作者：xmxiong，PCG 運營開發(fā)工程師

數(shù)據(jù)倉庫的數(shù)據(jù)統(tǒng)計，可以歸納為三類：增量類、累計類、留存類。而累計類又分為歷史至今的累計與最近一段時間內(nèi)的累計(比如滾動月活躍天，滾動周活躍天，最近 N 天消費情況等)，借助 bitmap 思想統(tǒng)計的模型表可以快速統(tǒng)計最近一段時間內(nèi)的累計類與留存類。

一、背景

數(shù)據(jù)倉庫的數(shù)據(jù)統(tǒng)計，可以歸納為三類：增量類、累計類、留存類。而累計類又分為歷史至今的累計與最近一段時間內(nèi)的累計(比如滾動月活躍天，滾動周活躍天，最近 N 天消費情況等)，借助 bitmap 思想統(tǒng)計的模型表可以快速統(tǒng)計最近一段時間內(nèi)的累計類與留存類。

二、業(yè)務(wù)場景

我們先來看幾個最近一段時間內(nèi)的累計類與留存類的具體業(yè)務(wù)問題，作為做大數(shù)據(jù)的你建議先不要急著往下閱讀，認(rèn)真思考一下你的實現(xiàn)方案：

1.統(tǒng)計最近 30 天用戶的累計活躍天(每個用戶在 30 天里有 N 天使用微視 app，N 為 1-30，然后將月活躍用戶的 N 天加總)？

2.統(tǒng)計最近 7 天的用戶累計使用時長？

3.統(tǒng)計最近 30 天有播放的累計用戶數(shù)？

4.統(tǒng)計最近 30 天活躍用戶有多少在最近 30 天里有連續(xù) 3 天及以上活躍？

5.統(tǒng)計 28 天前活躍用戶的 1、3、7、14、28 天留存率？

三、傳統(tǒng)解決方案

在進入本文真正主題之前，我們先來看看常規(guī)的解決思路：1.統(tǒng)計最近 30 天用戶的累計活躍天？

--用dau表(用戶ID唯一)，取最近30天分區(qū)，sum(活躍日期)。 selectsum(imp_date)?active_datefromweishi_dau_active_tablewhereimp_date>=20200701and?imp_date<=20200730

2.統(tǒng)計最近 7 天的用戶累計使用時長？

--用dau表(用戶ID唯一)，取最近7天分區(qū)，sum(使用時長)。 selectsum(log_time)?log_timefromweishi_dau_active_tablewhereimp_date>=20200701and?imp_date<=20200707

3.統(tǒng)計最近 30 天有播放的累計用戶數(shù)？

--用用戶播放表(用戶ID唯一)，取最近30天分區(qū)，count(distinct if(播放次數(shù)>0,用戶ID,null))。 selectcount(distinct?if(play_vv_begin>0,qimei,null))?play_userfromweishi_play_active_tablewhereimp_date>=20200701and?imp_date<=20200730

4.統(tǒng)計最近 30 天活躍用戶有多少在最近 30 天里有連續(xù) 3 天及以上活躍？

--用dau表(用戶ID唯一)，取最近30天分區(qū)，關(guān)聯(lián)兩次最近30天分區(qū)，關(guān)聯(lián)條件右表分別為imp_date-1，imp_date-2。 selectcount(distinct?a.qimei)?active_numfrom(?selectimp_date,qimeifromweishi_dau_active_tablewhereimp_date>=20200701and?imp_date<=20200730)ajoin?--第一次join，先取出連續(xù)2天的用戶，因為7月1日用戶與7月2號-1天關(guān)聯(lián)得上，表示一個用戶在1號和2號都活躍(?selectdate_sub(imp_date,1)?imp_date,qimeifromweishi_dau_active_tablewhereimp_date>=20200701and?imp_date<=20200730)bona.imp_date=b.imp_dateand?a.qimei=b.qimeijoin?--第二次join，取出連續(xù)3天的用戶，因為第一次join已經(jīng)取出連續(xù)兩天活躍的用戶了，再拿這些7月1日用戶關(guān)聯(lián)7月3日-2天關(guān)聯(lián)得上，表示一個用戶在1號和3號都活躍，結(jié)合第一步j(luò)oin得出用戶至少3天連續(xù)活躍了(?selectdate_sub(imp_date,2)?imp_date,qimeifromweishi_dau_active_tablewhereimp_date>=20200701and?imp_date<=20200730)cona.imp_date=c.imp_dateand?a.qimei=c.qimei

