隨著資料時代的發展，各行各業資料平臺的體量越來越大，使用者個性化運營的訴求也越來越突出，使用者標籤系統，做為個性化千人千面運營的基礎服務，應運而生。如今，幾乎所有行業（如網際網路、遊戲、教育等）都有實時精準營銷的需求。透過系統生成使用者畫像，在營銷時透過條件組合篩選使用者，快速提取目標群體，例如：
電商行業中，商家在運營活動前，需要根據活動的目標群體的特徵，圈選出一批目標使用者進行廣告推送或進行活動條件的判斷。遊戲行業中，商家需要根據玩家的某些特徵進行圈選，針對性地發放大禮包，提高玩家活躍度。教育行業中，需要根據學生不同的特徵，推送有針對性的習題，幫助學生查缺補漏。搜尋、門戶、影片網站等業務中，根據使用者的關注熱點，推送不同的內容。以電商平臺中一個典型的目標群體圈選場景為例，如服裝行業對其潛在客戶資訊採集，打標，清洗後如下表：
（以上表結構中，第一列為使用者身份的唯一標識，往往作為主鍵，其他列均為標籤列。）
如公司想推出一款高階男性運動產品，則可能的圈選條件為：
男性，推出產品的受眾群體為男性。運動愛好者，運動愛好者更有可能消費運動類產品。一線城市，一線城市使用者相比於二三線城市使用者，可能更傾向於消費高階產品。...從上述表結構（人群圈選典型表結構，且大都如此，第一列為使用者id，其餘皆為標籤列）和查詢條件可以看出，人群圈選業務都面臨一些共同的痛點：
使用者標籤多、標籤豐富，標籤列可達成百甚至上千列。資料量龐大，使用者數多，從而所需運算量也極大。圈選條件組合多樣化，沒有固定索引可以最佳化，儲存空間佔用極大。效能要求高，圈選結果要求及時響應，過長的延時會造成營銷人群的不準確。資料更新時效要求高，使用者畫像要求近實時的更新，過期的人群資訊也將直接影響圈選的精準性。針對以上痛點，本文將從原理層面深度分析，多角度對比講解如何使用ClickHouse搭建人群圈選系統，為何選擇ClickHouse，以及選用ClickHouse搭建人群圈選系統的優勢。
為什麼選擇ClickHouse本文以開源ElasticSearch（ES）為例，僅針對人群圈選場景與ClickHouse做對比。開源版ES是一款高效的搜尋分析引擎，利用其優秀的索引技術，可以完成各種複雜的條件組合和資料聚合運算。ClickHouse是最近比較火的一款開源列式儲存分析型資料庫，它最核心的特點就是極致儲存壓縮率和查詢效能，尤其擅長單個大寬表的查詢場景。因此細比兩者，相較於ClickHouse，ES雖具備人群圈選業務所需的必要能力，但仍有以下3方面不足：
成本方面：
開源ES的底層儲存使用lucene，主要包含行儲存（storefiled），列儲存（docvalues）和倒排索引(invertindex)。行存中_source欄位用於控制doc原始資料的儲存。在寫入資料時，ES把doc原始資料的整個json結構體當做一個string，儲存為_source欄位，因此_source欄位對儲存佔用量大且關閉_source將不支援update操作。同時，索引也是ES不可缺少的一部分，ES預設全列索引，雖可手動設定對特定的列取消索引，但取消索引的列將不可查詢。在人群圈選場景下，選取標籤過濾條件是任意的，多樣的，不斷變化的。對任意一條標籤列不做索引都是不現實的，因此針對成百上千列的大寬表，全列索引必然使得儲存成本翻倍。
ClickHouse是一款徹底的列式儲存資料庫，且ClickHouse的查詢不依賴索引，使用過程中也不強制構建索引，因此不需要保留額外的索引檔案。同時ClickHouse儲存資料的副本數量靈活可配，可將使用成本降至最低。
資料更新與治理方面：
索引為ES帶來了高效的查詢效能，但是索引的構造過程是複雜的，耗時的。每一次索引的構建都需對全列資料進行掃描，排序來生成索引檔案。而在人群圈選業務中，人群資訊必然是不斷增長的。標籤的不斷更新將會使得ES不得不頻繁的重構索引，這將對ES的效能造成巨大的開銷。
ClickHouse的查詢不依賴索引，使用過程中也不強制構建索引。因此對於新增資料，ClickHouse不涉及索引的更新與維護。
易用性方面：
開源ES缺少完備的sql支援，查詢請求的json格式複雜。同時ES對多條件過濾聚合的執行策略缺少最佳化，還以文章開頭的典型場景為例，圈出一款高階男性運動產品的受眾人群。可得如下sql：
“SELECT user_id FROM whatever_table WHERE city_level = '一線城市' AND gender = '男性' AND is_like_sports = '是';”
針對以上sql，ES的執行會對3個標籤分別做3次索引掃描，之後再將3次掃描的結果做merge，流程如下圖所示
而ClickHouse的執行則更優雅一些。ClickHouse採用標準sql，語法簡單且功能強大。在執行where語句時，會自動最佳化形成prewhere分層執行，因此二次掃描將基於一次掃描的結果進行，執行流程如下圖所示：
顯而易見，針對複雜條件過濾的場景，ClickHouse對多條件篩選流程做出最佳化，掃描的資料量更小，效能也較ES而言更高效。
如何基於ClickHouse搭建人群圈選系統對比選型完成後，接下來講解如何基於ClickHouse搭建人群圈選系統，回顧文章開頭的業務描述和上一部分的典型sql（“SELECT user_id FROM whatever_table WHERE city_level = '一線城市' AND gender = '男性' AND is_like_sports = '是';”），再次總結人群圈選業務對資料庫能力的要求如下：
