付力力: 基于Impala构建实时用户行为分析引擎

本文来自神策数据联合创始人&首席架构师付力力在 QCon 北京 2017 年全球软件开发者大会上的精彩分享，主题是“基于 Impala 构建实时用户行为分析引擎”。

---

付力力：大家好，今天的主题是“基于 Impala 构建实时用户行为分析引擎”。

我今天的分享共有四部分，第一，简单介绍一下什么是用户行为分析。第二，讲解用户行为分析需求，涉及的整体的架构以及这个架构下的整体数据模型。第三，讲解架构关键点——如何实现实时导入。第四，讲一些针对具体场景的查询性能优化点。

什么是用户行为分析

用户行为五大要素：4W1H

用户行为是非常普遍常见的定义，无非是谁在什么时候干了什么事情。有很多很多的例子，无论是线上 APP 的操作、网页浏览或者是线下购物，都包含了几个要素。首先有参与者，谁是这个中心的主体，这是必须包含的；其次发生的时间、地点、行为的方式、具体做了什么事情，都会构成用户行为的几大要素。

所以用户行为是非常普遍的容易做抽象处理的数据，生产活动会涉及到大量行为数据，这个数据可以被收集并产生很大的价值。从技术的角度讲，它是一种特化的日志数据。

其实大家在不知不觉中已经用到了用户行为数据，可能是做用户分析，产生一些 BI 报表，或者统计 PV、UV。其次是 PM 做产品改进，比如观察产品的用户黏性，或者新功能点给用户带来的影响、核心的交易流程或者注册流程的转化率符不符合预期，这些都与用户行为直接相关，用户行为分析也可以支持商务、市场、销售部门进行业务决策。

用户行为需求：灵活性>及时性>时效性

首先主要总结一下应用的需求特点：

1. 时间轴、大量维度、维度取值分散；

2. 分析灵活性要求高，查询模式变化多；

3. 要求实时响应；

4. 查询频率较低；

5. 灵活性> 及时性 > 时效性。

需求特点非常显著，首先，行为数据有一个最大的特点是时间轴：随着时间不断累计。且维度非常多，因为业务的范围千差万别。另一个特点是灵活性要求非常高，因为什么业务都可以基于用户行为分析来做。另外是行为分析要求及时性。与传统的 BI 报表相比，最大的区别在于用户行为分析需要反复迭代和尝试。最后，行为分析查询频率比较低，不需要它支撑频率较高的业务。

在整体设计目标上，系统的灵活性必须是第一位，其次是及时性，就是能够实时响应分析的需求，让分析人员能够快速迭代，最后是时效性。

如何搭建整体架构及数据模型简介

如何选择合适的查询引擎

现在有非常多的查询引擎，大家支持的特性和业务场景都差万别，我们在选择查询引擎的时候，需要有两个特点，一方面是足够灵活。能够比较完善地支持标准的SQL。另一方面是要足够快。查询引擎只是支持SQL很简单，无非就是速度慢，但有一个很大的问题，不够快的查询引擎，不能实现交互查询，不能满足快速分析迭代的需求。

详细解析 Impala 架构

我们选择 Impala，因为今天的整个架构优化是围绕 Impala 来讲的，所以简单讲一下 Impala 本身有什么特点：

1. 大部分功能特性和 Hive 类似；

2. 基于MPP 的查询引擎；

3. 较低的容错性；

4. 较高的内存需求；

5. 较高的查询效率。

首先，Impala 出现的时间不短，功能特性上和 Hive 比较像，但是它是基于 MPP 的查询引擎，这是和 Hive 比较大的区别。Hive 的查询执行层完全基于如 MapReduce、Spark 的底层的执行引擎，本身并不包含执行层的东西，但是 Impala 是一个含有自己的 MPP 执行层的查询引擎，这是它能实现较快查询的本质原因。第三，容错性较差，Impala 不像MR或 SPARK，故障之后会有自动重试机制。第四，内存需求比较高，绝大部分中间的数据操作都会在内存中完成。第五，查询效率比较高，这是选择它的最大原因。

很多客户会问我们，为什么他们用 Impala 这么慢，这里有很重要的一点，Impala 官方推荐的是与数据节点要同机混部，实际上很多企业没有做到这点。基于 Impala 可以推导出一个非常简单的系统架构，最前端的头像表示用户使用交互界面，之后把前端用户查询的需求转化成 SQL 发给 Impala，左侧是数据采集，会实时写入用户行为表，右侧是查询缓存。

有两个表非常重要：用户行为表和用户表。神策的架构非常简化，因为数据模型简单。我们的数据源多种多样，例如客户端操作、服务端日志、订单数据、注册数据、业务数据、商品的信息、书或漫画的信息，客户通过 SDK 和导入工具可以导入这些数据，最终构建了用户行为表和用户表。概念虽然简单，但是却是架构的核心。首先，简单的模型有助于大大减少 ETL 计算成本和管理数据的成本。其次，在业务上两张表的逻辑便于业务员了解，这点很重要，因为最终的设计还是为业务服务的。