當(dāng)然這里也可以用窗口函數(shù) lead 來實現(xiàn)，通過求每個用戶后 1 條日期與后 2 條日期，再拿這兩個日期分布 datediff 當(dāng)前日期是否為日期相差 1 且相差 2 來判斷是否 3 天以上活躍，但是這個方法也還是避免不了拿 30 天分區(qū)統(tǒng)計，統(tǒng)計更多天連續(xù)活躍時的擴展性不好的情況 5.統(tǒng)計 28 天前活躍用戶的 1、3、7、14、28 天留存率？

--用dau表(用戶ID唯一)，取統(tǒng)計天的活躍用戶 left join 1、3、7、14、28天后的活躍用戶，關(guān)聯(lián)得上則說明對應(yīng)天有留存。 select'20200701'?imp_date,count(distinct?if(date_sub=1,b.qimei,null))/count(distinct?a.qimei)?1d_retain_rate,count(distinct?if(date_sub=3,b.qimei,null))/count(distinct?a.qimei)?3d_retain_rate,count(distinct?if(date_sub=7,b.qimei,null))/count(distinct?a.qimei)?7d_retain_rate,count(distinct?if(date_sub=14,b.qimei,null))/count(distinct?a.qimei)?14d_retain_rate,count(distinct?if(date_sub=28,b.qimei,null))/count(distinct?a.qimei)?28d_retain_ratefromweishi_dau_active_table?partition?(p_20200701)aleft?join(?selectdatediff(imp_date,'20200701')?date_sub,qimeifromweishi_dau_active_tablewheredatediff(imp_date,'20200701')?in?(1,3,7,14,28))bona.qimeib=b.qimei

四、傳統(tǒng)解決方案存在的問題

1.每天大量中間數(shù)據(jù)重復(fù)計算，比如昨天最近 30 天是 8 月 1 日～ 8 月 30 日，今天最近 30 天為 8 月 2 日～ 8 月 31 日，中間 8 月 2 日～ 8 月 30 日就重復(fù)計算了。

2.統(tǒng)計邏輯復(fù)雜，類似業(yè)務(wù)場景 4，困難點在于統(tǒng)計每一天活躍的用戶第二天是否還繼續(xù)活躍。

3.耗費集群資源大，場景 4 和場景 5 都用到了 join 操作，場景 4 還不止一個 join，join 操作涉及 shuffle 操作，shuffle 操作需要大量的網(wǎng)絡(luò) IO 操作，因此在集群中是比較耗性能的，我們應(yīng)該盡量避免執(zhí)行這樣的操作。

4.以上統(tǒng)計邏輯可擴展性差，由于數(shù)據(jù)分析經(jīng)常進行探索性分析，上面?zhèn)鹘y(tǒng)方案能解決上面幾個問題，但是數(shù)據(jù)分析稍微改變一下需求，就得重新開發(fā)，例如增加一個 15 天留存，或者統(tǒng)計最近 2 周的活躍天等。

五、bitmap 原理

上面的業(yè)務(wù)場景能否在一個模型表很簡單就能統(tǒng)計出，且不需要數(shù)據(jù)重復(fù)計算，也不需要 join 操作，還能滿足數(shù)據(jù)分析更多指標(biāo)探索分析呢？答案是肯定的，可以借助 bitmap 思想。

何為 bitmap？bitmap 就是用一個 bit 位來標(biāo)記某個元素，而數(shù)組下標(biāo)是該元素，該元素是否存在時用 bit 位的 1,0 表示。比如 10 億個 int 類型的數(shù)，如果用 int 數(shù)組存儲的話，那么需要大約 4G 內(nèi)存，當(dāng)我們用 int 類型來模擬 bitmap 時，一個 int 4 個字節(jié)共 4*8 = 32 位，可以表示 32 個數(shù)，原來 10 億個 int 類型的數(shù)用 bitmap 只需要 4GB / 32 = 128 MB 的內(nèi)存。

