Doris 画像标签存储实践

墨蓝 2022-09-12 06:47 383阅读 0赞

#### 根据画像标签的需求场景，我们常常将画像存储分为两部份，分别是： ####

1.  画像基本信息的存储
2.  用户画像人群的筛选需求的存储

#### 常见画像标签存储方式： ####

1.  根据类目创建宽表，或者根据更新的频率创建宽表
2.  创建竖表-每个用户+每个标签=一条记录
3.  竖表+横表=》分开计算，定时聚合
4.  ES 标签对象存储，rowKey为user\_id，HBASE存储用户明细，通过user\_id关联
5.  倒排表，标签-》多个用户Id，bitmap方案

### 一、根据类目创建宽表，或者根据更新的频率创建宽表 ###

1. 这是最容易想到的方式，同时也是最直观的方式，比如有基本信息表，兴趣爱好表

##### 优点： #####

1.  够直观，简单，结构清晰，数据量可控

##### 缺点： #####

1.  标签的增加需要修改表结构 — 只要能确定标签的范围，那可以省略这个问题
2.  存储一定冗余，会存在有些字段无值的场景
3.  计算不友好，在同一表中的各标签值计算时间和规则是不相同的，这些标签值的来源常常来源于各实时计算，或离线计算程序，或者是有的每天计算一次，比如日活跃，有的是一周计算一次，比如周活跃
4.  画像信息存储只是过程，最终的需求是要能够任意维度标签的快速查询，而在二维性数据库中，你无法对所有字段建立索引，人群筛选场景下查询效率将会极低

### 二、创建竖表-每个用户+每个标签=一条记录 ###

1.  这种方式应用于标签值不固定的场景，可以理解为宽表的空间换时间方案

##### 优点： #####

1.  易于扩展，适用于标签不固定场景
2.  存储无冗余，只存有值的标签项
3.  计算友好，每一行记录都是一个单独的计算项
4.  可以对标签类型+标签值建立联合索引，任意维度查询的场景性能会比较高

##### 缺点： #####

1.  数据量巨大，100万用户，每个用户100个标签，将会产生1亿条数据
2.  查询不友好，比如我要统计性别=男，年龄=15的人，需要这样写：  
    `select user_id from user_tags where (tag='sex' and tag_value='男') and (tag='age' and tag_value='15')`

### 三、竖表+横表=》分开计算，定时聚合 ###

1.  通过竖表完成各统计项的计算，以及任意标签维度查询
2.  定时将这些离散的数据汇聚到宽表中，用于用户画像基本信息的展示
3.  结合，第一种和第二种，能够满足，用户画像自定义维度的查询，也能够满足用户标签信息的展示
4.  除了数据量问题，没有其他问题

定义汇聚为：

### 四、ES 标签对象存储，rowKey为user\_id，HBASE存储用户明细，通过user\_id关联 ###

1.  早期的大数据画像存储方案
2.  es的每一条记录为一个文档，同时也为一个用户的画像信息，rowKey为user\_id
3.  人群筛选时，通过es查询出匹配的user\_id集合，然后去Hbase中查询这批集合的明细，能够实现秒级的响应

### 五、倒排表，标签-》多个用户Id，bitmap方案 ###

1.  ES搜索之所以快，功劳在于他的倒排索引上,所以又有了以下方案:  
    常见的描述是用户身上有哪些属性，而倒排索引是这个属性有哪些用户拥有

1.  对标签类型+标签值建立索引,user\_ids字段中存储所有拥有这个标签的用户Id
2.  user\_ids字段为bitmap类型，上面为了直观，显示bitmap转换前的用户Id更多bitmap描述见：[https://www.sohu.com/a/300039010\_114877][https_www.sohu.com_a_300039010_114877]
3.  在对人群筛选时，只需要对所有匹配的结果取user\_ids的交集即可

#### 优点 ####

1.  在人群筛选上，是五种方案中的最优解
2.  因为用bitmap存储，所以占用空间少，100个标签，每个标签5个标签值，只有500条记录
3.  匹配条件为二进制的与或非计算，效率很高，

#### 缺点 ####

1.  更新困难，需要按照一定的时间周期来全局刷新

### Doris提供了这样的支持，（其他OLAP大多也支持类似的功能，但Doris调研来看部暑扩展是比较容易的）,bitmap函数，下面演示Doris中的使用 ###

1.  表结构创建

CREATE TABLE `user_tags_bitmap`(
    	`tag` varchar(45) NULL COMMENT "",
    	`tag_value` varchar(45) NULL COMMENT "",
    	`user_ids` bitmap BITMAP_UNION NULL COMMENT ""  //bitmap_union 该标签值用户集合的并集
    	) ENGINE=OLAP
    	AGGREGATE KEY(`tag`,`tag_value`)
    	COMMENT "OLAP"
    	DISTRIBUTED BY HASH(`tag`) BUCKETS 2;