具備高效的批次資料匯入效能。具備處理頻繁，實時update的能力。具備加列/減列的DDL能力。可以指定任意列為過濾條件的高效查詢能力。面對以上需求，ClickHouse如何使用才能在人群圈選場景下物盡其用，揚長避短？
1. insert代替update
首先要解決的是ClickHouse的非同步update機制。ClickHouse對update的執行是低效的，ClickHouse核心中的MergeTree儲存一旦生成一個Data Part，這個Data Part就不可再更改了。所以從MergeTree儲存核心層面，ClickHouse就不擅長做資料更新刪除操作。ClickHouse的語法把Update操作也加入到了Alter Table的範疇中，它並不支援裸的Update操作。
ALTER TABLE [db.]table UPDATE column1 = expr1 [, ...] WHERE filter_expr;注：*左右滑動閱覽
當用戶執行一個如上的Update操作獲得返回時，ClickHouse核心其實只做了兩件事情：
檢查Update操作是否合法；儲存Update命令到儲存檔案中，喚醒一個非同步處理merge和mutation的工作執行緒；非同步執行緒的工作流程極其複雜，總結其精髓描述如下：先查詢到需要update的資料所在datapart，之後對整個datapart做掃描，更新需要變更的資料，然後再將資料重新落盤生成新的datapart，最後用新的datapart做替代並remove掉過期的datapart。這就是ClickHouse對update指令的執行過程，可以看出，頻繁的update指令對於ClickHouse來說將是災難性的。
因此，我們使用insert語句代替update語句。當需要對某一指定user更新標籤時，就重新插入一條該user的資料，如對錶中07號使用者進行資料更新：
最終，每個user可能都存在多條記錄。針對人群圈選場景，同一user錯亂冗餘的資訊顯然對查詢結果產生誤導，無法滿足精準圈選的需求。接下來講解如何使用ClickHouse進行主鍵去重，即同一user，然後insert進來的資料覆蓋掉已有的資料，實現update的效果。
2. 選用AggregatingMergeTree表引擎
MergeTree是ClickHouse中最重要，最核心的儲存核心，MergeTree思想上與LSM-Tree相似，其實現原理複雜，不在此展開，因為一篇文章也難以講解清楚。本篇圍繞人群圈選場景，著重從功能層面描述如何在人群圈選場景下使用MergeTree的變種AggregatingMergeTree以及使用AggregatingMergeTree可實現的資料聚合效果。AggregatingMergeTree繼承自 MergeTree，儲存上和基礎的MergeTree其實沒有任何差異，而是在資料Merge的過程中加入了“額外的合併邏輯”, AggregatingMergeTree 會將相同主鍵的所有行（在一個數據片段內）替換為單個儲存一系列聚合函式狀態的行。以文章開頭部分的表結構為例，使用AggregatingMergeTree表引擎的建表語句如下：
CREATE TABLE IF NOT EXISTS whatever_table ON CLUSTER default( user_id UInt64, city_level SimpleAggregateFunction(anyLast, Nullable(Enum('一線城市' = 0, '二線城市' = 1, '三線城市' = 2, '四線城市' = 3))), gender SimpleAggregateFunction(anyLast, Nullable(Enum('女' = 0, '男' = 1))), interest_sports SimpleAggregateFunction(anyLast, Nullable(Enum('否' = 0, '是' = 1))), reg_date SimpleAggregateFunction(anyLast, Datetime), comment_like_cnt SimpleAggregateFunction(anyLast, Nullable(UInt32)), last30d_share_cnt SimpleAggregateFunction(anyLast, Nullable(UInt32)), user_like_consume_trend_type SimpleAggregateFunction(anyLast, Nullable(String)), province SimpleAggregateFunction(anyLast, Nullable(String)), last_access_version SimpleAggregateFunction(anyLast, Nullable(String)), others SimpleAggregateFunction(anyLast,Array(String)))ENGINE = AggregatingMergeTree() partition by toYYYYMMDD(reg_date) ORDER BY user_id;注：*左右滑動閱覽
