當前位置：首頁 >

ClickHouse：人群圈选业务的大杀器

發布時間：2024/9/3 51 豆豆

生活随笔收集整理的這篇文章主要介紹了 ClickHouse：人群圈选业务的大杀器小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

簡介：隨著數據時代的發展，各行各業數據平臺的體量越來越大，用戶個性化運營的訴求也越來越突出，用戶標簽系統，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（如互聯網、游戲、教育等）都有實時精準營銷的需求。針對復雜條件過濾的場景，ClickHouse對多條件篩選流程做出優化，掃描的數據量更小，性能也較ES而言更高效。

什么是人群圈選

隨著數據時代的發展，各行各業數據平臺的體量越來越大，用戶個性化運營的訴求也越來越突出，用戶標簽系統，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（如互聯網、游戲、教育等）都有實時精準營銷的需求。通過系統生成用戶畫像，在營銷時通過條件組合篩選用戶，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征，圈選出一批目標用戶進行廣告推送或進行活動條件的判斷。
? 游戲行業中，商家需要根據玩家的某些特征進行圈選，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征，推送有針對性的習題，幫助學生查缺補漏。
? 搜索、門戶、視頻網站等業務中，根據用戶的關注熱點，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信息采集，打標，清洗后如下表：

（以上表結構中，第一列為用戶身份的唯一標識，往往作為主鍵，其他列均為標簽列。）
如公司想推出一款高端男性運動產品，則可能的圈選條件為：
1.男性，推出產品的受眾群體為男性。
2.運動愛好者，運動愛好者更有可能消費運動類產品。
3.一線城市，一線城市用戶相比于二三線城市用戶，可能更傾向于消費高端產品。
4....
從上述表結構（人群圈選典型表結構，且大都如此，第一列為用戶id，其余皆為標簽列）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：
? 用戶標簽多、標簽豐富，標簽列可達成百甚至上千列。
? 數據量龐大，用戶數多，從而所需運算量也極大。
? 圈選條件組合多樣化，沒有固定索引可以優化，存儲空間占用極大。
? 性能要求高，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。
? 數據更新時效要求高，用戶畫像要求近實時的更新，過期的人群信息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。

為什么選擇ClickHouse

本文以開ElasticSearch（ES）為例，僅針對人群圈選場景與ClickHouse做對比。開源版ES是一款高效的搜索分析引擎，利用其優秀的索引技術，可以完成各種復雜的條件組合和數據聚合運算。ClickHouse是最近比較火的一款開源列式存儲分析型數據庫，它最核心的特點就是極致存儲壓縮率和查詢性能，尤其擅長單個大寬表的查詢場景。因此細比兩者，相較與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的底層存儲使用lucene，主要包含行存儲（storefiled），列存儲（docvalues）和倒排索引(invertindex)。行存中_source字段用于控制doc原始數據的存儲。在寫入數據時，ES把doc原始數據的整個json結構體當做一個string，存儲為_source字段，因此_source字段對存儲占用量大且關閉_source將不支持update操作。同時，索引也是ES不可缺少的一部分，ES默認全列索引，雖可手動設置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，選取標簽過濾條件是任意的，多樣的，不斷變化的。對任意一條標簽列不做索引都是不現實的，因此針對成百上千列的大寬表，全列索引必然使得存儲成本翻倍。

ClickHouse是一款徹底的列式存儲數據庫，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文件。同時ClickHouse存儲數據的副本數量靈活可配，可將使用成本降至最低。

數據更新與治理方面：

索引為ES帶來了高效的查詢性能，但是索引的構造過程是復雜的，耗時的。每一次索引的構建都需對全列數據進行掃描，排序來生成索引文件。而在人群圈選業務中，人群信息必然是不斷增長的。標簽的不斷更新將會使得ES不得不頻繁的重構索引，這將對ES的性能造成巨大的開銷。

ClickHouse的查詢不依賴索引，使用過程中也不強制構建索引。因此對于新增數據，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支持，查詢請求的json格式復雜。同時ES對多條件過濾聚合的執行策略缺少優化，還以文章開頭的典型場景為例，圈出一款高端男性運動產品的受眾人群?？傻萌缦聅ql：“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個標簽分別做3次索引掃描，之后再將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采用標準sql，語法簡單且功能強大。在執行where語句時，會自動優化形成prewhere分層執行，因此二次掃描將基于一次掃描的結果進行，執行流程如下圖所示：

