE(labelname = 'gender') AND (labelvalue = 'M')
  INNER JOIN(
    SELECT 1 AS join_id, groupBitmapMergeState(uv) AS usersl 
    FROM ch_label_single_dist_int
    WHERE(labelname='member_level') AND (labelvalue < 5)
  )ON join_id = join_id
  INNER JOIN(
    SELECT 1 AS join_id, groupBitmapergeState(uv) AS users2 
    FROM ch_label_single_dist_int
    WHERE(labelname='age') AND (labelvalueIN(20, 25, 30))
  ) ON joinid= join id)
) ON join_id = join_id ;

---

3.5.4 用户画像场景3—用户ID清单：

    场景描述：

        场景：在筛选出符合条件的用户数后，导出用户ID明细

                ，这样好给他们发优惠券

        操作：用户指定标签及标签间的逻辑关系，查询出符合

                标签逻辑的用户ID数据集

    

    输入条件：

        标签逻辑表达式：标签、算术运算符、逻辑运算符、括号

    返回结果：

        用户ID字段，表示符合标签表达式的用户ID集合。

        例如：

        user_list

            8

            10

            11

            12

    示例：

    画像条件：

gender = 'M' AND menber_level < 5 OR age IN (20, 25, 30)

    查询SQL：

SELECT arrayJoin(bitmapToArray(bitmap0r(bitmapAnd(users0  users1)  users2))) AS user_list
FROM (
  SELECT 1 AS join id groupBitmaplergeState(uv) AS users0 
  FROM ch_label_dist_string
  WHERE(labelname ='gender') AND(labelvalue ='M')
INNER JOIN
(
  SELECT 1 AS join_id, groupBitmapllergeState(uv) AS usersl 
  FROM ch_label_dist_int
  WHERE(labelnae='member_level') AND (labelvalue < 5)
) ON join_id = join_id
INNER JOIN
(
  SELECT 1 AS join_id, groupBitmapllergeState(uv) AS users2 
  FROM ch_label_dist_int
  WHERE(labelname='age') AND (labelvalue IN(20, 25,30)) 
) ON join_id =join_id

---

3.6.1 用户画像新架构的优势：

    

总结：

• 每个标签的数据可以幵行构建，加快标签数据生产速度

• 查询请求平均响应时长在2秒以下，复杂查询在10秒内

• 支持标签数据实时更新，增加标签、删除标签、修改标签

• 标签表达式和查询SQL对用户来说比较友好

• 相对于ElasticSearch的配置，可以节约一半硬件资源
  

写在最后：

    内容整理不易，欢迎感兴趣的小伙伴关注，我会定期分享各个大厂的技术资料，欢迎留言讨论。

    识别下方二维码，关注后，点击资 “料获取”，即可获取免费学习资料，并且资料在不断更新中。记得点赞、点在看哦！ღ( ´･ᴗ･` )比心