【实用+干货】如何使用Clickhouse搭建百亿级用户画像平台看这一篇就够了
如果你是商家，当你要进行广告投放的时候，假如平台推送的用户都是你潜在的买家，那你就可以花更少的钱，带来更大的收益。这背后有一项技术支撑，那就是用户画像。
背景
如果你是用户，当你使用抖音、小红书的时候，假如平台能根据你的属性、偏好、行为推荐给你感兴趣的内容，那就能够为你节省大量获取内容的时间。
如果你是商家，当你要进行广告投放的时候，假如平台推送的用户都是你潜在的买家，那你就可以花更少的钱，带来更大的收益。
这两者背后都有一项共同的技术支撑，那就是用户画像。
业务能力
京东科技画像系统，提供标准的画像功能服务，包含标签市场、人群管理、数据服务、标签管理等，可以将用户分群服务于其他各个业务系统。
挑战
- 数据量大
目前平台拥有百亿+的用户ID、5000+的标签，单个人群包内的用户数量可达数十亿级，每天更新的人群也有2W多个。
- 计算复杂
标签圈选的条件复杂，底层依赖的数据量级较高，人群计算需要进行大量的交并差计算。
- 查询时间短
如果人群数预估、人群创建的耗时较长，对业务方的影响较大。
- 数据存储成本高
大量的人群数据存储需要高昂的存储成本。
- 数据查询量大、性能要求高
大促期间接口调用量高达百万QPS，接口响应要求要在40毫秒以内，而且要支持批量人群调用。
压缩的Bitmap
Bitmap 是一个二进制集合，用0或1标识某个值是否存在，使用Bitmap的特点和标签、人群结果的结构高度契合，正常1亿的人群包使用Bitmap存储只需要50MB左右。
在求两个集合的交并差运算时，不需要遍历两个集合，只要对位进行与运算即可。无论是比较次数的降低（从 O(N^2) 到Ｏ(N) ），还是比较方式的改善（位运算），都给性能带来巨大的提升。
从RoaringBitmap说起
RoaringBitmap(简称RBM)是一种高效压缩位图，本质上是将大块的bitmap分成各个小桶，其中每个小桶在需要存储数据的时候才会被创建，从而达到了压缩存储和高性能计算的效果。
在实际存储时，先把64位的数划分成高32位和低32位，建立一个我们称为Container的容器，同样的再分别为高低32位创建高16位和低16位的Container，最终可以通过多次二分查找找到offset所在的小桶。
选择Clickhouse
- Clickhouse的特点
完备的数据库管理功能，包括DML（数据操作语言）、DDL（数据定义语言）、权限控制、数据备份与恢复、分布式计算和管理。
列式存储与数据压缩: 数据按列存储，在按列聚合的场景下，可有效减少查询时所需扫描的数据量。同时，按列存储数据对数据压缩有天然的友好性（列数据的同类性），降低网络传输和磁盘 IO 的压力。
关系模型与SQL: ClickHouse使用关系模型描述数据并提供了传统数据库的概念（数据库、表、视图和函数等）。与此同时，使用标准SQL作为查询语言，使得它更容易理解和学习，并轻松与第三方系统集成。
数据分片与分布式查询: 将数据横向切分，分布到集群内各个服务器节点进行存储。与此同时，可将数据的查询计算下推至各个节点并行执行，提高查询速度。
- 为什么选择Clickhouse
分析性能高：在同类产品中，ClickHouse分析性能遥遥领先，复杂的人群预估SQL可以做到秒级响应。
简化开发流程：关系型数据库和SQL对于开发人员有天然的亲和度，使得所有的功能开发完全SQL化，支持JDBC，降低了开发和维护的成本。
开源、社区活跃度高：版本迭代非常快，几乎几天到十几天更新一个小版本，发展趋势迅猛。
支持压缩位图：数据结构上支持压缩位图，有完善的Bitmap函数支撑各种业务场景。
- Clickhouse的部署架构
采用分布式多分片部署，每个分片保证至少有2个节点互为主备，来达到高性能、高可用的目的。
分片和节点之间通过Zookeeper来保存元数据，以及互相通信。这样可以看出Clickhouse本身是对Zookeeper是强依赖的，所以通常还需要部署一个3节点的高可用Zookeeper集群。
- 分布式表和本地表
本地表指每个节点的实际存储数据的表，有两个特点:
1、每个节点维护自己的本地表；
2、每个本地表只管这个节点的数据。
本地表每个节点都要创建，CK通常是会按自己的策略把数据平均写到每一个节点的本地表，本地数据本地计算，最后再把所有节点的结果汇总到一起。
通常我们也可以通过DDL里加上ON CLUSTER [集群模式] 这样的形式在任意节点执行即可在全部节点都创建相同的表。
例如通过ON CLUSTER模式执行DDL语句在每个节点创建名为[test]的库，其中[default]为创建集群时配置的集群名称
CREATE DATABASE test ON CLUSTER default
通常我们可以在应用里通过JDBC在每个节点执行SQL得到结果后，再在应用内进行聚合，要注意的是像平均值这样的计算，只能是通过先求SUM再求COUNT来实现了，直接使用平均值函数只能得到错误的结果。
分布式表是逻辑上的表、可以理解位视图。比如要查一张表的全量数据，可以去查询分布式表，执行时分发到每一个节点上，等所有节点都执行结束再在一个节点上汇总到一起(会对单节点造成压力)。
查询分布式表时，节点之间通信也是依赖zk，会对zk造成一定的压力。
同样的分布式表如果需要每个节点都能查询，就得在每一个节点都建表，当然也可以使用ON CLUSTER模式来创建。
例如为test.test_1在所有节点创建分布式表:
CREATE TABLE test.test_1_dist ON CLUSTER default