就以上建標語句展開分析，AggregatingMergeTree會將除主鍵（user）外的其餘列，配合anyLast函式，替換每行資料為一種預聚合狀態。其中anyLast聚合函式宣告聚合策略為保留最後一次的更新資料。
3. 資料一致性保證
上一部分講述瞭如何針對人群圈選場景選擇表引擎和聚合函式，但是AggregatingMergeTree並不能保證任何時候的查詢都是聚合過後的結果，並且也沒有提供標誌位用於查詢資料的聚合狀態與進度。因此，為了確保資料在查詢前處於已聚合的狀態，還需手動下發optimize指令強制聚合過程的執行。同時方便起見，可自行配置週期性optimize指令的下發。例如每10分鐘執行一次optimize指令。optimize的執行週期可在業務的實時性需求與計算資源之間做權衡。如資料量過大，optimize生效慢，可按partition級別並行下發做最佳化。optimize生效後即可實現去重邏輯。
Demoimport java.sql.*;import java.text.ParseException;import java.text.SimpleDateFormat;import java.util.concurrent.TimeoutException;public class Main { private static final String DATE_FORMAT = "yyyy-MM-dd HH:mm:ss"; private static final SimpleDateFormat SIMPLE_DATE_FORMAT = new SimpleDateFormat(DATE_FORMAT); public static void main(String[] args) throws ClassNotFoundException, SQLException, InterruptedException, ParseException { String url = "your url"; String username = "your username"; String password = "your password"; Class.forName("ru.yandex.clickhouse.ClickHouseDriver"); String connectionStr = "jdbc:clickhouse://" + url + ":8123"; try { Connection connection = DriverManager.getConnection(connectionStr, username, password); Statement stmt = connection.createStatement(); // 建立local表 String createLocalTableDDL = "CREATE TABLE IF NOT EXISTS whatever_table ON CLUSTER default " + "(user_id UInt64, " + "city_level SimpleAggregateFunction(anyLast, Nullable(Enum('一線城市' = 0, '二線城市' = 1, '三線城市' = 2, '四線城市' = 3))), " + "gender SimpleAggregateFunction(anyLast, Nullable(Enum('女' = 0, '男' = 1)))," + "interest_sports SimpleAggregateFunction(anyLast, Nullable(Enum('否' = 0, '是' = 1)))," + "reg_date SimpleAggregateFunction(anyLast, Datetime)) " + "comment_like_cnt SimpleAggregateFunction(anyLast, Nullable(UInt32)),\n" + "last30d_share_cnt SimpleAggregateFunction(anyLast, Nullable(UInt32)),\n" + "user_like_consume_trend_type SimpleAggregateFunction(anyLast, Nullable(String)),\n" + "province SimpleAggregateFunction(anyLast, Nullable(String)),\n" + "last_access_version SimpleAggregateFunction(anyLast, Nullable(String)),\n" + "others SimpleAggregateFunction(anyLast, Array(String)),\n" + "ENGINE = AggregatingMergeTree() PARTITION by toYYYYMM(reg_date) ORDER BY user_id;"; stmt.execute(createLocalTableDDL); System.out.println("create local table done."); // 建立distributed表 String createDistributedTableDDL = "CREATE TABLE