本文根据58同城何良均老师在DataFunTalk数据主题技术沙龙活动“大数据从底层处理到数据驱动业务”中分享的《Bit Map在大数据精准营销中的应用》编辑整理而成，在未改变原意的基础上稍作修改。
今天分享主题分为四个方面，第一个是项目背景，第二个依据项目需求的技术选型，接着就是项目架构，最后讲一下项目实现过程中的一些细节。
我们的数据主要有两种，一种是用户账号数据，数据量有十亿，这些数据包括很多类型，比如uid，用户设备号等。还有就是用户标签数据，也达到千万级，包含数据用的社会属性，比如性别、年龄段等，也包括用户的兴趣爱好以及最近的上网行为标签，其实这类数据就是用户画像。这类数据就对应相应的产品线，如精准营销中有个“易获客”项目，这个项目背景就是客户在页面通过用户标签快速精准匹配用户群体，然后通过短信、电话进行营销。当时有两种部署方式，一种是公司部署一套，客户通过外网访问；另外一种就是有些客户对数据安全性比较高，我们会把服务部署到客户，客户就在页面选择一些标签，点击查询返回满足要求用户信息。
技术选型依据数据特点，数据量大但也不是特别大，有千万级标签+十亿级用户；依据项目需求，需要很多维度，用户标签分布于几百上千个维度，没有度量概念，度量和维度都是olap中的概念。除了数据之外还有产品要求，需要在线应用，性能要求较高，必须做到毫秒级响应；数据量不断增长，必须做到底层数据存储和计算可扩展性以应对数据量的增加；同时希望产品不属于用户方，再出现问题时能够很容易恢复，需要代码可控。
基于这些需求，对开源技术进行相关调研，像Kylin/Druid都是多维分析常见的工具，但是我们并没有使用。这两个框架都会做一些数据预计算/聚合，都能做到亚秒级查询，像Kylin底层是基于HBase可扩展性很强，Druid本身就是一个分布式系统，两个框架都是开源。但是我们选用Bit，因为依据数据需求简单而且Bit只有维度没有度量，还有就是维度个数多，查询是基于用户uid，查询明细数据。在查询明细中Druid有两个问题，如果将uid和维度存储Kylin和Druid，对维度的基数有限制，会构建维度字典，光一个uid就有4G，因此在几百上千维度查询效率会降低；还有一个就是uid用户量大，Kylin和Druid会将uid和其他维度进行组合会出现很多情况，会额外增加数据量，因此这种请款也不适合用Kylin，还有就是Kylin会对维度构建索引，uid索引会很大，查询效率也是很低。基于这些要求还有其他一些技术需求，最终方案是使用HBASE+BitMap的自研框架，HBASE主要做数据存储，将HBASE做处理器做并行计算，BitMap构建索引。
HBASE是由一个active和region master作为服务主节点，有Hfile子节点和多个region server，底层是HDFS层，每一个region server管理很多region，每一个region会根据数据量会有很多Store file，这几者是依靠客户端协调。接着说一下HBASE表分区，HBASE表里面很为很多region，我们一般会设置每个region的最大值达到最大值自动分裂。而每一个region会有管理范围，分区是用region server管理。
HBASE有很多特点，第一个就是海量存储，其底层是基于HDFS，是横向存储，可以加很多节点，支持PB级数据存储；按列存储，将树属性相似的放到列组里面，压缩比比较高；第三个就是极易扩展，分为存储和计算，都是分布式存储和计算；然后高并发，单机读写性能在2w+；第五个就是稀疏，当列中属性为空，不占用存储空间。
前面讲存储是HBASE，计算是HBASE协处理器，HBASE协处理器分为两种，一种是Endpoint，一种是region server。与数据中存储过程和触发器类似，项目用的是Endpoint，类似于数据库中的存储过程。上图左右两边目的相同都是统计表的行数，不用协处理器会直接在命令行中count相关表，从每一个region里面扫描最后得到结果，这种方式耗时很大，由于串行计算，同时会将数据从服务端加载到客户端。Endpoint会以并行方式实现，会将客户端请求发送到所有region上，每个region分担数据量，最后将数据返回协处理器客户端，然后汇总聚合，这样运行速度快很多。速度快一个是并行计算，另一个是将计算的数据移动到服务端，这样数据稳定性高，直接从本地加载数据计算也会减少开销，协处理器返回客户端是数据的数量。