as test.test_1 ENGINE = Distributed('default','test','test_1',rand());
- 对Bitmap的支持
a、创建包含有Bitmap列的表
CREATE TABLE cdp.group ON CLUSTER default
(
`code` String,
`version` String,
`offset_bitmap` AggregateFunction(groupBitmap, UInt64)
)
ENGINE = ReplicatedMergeTree('/clickhouse/tables/cdp/{shard}/group_1',
'{replica}')
PARTITION BY (code)
ORDER BY (code)
SETTINGS storage_policy = 'default',
use_minimalistic_part_header_in_zookeeper = 1,
index_granularity = 8192;
b、Bitmap如何写入CK
通常有2种方式来写入Bitmap：
1、第一种通过INSERT .... SELECT...来执行INSERT SQL语句把明细数据中的offset转为Bitmap
INSERT INTO cdp.group SELECT 'group1' AS code, 'version1' AS version, groupBitmapState(offset) AS offset_bitmap FROM tag.tag1 WHERE ....
2、在应用内生成Bitmap通过JDBC直接写入
<dependency>
<!-- please stop using ru.yandex.clickhouse as it's been deprecated -->
<groupId>com.clickhouse</groupId>
<artifactId>clickhouse-jdbc</artifactId>
<version>0.3.2-patch11</version>
<!-- use uber jar with all dependencies included, change classifier to http for smaller jar -->
<classifier>all</classifier>
<exclusions>
<exclusion>
<groupId>*</groupId>
<artifactId>*</artifactId>
</exclusion>
</exclusions>
</dependency>
String sql = "INSERT INTO cdp.group SELECT code,version,offset_bitmap FROM input('code String,version String,offset_bitmap AggregateFunction(groupBitmap,UInt64)')";
try (PreparedStatement ps = dataSource.getConnection().prepareStatement(
sql)) {
ps.setString(1, code); // col1
ps.setString(2, uuid); // col2
ps.setObject(3, ClickHouseBitmap.wrap(bitmap.getSourceBitmap(), ClickHouseDataType.UInt64)); // col3
ps.addBatch();
ps.executeBatch();
}
c、从CK读取Bitmap
直接读取：
ClickHouseStatement statement =null;
try{
statement = connection.createStatement();
ClickHouseRowBinaryInputStream in = statement.executeQueryClickhouseRowBinaryStream(sql);
ClickHouseBitmap bit = in.readBitmap(ClickHouseDataType.UInt64);
Roaring64NavigableMap obj =(Roaring64NavigableMap) bit.unwrap();
returnnewExtRoaringBitmap(obj);
}catch(Exception e){
log.error("查询位图错误 [ip:{}][sql:{}]", ip, sql, e);
throw e;
}finally{
DbUtils.close(statement);
}
上面的方法直接读取Bitmap会大量占用应用内存，怎么进行优化呢？ 我们可以通过Clickhouse把Bitmap转成列，通过流式读取bitmap里的offset，在应用里创建Bitmap
privatestatic String SQL_WRAP="SELECT bitmap_arr AS offset FROM (SELECT bitmapToArray(offset_bitmap) AS bitmap_arr FROM (SELECT ({}) AS offset_bitmap LIMIT 1)) ARRAY JOIN bitmap_arr";