六、具體實現(xiàn)過程

大數(shù)據(jù)開發(fā)參考 bitmap 思想，就是參考其通過數(shù)組下標(biāo)表示該元素的思想，將最近 31 天活躍用戶是否活躍用逗號分隔的 0 1 串存儲下來，將最近 31 天的播放 vv、贊轉(zhuǎn)評等消費數(shù)也用逗號分隔的具體數(shù)值存儲下來，形成一個字符數(shù)組，數(shù)組每一個下標(biāo)表示距離最新一天數(shù)據(jù)的天數(shù)差值，第一位下標(biāo)為 0，表示距離今天最新一天數(shù)據(jù)間隔為 0 天，如下所示：

active_date_set 表示 31 天活躍集，0 表示對應(yīng)下標(biāo)（距離今天的 N 天前）不活躍，1 表示活躍；這個數(shù)據(jù)是 8 月 23 日統(tǒng)計的，1,0,0,1,…… 即用戶在 8 月 23 日，8 月 20 日有活躍，8 月 22 日，8 月 21 日并沒有活躍。play_vv_begin_set 表示 31 天播放 vv 集，0 表示對應(yīng)下標(biāo)（距離今天的 N 天前）沒有播放視頻，正整數(shù)表示當(dāng)天的播放視頻次數(shù)；這里用戶雖然在 8 月 23 日，8 月 20 日有活躍，但是該用戶一天只播放了一次視頻就離開微視了。這樣做的好處一方面也是大大壓縮了存儲，極端狀態(tài)下用戶 31 天都來，那么就可以將 31 行記錄壓縮在一行存儲。

假如 1 天活躍用戶 1 億，且這些用戶 31 天都活躍，那么就可以將 31 億行記錄壓縮在 1 億行里，當(dāng)然實際不會出現(xiàn)這樣的情況，因為會有一部分老用戶流失，一部分新用戶加入，按照目前微視的統(tǒng)計可以節(jié)省 80%多的存儲；另一方面可以更簡單快捷地統(tǒng)計每個用戶最近一個月在微視的活躍與播放、消費(贊轉(zhuǎn)評)等情況。

該模型表的詳細(xì)實現(xiàn)過程如下：?

1.該模型表的前 31 天需要初始化一個集合，將第一天的數(shù)據(jù)寫到該表，然后一天一天滾動壘起來，累計 31 天之后就得到這個可用的集合表了，也就可以例行化跑下去。

2.最新一天需要統(tǒng)計時，需要拿前一天的集合表，剔除掉相對今天來說第 31 天前的數(shù)據(jù)，然后每個集合字段將最后一位刪除掉 。

3.拿最新一天的增量數(shù)據(jù)（下面用 A 表替代） full?join 第 2 步處理后的前一天表（下面用 B 表替代）關(guān)聯(lián)。

這里有三種情況需要處理：

a.既出現(xiàn)在 A 表，也出現(xiàn)在 B 表，這種情況，只需直接拼接 A 表的最新值與 B 表的數(shù)組集即可（在微視里就是最近 30 天用戶有活躍，且在最新一天有留存）；

b.只出現(xiàn)在 B 表（在微視里是最近 30 天活躍的用戶在最新一天沒留存），這時需要拿 “0,” 拼接一個 B 表的數(shù)組集，“0,” 放在第一位；

c.只出現(xiàn)在 A 表（在微視里是新用戶或者 31 天前活躍的回流用戶），這時需要拿 “1,”拼接一個 30 位長的默認(rèn)數(shù)組集 “0,0,0,…,0,0” ，“1,” 放在第一位。經(jīng)過如此幾步，就可以生成最新一天的集合表了，具體脫敏代碼如下：

