一、概述
埋点采集、用户行为分析、实时数仓、IdMapping
此文重点讲述埋点的数据模型、数据格式、数据实时采集、加工、存储及用户关联。关于用户行为分析的概念、意义以及埋点相关的东西此文不作赘述
二、数据模型
业界比较流行的事件、用户模型；即：
* who: 设备ID、登录ID
* when: 事件发生时间、上报时间
* where: 设备环境、网络环境、业务环境等
* what: 事件标识、事件参数
我们的数据存储也只有events和users两张表
events：不会变的日志表且数据量大；我们用ClickHouse的分布式表存储
users：我们只有几百万用户，且做用户关联时会频繁根据用户id查询、更新，而且做数据分析时要和事件表关联；我们用ClickHouse的mysql Engine存储
events建表语句：
-- 事件local表;按日期周分区
CREATE TABLE analytics.events_replica ON CLUSTER ck_cluster(
`track_id` String COMMENT '埋点',
`event_id` Int64 COMMENT '事件id',
`distinct_id` String COMMENT '设备id/用户中心id',
`user_id` Int64 COMMENT '用户表id',
`type` String COMMENT '埋点类型',
`event` String COMMENT '埋点事件',
`date` Date COMMENT '埋点日期',
`time` DateTime64 ( 3, 'Asia/Shanghai' ) COMMENT '埋点上传时间',
`receive_time` DateTime64 ( 3, 'Asia/Shanghai' ) COMMENT '埋点接受时间',
`day` Int64 COMMENT '埋点距1970/01/01的天数',
`week_id` Int64 COMMENT '埋点距1970/01/01的周数',
`month_id` Int64 COMMENT '埋点距1970/01/01的月数'
其他业务公共字段
所有事件属性
) ENGINE = ReplicatedMergeTree ( '/clickhouse/tables/analytics/events_replica/{shard}', '{replica}' )
PARTITION BY toMonday ( date )
ORDER BY
( track_id ) SETTINGS index_granularity = 8192
-- 事件分布式表
CREATE TABLE analytics.events ON CLUSTER ck_cluster
AS analytics.events_replica ENGINE =Distributed('ck_cluster', 'analytics', 'events_replica', rand())
users建表语句：
-- ClickHouse Mysql Engine表
CREATE TABLE cON CLUSTER ck_cluster
(
`id` Int64 comment '系统用户id',
`first_id` String comment '第一次关联的设备id',
`second_id` String comment '用户中心id',
`$device_id_list` String comment '非第一次关联的设备id集合;逗号分隔'
)
ENGINE = MySQL('host:port', 'database', 'table', 'user', 'password');
-- mysql表
CREATE TABLE `users` (
`id` bigint(32) DEFAULT NULL,
`first_id` varchar(100) DEFAULT NULL,
`second_id` varchar(100) DEFAULT NULL,
`$device_id_list` varchar(500) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COLLATE=utf8_bin;
三、数据格式
1.事件埋点
埋点时机: 行为事件记录
type = track
用户登录前: is_login_id=false, distinct_id=设备id
用户登录后: is_login_id=true, distinct_id=用户id
只能在properties里添加属性
{
"distinct_id": "登录前(设备id)、登录后(用户id)",
"time": "当前时间戳",
"type": "track",
"event": "事件名",
"properties": {
"$is_login_id": true,
"$内置属性名": "内置属性值",
"$自定义属性名": "自定义属性值"
}
}
例子:
{
"distinct_id": "123456",
"time": 1434556935000,
"type": "track",
"event": "ViewProduct",
"properties": {
"$is_login_id": true,
"$app_version": "1.3",
"$wifi": true,
"$ip": "180.79.35.65",
"$province": "湖南",
"$city": "长沙",
"$user_agent": "Mozilla/5.0 (iPhone; CPU iPhone OS 10_3_2 like Mac OS X) AppleWebKit/602.1.50 (KHTML, like Gecko) CriOS/58.0.3029.113 Mobile/14F89 Safari/602.1",
"$screen_width": 320,
"$screen_height": 568,
"product_id": 12345,
"product_name": "苹果",
"product_classify": "水果",
"product_price": 14.0
}
}
2. 用户关联
埋点时机: 用户登录后
type=track_signup; event=$SignUp; distinct_id=用户ID; original_id=设备id
{
"distinct_id":"用户Id",
"original_id":"设备id",
"time": "当前时间戳",
"type": "track_signup",
"event": "$SignUp",
"properties": {
"$内置属性名":"内置属性值"
}
}
例子:
{
"distinct_id":"12345",
"original_id":"2b0a6f51a3cd6775",
"time": 1434557935000,
"type": "track_signup",
"event": "$SignUp",
"properties": {
"$manufacturer":"Apple",
"$model": "iPhone5,2",
"$os":"iOS",
"$os_version":"7.0",
"$app_version":"1.3",
"$wifi":true,
"$ip":"180.79.35.65",
"$province":"湖南",
"$city":"长沙",
"$screen_width":320,
"$screen_height":568
}
}
四、架构图
前后端埋点：分为全埋点和自定义事件埋点；按数据条数和时间间隔批量发送
埋点收集器：一个API接口，通过nginx作负载均衡，接收到埋点后异步写入kafka；业界通用的做法是用nginx接受埋点后直接落盘，然后再通过flume、logstash等日志采集工具采集到kafka。
kafka原始数据：通过flume采集一份到离线数仓
Flink ETL：核心数据处理逻辑
1.动态添加ClickHouse列
2.用户关联
3.数据校验、解析、清洗
批量写入：按数据条数和时间间隔批量写入ClickHouse
五、动态添加ClickHouse列
自定义埋点的事件属性会随着业务增加，事件属性会作为events表的列形成一张宽表，所以采集到事件后，会根据事件的属性实时动态添加events表的字段
events表的列会初始化一份到redis的set里，在Flink ETL里，和埋点属性的集合取差集，并更新redis
需要注意的时：添加列时需要同时添加events的local表和distributed表
六、用户关联(IdMapping)
参考某策的用户关联：标识用户
大概逻辑：
1.根据埋点事件、用户关联事件的设备ID或登录ID去用户表里找到对应的用户ID作为事件表的用户ID
2.定时调度刷新设备多对一的情况
流程图如下(源码见文末)：
七、批量写入
由于jdbc的batchInsert需要sql一样，我们的实时采集事件却有所差别，导致sql不一样；这里我们可以根据sql分组，按一分钟或1000条批量写入即可
八、结束(附用户关联源码)
我基于mysql实现了用户关联的逻辑；可以做到设备多对一，关联登录前后的用户