顯而易見，針對復雜條件過濾的場景，ClickHouse對多條件篩選流程做出優化，掃描的數據量更小，性能也較ES而言更高效。

如何基于ClickHouse搭建人群圈選系統：

對比選型完成后，接下來講解如何基于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數據庫能力的要求如下：
1.具備高效的批量數據導入性能。
2.具備處理頻繁，實時update的能力。
3.具備加列/減列的DDL能力。
4.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？

insert代替update

首先要解決的是ClickHouse的異步update機制。ClickHouse對update的執行是低效的，ClickHouse內核中的MergeTree存儲一旦生成一個Data Part，這個Data Part就不可再更改了。所以從MergeTree存儲內核層面，ClickHouse就不擅長做數據更新刪除操作。ClickHouse的語法把Update操作也加入到了Alter Table的范疇中，它并不支持裸的Update操作。
ALTER TABLE [db.]table UPDATE column1 = expr1 [, ...] WHERE filter_expr;

當用戶執行一個如上的Update操作獲得返回時，ClickHouse內核其實只做了兩件事情：
1.檢查Update操作是否合法；
2.保存Update命令到存儲文件中，喚醒一個異步處理merge和mutation的工作線程；異步線程的工作流程極其復雜，總結其精髓描述如下：先查找到需要update的數據所在datapart，之后對整個datapart做掃描，更新需要變更的數據，然后再將數據重新落盤生成新的datapart，最后用新的datapart做替代并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指令對于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更新標簽時，就重新插入一條該user的數據，
如對表中07號用戶進行數據更新：

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錯亂冗余的信息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，讓后insert進來的數據覆蓋掉已有的數據，實現update的效果。

選用AggregatingMergeTree表引擎

MergeTree是ClickHouse中最重要，最核心的存儲內核，MergeTree思想上與LSM-Tree相似，其實現原理復雜，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可實現的數據聚合效果。AggregatingMergeTree繼承自 MergeTree，存儲上和基礎的MergeTree其實沒有任何差異，而是在數據Merge的過程中加入了“額外的合并邏輯”, AggregatingMergeTree 會將相同主鍵的所有行（在一個數據片段內）替換為單個存儲一系列聚合函數狀態的行。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;

就以上建標語句展開分析，AggregatingMergeTree會將除主鍵（user）外的其余列，配合anyLast函數，替換每行數據為一種預聚合狀態。其中anyLast聚合函數聲明聚合策略為保留最后一次的更新數據。

數據一致性保證

上一部分講述了如何針對人群圈選場景選擇表引擎和聚合函數，但是AggregatingMergeTree并不能保證任何時候的查詢都是聚合過后的結果，并且也沒有提供標志位用于查詢數據的聚合狀態與進度。因此，為了確保數據在查詢前處于已聚合的狀態，還需手動下發optimize指令強制聚合過程的執行。同時方便起見，可自行配置周期性optimize指令的下發。例如每10分鐘執行一次optimize指令。optimize的執行周期可在業務的實時性需求與計算資源之間做權衡。如數據量過大，optimize生效慢，可按partition級別并行下發做優化。optimize生效后即可實現去重邏輯。

Demo：

import 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();// 創建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.");// 創建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數據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);}// 數據合并String optimizeSQL = "OPTIMIZE table whatever_table final;";// 如數據合并時間過長，可在partition級別并行執行String optimizeByPartitionSQL = "OPTIMIZE table whatever_table PARTITION 202001 final;";try {stmt.execute(optimizeByPartitionSQL);}catch (SQLTimeoutException e){// 查看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();}} }

寫在最后

阿里云已經推出了ClickHouse的云托管產品，產品首頁地址：云數據庫ClickHouse，歡迎大家試用，對Clickhouse感興趣的也可加入Clickhouse技術交流群。

原文鏈接：https://developer.aliyun.com/article/781084?

總結

以上是生活随笔為你收集整理的ClickHouse：人群圈选业务的大杀器的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇：如何跑通第一个 DataStream 作
下一篇：如何将实时计算 Flink 与自身环境打