IF NOT EXISTS whatever_table_dist ON cluster default " + "AS default.whatever_table " + "ENGINE = Distributed(default, default, whatever_table, intHash64(user_id));"; stmt.execute(createDistributedTableDDL); System.out.println("create distributed table done"); // 插入mock資料 String insertSQL = "INSERT INTO whatever_table(\n" + "\tuser_id,\n" + "\tcity_level,\n" + "\tgender,\n" + "\tinterest_sports,\n" + "\treg_date,\n" + "\tcomment_like_cnt,\n" + "\tlast30d_share_cnt,\n" + "\tuser_like_consume_trend_type,\n" + "\tprovince,\n" + "\tlast_access_version,\n" + "\tothers\n" + "\t)SELECT\n" + " number as user_id,\n" + " toUInt32(rand(11)%4) as city_level,\n" + " toUInt32(rand(30)%2) as gender,\n" + " toUInt32(rand(28)%2) as interest_sports,\n" + " (toDateTime('2020-01-01 00:00:00') + rand(1)%(3600*24*30*4)) as reg_date,\n" + " toUInt32(rand(15)%10) as comment_like_cnt,\n" + " toUInt32(rand(16)%10) as last30d_share_cnt,\n" + "randomPrintableASCII(64) as user_like_consume_trend_type,\n" + "randomPrintableASCII(64) as province,\n" + "randomPrintableASCII(64) as last_access_version,\n" + "[randomPrintableASCII(64)] as others\n" + " FROM numbers(100000);\n"; stmt.execute(insertSQL); System.out.println("Mock data and insert done."); System.out.println("Select count(user_id)..."); ResultSet rs = stmt.executeQuery("select count(user_id) from whatever_table_dist"); while (rs.next()) { int count = rs.getInt(1); System.out.println("user_id count: " + count); } // 資料合併 String optimizeSQL = "OPTIMIZE table whatever_table final;"; // 如資料合併時間過長，可在partition級別並行執行 String optimizeByPartitionSQL = "OPTIMIZE table whatever_table PARTITION 202001 final;"; try { stmt.execute(optimizeByPartitionSQL); }catch (SQLTimeoutException e){ // 檢視merge進展 // String checkMergeSQL = "select * from system.merges where database = 'default' and table = 'whatever_table';"; Thread.sleep(60*1000); } // 人群圈選（city_level='一線城市'，gender='男性'，interest_sports='是', reg_date<='2020-01-31 23:59:59'） String selectSQL = "SELECT user_id from whatever_table_dist where city_level=0 and gender=1 and interest_sports=1 and reg_date <= NOW();"; rs = stmt.executeQuery(selectSQL); while (rs.next()) { int user_id = rs.getInt(1); System.out.println("Got suitable user: " + user_id); } } catch (Exception e) { e.printStackTrace(); } }}注：*左右滑動閱覽
#使用者畫像# #營銷技術#