publicstatic Roaring64NavigableMap getBitmap(Connection conn, String sql){
Statement statement =null;
ResultSet rs =null;
try{
statement = conn.createStatement(
ResultSet.TYPE_FORWARD_ONLY,
ResultSet.CONCUR_READ_ONLY);
String exeSql = ATool.format(SQL_WRAP, sql);
rs = statement.executeQuery(exeSql);
Roaring64NavigableMap bitmap =newRoaring64NavigableMap();
while(rs.next()){
Long offset = rs.getLong(1);
if(offset !=null){
bitmap.add(offset);
}
}
return bitmap;
}catch(Exception e){
log.error("从CK读取bitmap错误, SQL:{}", sql, e);
}finally{
ATool.close(rs, statement);
}
returnnull;
}
京东科技CDP
- 整体架构
- 数据流转
- 进一步优化
1. 并行计算
前面提到了Clickhouse通常把数据按照分片数把数据拆分成n份，只要我们保证相同用户id的数据在每一张本地表中都在同一个节点，那么我们多表之间进行JOIN计算时只需要每一个节点的本地表之间进行计算，从而达到了并行计算的效果。
为了达到这个目的，那必须要从开始的明细表就要通过一定的策略进行切分，定制什么样的切分策略呢？这就要从RoaringBitmap的特性和机制来考虑。
2. 提高Bitmap在各节点的压缩率
标签和人群的最终结果数据都是用RoaringBitmap来存储的，如果每个Bitmap存储的小桶数量越少，那么计算和存储的成本就会更小，使用哪种策略来切分就变得至关重要。
先按照RoaringBitmap的策略将数据按照2的16次方为单位，切分成多个小桶，然后为小桶进行编号，再按编号取余来切分。这样同一个RoaringBitmap小桶中的offset只会在1个分片上，从而达到了减少小桶个数的目的。
//把数据拆分成10个分片，计算每个offset再哪个分片上
long shardIndex = (offset >>> 16) % 10
再进一步向上看，明细表如果也保持这样的分片逻辑，那么从明细转成Bitmap后，Bitmap自然就是高压缩的。
3.标签Bitmap表
标签明细数据怎么存，严重关系到人群计算的效率，经过长期的探索和优化，最终通过按枚举分组来加工出标签Bitmap来实现高效、高压缩的存储策略，但整个进化过程是一步步递进完成的。
| 阶段 | 方案 | 优势 | 劣势和瓶颈 |
|---|---|---|---|
| 第一阶段 | 标签宽表(单表) | 查询速度快、支持复杂条件 | 1、单表压力大 2、合并单表、单表写的时间过长，出错就要全量重推 3、存储成本高 |
| 第二阶段 | 标签窄表(多表) | 1、轻量化表管理灵活 2、标签时效性提升较为突出 | 1、计算需要多表JOIN,计算时间长，还时常会有超时和计算不出结果的情况； |
| 第三阶段 | 每个标签按照枚举分组计算出标签枚举的Bitmap保存为中间结果表 | 解决了阶段二计算时间长的问题，极大的节约了存储和计算资源 | 表数量和数据分区过多会增加ZK集群的压力； |
数据服务
人群加工完成后要对外提供命中服务，为了支撑高并发高性能的调用需求，人群Bitmap的存储必须使用缓存来存储。
起初是把一个完整的Bitmap切分成了8份，存储到8台物理机的内存里，每台机器存储了1/8的数据。这种存储方式本身是没有问题的，但面临着运维复杂，扩容困难的问题。
那么我们能不能使用Redis来存储人群数据呢？经过探索发现Redis本身是不支持压缩位图的，当我们写入一个2的64次方大小的offset时，就会创建一个庞大的Bitmap，占用大量的内存空间。这时我们就想到了使用压缩位图的原理把位图按照2的16次方大小切分成多个小桶，把大的Bitmap转成小的Bitmap，在保存时减去一定的偏移量，在读取时在加上偏移量，那么每一个小桶就是一个65536(2^16)大小的Bitmap。从而我们开发了一套完整的Agent程序来记录元数据信息，进行路由和读写Redis，最终实现了Redis存储压缩Bitmap的目的。
long bucketIndex = offset / 65536L;
long bucketOffset = offset % 65536L;
//其中偏移量就是bucketIndex * 65536L
保存时只需要把key+[bucketIndex]作为key,使用bucketOffset来setBit()。
进一步查文档发现，Redis本身就是支持把Bitmap转成字节数组后一次性写入的，这样又进一步的提升了数据写入的效率。
总结
京东科技CDP画像平台通过对用户分群，针对不同的用户投放以不同形式的不同内容，实现千人千面的精准投放，最终实现用户的增长。对外提供多样的数据服务，服务于不同的业务，以支持精准营销、精细化运营，智能外呼等营销场景。
随着时代的发展，离线人群已经不能满足日益增长的运营需求。从去年开始,CDP着手建设数据实时化，目前已经完全做到了人群命中实时计算。
作者：京东科技 梁发文
来源：京东云开发者社区 转载请注明来源
