什麼是人群圈選
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（如互聯網、遊戲、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徵，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。
• 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採集，打標，清洗後如下表：
（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，其他列均為標籤列。）
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，一線城市用戶相比於二三線城市用戶，可能更傾向於消費高端產品。
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：
• 用戶標籤多、標籤豐富，標籤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，存儲空間佔用極大。
• 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。
為什麼選擇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，可以完成各種複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字段用於控制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字段對存儲佔用量大且關閉_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複雜的，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。因此對於新增數據，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格式複雜。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。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，會自動優化形成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優化，掃描的數據量更小，性能也較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的範疇中，它並不支持裸的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複雜，總結其精髓描述如下：先查找到需要update的數據所在datapart，之後對整個datapart做掃描，更新需要變更的數據，然後再將數據重新落盤生成新的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的數據，
如對錶中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錯亂冗餘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，讓後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）外的其餘列，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後一次的更新數據。
數據一致性保證
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數，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數據的聚合狀態與進度。因此，為了確保數據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。如數據量過大，optimize生效慢，可按partition級別並行下發做優化。optimize生效後即可實現去重邏輯。
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);
}
// 數據合併
String optimizeSQL = "OPTIMIZE table whatever_table final;";
// 如數據合併時間過長，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){
// 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();
}
}
}寫在最後
阿里雲已經推出了ClickHouse的雲託管產品，產品首頁地址：雲數據庫ClickHouse，歡迎大家試用，對Clickhouse感興趣的也可加入Clickhouse技術交流群。