select20200823?imp_date,nvl(a.qimei,b.qimei)?qimei,casewhen?a.qimei=b.qimei?then?concat(b.active_date_set,',',a.active_date_set)when?b.qimei?is?null?then?concat('0,',a.active_date_set)when?a.qimei?is?null?then?concat(b.active_date_set,',0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0')end?active_date_set,casewhen?a.qimei=b.qimei?then?concat(b.log_num_set,',',a.log_num_set)when?b.qimei?is?null?then?concat('0,',a.log_num_set)when?a.qimei?is?null?then?concat(b.log_num_set,',0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0')end?log_num_set,casewhen?a.qimei=b.qimei?then?concat(b.log_time_set,',',a.log_time_set)when?b.qimei?is?null?then?concat('0,',a.log_time_set)when?a.qimei?is?null?then?concat(b.log_time_set,',0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0')end?log_time_set,casewhen?a.qimei=b.qimei?then?concat(b.play_vv_begin_set,',',a.play_vv_begin_set)when?b.qimei?is?null?then?concat('0,',a.play_vv_begin_set)when?a.qimei?is?null?then?concat(b.play_vv_begin_set,',0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0')end?play_vv_begin_setfrom(?selectqimei,substr(active_date_set,1,instr(active_date_set,',',1,30)-1)?active_date_set,substr(log_num_set,1,instr(log_num_set,',',1,30)-1)?log_num_set,substr(log_time_set,1,instr(log_time_set,',',1,30)-1)?log_time_set,substr(play_vv_begin_set,1,instr(play_vv_begin_set,',',1,30)-1)?play_vv_begin_setfromweishi_31d_active_set_table?partition(p_20200822)awherelast_time>=20200723)afull?join(?selectqimei,'1'?active_date_set,cast(log_num?as?string)?log_num_set,cast(log_time?as?string)?log_time_set,cast(play_vv_begin?as?string)?play_vv_begin_setfromweishi_dau_active_table?partition(p_20200823)a)bona.qimei=b.qimei

初始化集合代碼相對簡單，只需保留第一位為實際數(shù)值，然后拼接一個 30 位的默認(rèn)值 0 串，初始化脫敏代碼如下：

select20200823?imp_date,qimei,'1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0'?active_date_set,concat(cast(log_num?as?string),',0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0')?log_num_set,concat(cast(log_time?as?string),',0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0')?log_time_set,concat(cast(play_vv_begin?as?string),',0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0')?play_vv_begin_setfromweishi_dau_active_table?partition(p_20200823)a

七、具體使用案例

在 hive 里對這些 0 1 集合串的使用是比較困難的，為了讓這個模型表的可用性更高，因此寫了幾個 UDF 函數(shù)來直接對數(shù)組集合進行簡單地運算，目前寫了如下幾個：str_sum()、str_count()、str_min()、str_max()，其中 str_sum、str_min、str_max 這幾個函數(shù)的參數(shù)一樣，第一個傳入一個數(shù)組集合字符串，第二位傳入一個整數(shù)，代表要計算最近 N 天的結(jié)果，第三個參數(shù)是傳入一個分隔符，在本模型里分隔符均為逗號“,”。

這幾個函數(shù)都是返回一個 int 值，str_sum 返回來的是最近 N 天的數(shù)值加總，str_min 返回該數(shù)組集合元素里最小的值，str_max 返回該數(shù)組集合元素里最大的值；str_count 前 3 個參數(shù)與前面三個函數(shù)一樣，第 4 個參數(shù)是傳入要統(tǒng)計的值，返回來的也是 int 值，返回傳入的統(tǒng)計值在數(shù)組集合出現(xiàn)的次數(shù)，具體使用方法如下，由于是自定義函數(shù)，在 tdw 集群跑的 sql 前面需加@pyspark：

以上函數(shù)的具體使用案例脫敏代碼如下：

@pysparkselectqimei,str_sum(active_date_set,30,',')?active_date_num??--每個用戶最近30天活躍天數(shù),str_sum(play_vv_begin_set,30,',')?play_vv_begin??--每個用戶最近30天播放視頻次數(shù),30?-?str_count(interact_num_set,30,',','0')?interact_date_num??--每個用戶最近30天有互動的天數(shù)，通過?30?-?互動天數(shù)為0?統(tǒng)計得到fromweishi_31d_active_set_table?partition(p_20200823)awherelast_time>20200724

當(dāng)然除了上面幾種 udf 統(tǒng)計所需指標(biāo)之外，也可以通過正則表達(dá)式進行使用，比如統(tǒng)計活躍天可以這樣統(tǒng)計：