1.  添加数据

insert into user_tags_bitmap(tag, tag_value, user_ids) values("性别","男",to_bitmap("1"));
    insert into user_tags_bitmap(tag, tag_value, user_ids) values("性别","男",to_bitmap("2"));
    insert into user_tags_bitmap(tag, tag_value, user_ids) values("性别","女",to_bitmap("3"));
    insert into user_tags_bitmap(tag, tag_value, user_ids) values("年龄","90后",to_bitmap("1"));

1.  查询导入结果：`select tag,tag_value,bitmap_to_string(user_ids) user_ids from user_tags_bitmap;` user\_ids已经完成了自动聚合

<table> 
 <thead> 
  <tr> 
   <th>tag</th> 
   <th>tag_value</th> 
   <th>user_ids</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>性别</td> 
   <td>男</td> 
   <td>1,2</td> 
  </tr> 
  <tr> 
   <td>性别</td> 
   <td>女</td> 
   <td>3</td> 
  </tr> 
  <tr> 
   <td>年龄</td> 
   <td>90后</td> 
   <td>1</td> 
  </tr> 
 </tbody> 
</table>

1.  比如查询年龄=90后并且性别=男的用户有哪些，可以这样写:

select 
    bitmap_to_string(intersect_count(user_id, tag_value, '男', '90后'))
    from user_tags_bitmap
    where (tag_type='性别' and tag_value='男')
    or (tag_type='年龄' and tag_value='90后')

查询结果如下:

1.  这样的设计查询效率虽然高，存储也省空间，但还缺少标签的更新能力，因此设计添加明细表，通过周期性的明细表更新到这张bitmap表,明细表设计如下:

CREATE TABLE `user_tags`(
        `user_id` varchar(45) null comment "",
        `tag` varchar(45) NULL COMMENT "",
        `tag_value` varchar(45) NULL COMMENT "",
        `update_time` datetime null
    ) ENGINE=OLAP
    DUPLICATE KEY(`user_id`,`tag`)
    COMMENT "OLAP"
    DISTRIBUTED BY HASH(`user_id`) BUCKETS 2;

<table> 
 <thead> 
  <tr> 
   <th>user_id</th> 
   <th>tag</th> 
   <th>tag_value</th> 
   <th>update_time</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>1</td> 
   <td>性别</td> 
   <td>男</td> 
   <td>2020-10-10 10:10:10</td> 
  </tr> 
  <tr> 
   <td>2</td> 
   <td>性别</td> 
   <td>女</td> 
   <td>2020-10-10 10:10:10</td> 
  </tr> 
  <tr> 
   <td>1</td> 
   <td>年龄</td> 
   <td>15</td> 
   <td>2020-10-10 10:10:10</td> 
  </tr> 
 </tbody> 
</table>

1.  明细表这里按照竖表设计，没有用宽表，因为doris的更新策略为整行替换，宽表某字段的更新会出现并发和性能问题，而在这里竖表中更新用户的某个标签属性时，是先执行delete操作，再执行insert完成更新或删除操作

//删除历史记录
    delete from user_tags where user_id=1 and tag='性别';
    //添加新的记录
    insert into user_tags(user_id, tag, tag_value, update_time) values("1","性别","女",CURDATE());

1.  再周期性,比如一天，将明细表的数据更新到bitmap表中,完成标签的更新操作,定期执行以下操作

//清空bitmap表
    truncate table user_tags_bitmap;
    //将明细表导入到bitmap表中
    insert into user_tags_bitmap(tag, tag_value, user_ids) SELECT tag,tag_value,to_bitmap(user_id) from user_tags;

1.  使用这种模式也能够完成人群与标签的交并差集筛选，像这样，把某一类人群，当作一个标签处理：

<table> 
 <thead> 
  <tr> 
   <th>tag</th> 
   <th>tag_value</th> 
   <th>user_ids</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>性别</td> 
   <td>男</td> 
   <td>1,2</td> 
  </tr> 
  <tr> 
   <td>性别</td> 
   <td>女</td> 
   <td>3</td> 
  </tr> 
  <tr> 
   <td>年龄</td> 
   <td>15</td> 
   <td>1</td> 
  </tr> 
  <tr> 
   <td>人群</td> 
   <td>高意向</td> 
   <td>1，2</td> 
  </tr> 
 </tbody> 
</table>

要求：高意向中排除性别为女的人群有哪些，那就可以 （人群=高意向）\\（性别=女）两个的差集

#### 以上完成Doris用户画像标签存储 ####

#### 优化： ####

1.  因为使用的bitmap，如果user\_id分布稀疏，将会浪费比较大的存储和计算，建议生成全局用户自增id的字典表，映射到原始用户id
2.  标签和枚举类型的标签值，建议也创建枚举字典表
3.  待补充

[https_www.sohu.com_a_300039010_114877]: https://www.sohu.com/a/300039010_114877