用户行为表就是每一条数据代表一个用户的行为，简单抽象，整个表非常宽，设计物理存储的时候需要考虑这个因素。

用户表相对简单一些，记录了用户当前的状态，可更新。

在物理存储上，神策用 HDFS 存储数据。目录结构按日期做分区，每个分区存 N 个文件，每个文件是 Parquet 的文件。结构虽然简单，但是做分区和文件切割时，保持合理大小，Parquet 的扫描性能才能达到预期效果。以及，我们还会在存储时做一些局部排序。

用 Parquet 格式，是非常主流的做法，但是因为 Parquet 是一个支持批量写入、无法追加的文件格式，所以无法实现实时的数据流。

Kudu 优化查询视图

Kudu 作为新一代面向实时分析的存储引擎：

1. 底层使用类似 Parquet 的存储结构；

2. 支持实时写入、实时更新及随机查询；

3. 扫描性能比 Parquet 略差。

在引入 Kudu 后，架构发生了变化，中间虚线框是用户行为表下的一个 HDFS 文件，上面是 Parquet 文件，实时写入 Kudu 后，有一个第三方模块定时把 Kudu 的数据转化成 Parquet 的数据，存储在 HDFS 上。顶层形式是两张物理的表，一张在 Kudu 一张在 Parquet，在上层构建一个查询试图，这个查询视图有两个优点，1. Kudu 实时的特性，能够达到秒级的实时写入，并发写入量非常可观，很容易达到 3-5 万的写入量；2. 保留了 Parquet 高速扫描的能力。

虽然底层是两张表，但是从上层应用或者系统其他模块看，顶层是一张表。这就是刚才讲的，使用 UNION ALL，能够让数据拷贝零损耗，达到查询上层和底层的视图完全等效。

查询性能优化 Tips

基本查询优化

这个架构为什么能够满足行为分析的查询需求，很重要的是查询优化。

首先要有合理的硬件。我们给客户做系统部署时，都会按照我们的要求做严格的基准测试。CPU 以 16 核为主，正常 IO 的磁盘，不要用性能很差的磁盘或虚拟磁盘，至少要千兆网络，内存要 64G，不要用十台 8G 的的机器充当一台 64G 的机器。

其次，就是写好 SQL。很多查询系统慢的重要原因是 SQL 写的不好。 Impala 有一个缺陷，资源隔离做的不是特别好，写的很烂的 SQL 会导致整个系统资源完全被占满，无法进行其他工作。

我们用三个标准节点做了一些基准测试，在不做任何其它优化的情况下，基本 10 秒内可以完成 10 亿内行为数据的分组聚合。大家如果没有达到这个效果，可能需要反思一下是不是硬件配置有问题，或者是 Parquet 文件大小不合适等前面提过的原因。

后面是一些特定场景下的优化点供大家参考，不一定每人都能用到。

查询抽样

1. 为什么要做抽样：节约成本、提高效率。

2. 查询抽样 vs 采集抽样：

   （1）存储便宜，应该尽量存储最全的数据。

   （2）抽样分析的局限性，例如细分维度的分析。

有一些业务点只有少数用户能触发，采集抽样可能会达不到抽样的结果，偏差很大。

查询抽样的抽样逻辑：首先按照用户抽样，不能随机抽样，必须保证用户行为的完整性，

抽样实现有非常多的方式。

1. 根据用户 ID 的 Hash 值得到抽样编号。

2. Parquet / Kudu 数据按照抽样编号排序。

3. Impala 进行查询扫描时根据需要只扫描需要部分的数据。

实现转化漏斗

漏斗是非常常见的产品应用，可以分析产品各个流程的转化。神策分析可以实现任意定义转化逻辑，任意选择查询时段，得到每个用户精确的转化信息。

计算逻辑

1. 从用户行为表抽取需要的事件数据。

2. 事件数据按照用户 ID 分组，每个分组内按照时间排序，得到用户序列。

3. 进行具体的转化逻辑计算。

实现方式

1. 实现自定义的分析函数（UDAnF），需要对 Impala 进行改造

2. 优化最耗时的步骤：全局排序 -> 预排序 + 归并排序

Join 优化

优化逻辑

1. 使用每天的活跃用户数据构建 Bloom Filter；

2. Join 之前先用 Bloom Filter 对用户表进行过滤；

3. 优化效果：Join 右表的数据量从数亿降到数千万。

总结

综上所述，架构的数据模型非常简化，用户表加用户行为表，这是大前提，基于这个数据模型选择支持 SQL 的通用查询引擎：Impala 和 Kudu，针对应用场景进行针对性的性能优化，最后完成实时用户引擎的构建。