--將數(shù)組集合里的'0'和','用正則表達(dá)式匹配去掉再來看剩下1的個數(shù)即可。 selectcount(qimei)?--月活,sum(length(regexp_replace(substr(active_date_set,1,60),'0|,','')))?active_date_num??--月活躍天fromweishi_31d_active_set_table?partition(p_20200823)awherelast_time>20200724

開篇前的幾個業(yè)務(wù)場景，也可以通過該表快速統(tǒng)計：1.統(tǒng)計最近 30 天用戶的累計活躍天？

@pyspark selectsum(active_date_num)?active_date_num??--滾動月活躍天,count(1)?uv??--滾動月活from(?selectqimei,str_sum(active_date_set,30,',')?active_date_numfromweishi_31d_active_set_table?partition(p_20200823)awherelast_time>20200724)a

2.統(tǒng)計最近 7 天的用戶累計使用時長？

@pyspark selectsum(log_time)?log_time??--滾動周活躍天,count(1)?uv??--滾動周活from(?selectqimei,str_sum(log_time_set,7,',')?log_timefromweishi_31d_active_set_table?partition(p_20200823)awherelast_time>20200817)a

3.統(tǒng)計最近 30 天有播放的累計用戶數(shù)？

@pyspark selectcount(1)?uv??--播放次數(shù)>0from(?selectqimei,str_sum(play_vv_begin_set,30,',','0')?play_vv_beginfromweishi_31d_active_set_table?partition(p_20200823)awherelast_time>20200724)awhereplay_vv_begin>0

4.統(tǒng)計最近 30 天活躍用戶有多少在最近 30 天里有連續(xù) 3 天及以上活躍？

--只是判斷活躍集合里面有連續(xù)3位?1,1,1,?即可selectcount(if(substr(active_date_set,1,60)?like?'%1,1,1,%',qimei,null))?active_date_numfromweishi_31d_active_set_table?partition(p_20200823)awherelast_time>20200724

5.統(tǒng)計 28 天前活躍用戶的 1、3、7、14、28 天留存率？

--不需要join操作，只需找到活躍日期集對應(yīng)位是否1即可select'20200723'?imp_date,count(if(split(active_date_set,',')['29']='1',qimei,null))/count(1)?1d_retain_rate,count(if(split(active_date_set,',')['27']='1',qimei,null))/count(1)?3d_retain_rate,count(if(split(active_date_set,',')['23']='1',qimei,null))/count(1)?7d_retain_rate,count(if(split(active_date_set,',')['16']='1',qimei,null))/count(1)?14d_retain_rate,count(if(split(active_date_set,',')['2']='1',qimei,null))/count(1)?28d_retain_ratefromweishi_31d_active_set_table?partition(p_20200823)awherelast_time>20200723and?split(active_date_set,',')['30']='1'

八、總結(jié)

從上面 5 個業(yè)務(wù)場景可以看出來，只要有這樣一個借助 bitmap 思想統(tǒng)計的模型表，不管統(tǒng)計最近一段時間的累計(月活躍天、月播放用戶等)與統(tǒng)計 1 個月內(nèi)的留存，都可以一條簡單語句即可統(tǒng)計，不需要 join 操作，每天例行化跑時不需要重復(fù)跑接近一個月的分區(qū)，1 個月內(nèi)可以支持任意統(tǒng)計，比如只需最近 2 周的活躍天等，因此這樣的模型相對通用，另外如果業(yè)務(wù)需要用到 2 個月的數(shù)據(jù)，也可以將模型從 31 位擴展到 61 位。

當(dāng)然任何事情不可能只有優(yōu)點，而不存在缺點的情況，這里這個優(yōu)化的模型只是參考了 bitmap 思想，并不是 bitmap 方案實現(xiàn)，雖然可以將 31 天活躍用戶壓縮 80%多存儲，但是每天都存儲 31 天活躍用戶的壓縮數(shù)據(jù)，因此相比之前只保留天增量表來說，還是增加了實際存儲空間，但是這個以存儲換計算的方案是符合數(shù)倉設(shè)計原則的，因為計算是用成本昂貴的 cpu 和內(nèi)存資源，存儲是用成本低廉的磁盤資源，因此有涉及最近 N 天累計或者留存計算需求的朋友可以借鑒這樣的思路。

總結(jié)

以上是生活随笔為你收集整理的高效大数据开发之 bitmap 思想的应用的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。