可能你们会对BitMap了解很少，其应用场景比较单一，但是在某些方面效果比较好。BitMap底层实现是一个位数组，位数组的value取值只能是0或1，因为是数组，数组下标是整数范围内的取值，最大为2147483647。上图中长度为10的BitMap，通过BitMap的api进行相关设置，会将对应的下标设置为1，如图中6、3、5、7的下标都设为1。BitMap可以进行布尔计算，可以求交集和求并集，其取值是0或1（或者是或否，出现与不出现），节省存储空间。BitMap的应用一个是数据排序，排序要求数据不能重复。第二个就是Bloom filter，是对应于一组hashmap对应一个BitMap，是牺牲一定错误率来释放存储空间，如在HBASE的索引和爬虫URL判重。但是重点是作为索引，其实它在数据库、搜索引擎和OLAP应用很多。
举一个例子说明下，如上图是一个数据表有四列，下面是一个简单查询，查询有性别和婚姻状况两个维度，性别有两个取值，婚姻状况有三个取值，BitMap首先会在维度里面构建BitMap，第一步如何构建性别的BitMap，对于性别这个列，位图索引形成两个向量，男向量为10100...，向量的每一位表示该行是否是男，如果是则位1，否为0，同理，女向量位01011。第二部构建婚姻状况的BitMap，婚姻状况这一列，位图索引生成三个向量，已婚为11000...，未婚为00100...，离婚为00010...。这样就构建完需要查询的BitMap，首先将性别为男的标签拿出来，然后将婚姻状况为未婚的标签拿出来求交，这样就定为下标为2，就查出满足需要的结果。
BitMap有很多实现方式，构建框架也有很多。最后我们选用Roaring Bitmap，选择的原因在于：我们存储的是整数，将下标标签取值设为1，该框架将整数i的高16位会被用于构造块，存储到keys中，低16位则被看做value，存储到Container[] values中的某个Container中，两个数组通过下标对应。BitMap是分快实现的，有三个特点就是分块存储、压缩、计算，这样在BitMap使用时可以按块解压节省内存空间。但是在计算时必须全部解压。Roaring Bitmap在开源框架里应用很多，如olap中有kylin、Druid、piont等，搜索引擎方面有Lucene、slor、Elasticserach等，还有spark、hive、tez等。也有很多实现语言，比如Java、C、C++、Python等。
前面介绍了项目背景、技术选型，接下来介绍下基于HBASE和BitMap实现的项目框架构建。上图是项目整体架构，因为是用户从页面构建标签，因此从上到下分为几个模块。可视化层，给用户提供页面，选择标签，然后接口层传入标签，提供API服务，将选择标签传入路由层，构建索引服务，在索引服务中会判断是存客营销还是新客营销，页面标签是求交还是求并；然后索引服务将标签部署于服务器的region server上，在存储计算层，通过协处理器存储查询。通过标签和startkey构建rowkey，然后查询数据，在BitMap中进行求交、求并的操作，最后将结果返回给索引服务，索引服务将结果返回前端页面，用户拿到的是匹配到的uid。存储计算层还好，主要发费在数据准备阶段，需要考虑很多东西。数据量大（十亿级标签）并不能直接构建BitMap，需要做这些用户标签做MR生成倒排、uid分桶、gid转id，通过bulkload生成BitMap索引，然后传入region server里面，提供相关服务。
数据准备层完成uid转连续整数id，根据最大id分桶，标签分桶生成Bit Map索引，并序列化后生成HFile，Bulkload Bit Map索引。存储计算层完成Hbase：存储索引数据，Hbase cop：分布式计算，Roaring Bitmap ：索引，布尔计算，求交求并。路由层实现计算请求参数：新客营销、存客营销，将请求通过cop路由到Region Server。接口层完成使用netty构建http服务，接受前端查询请求并解析接口层。可视化层完成标签选择，查询客群，下载客群。
接下来讲一下第四部分实现细节，讲几个关键重点：id分区，分区构建BitMap索引，coprocessor实现。用户有十亿，并不是直接将数据构建BitMap，会对id进行分区，依据分区构建BitMap。将uid进行转义成id，为连续整数，因为BitMap里面是整数。原始表有很多维度，每个维度有很多标签，通过标签求交求并筛选出需要的结果。
Id分区有两个问题，一个是为什么id要分区，第二个是如何进行id分区。首先说第一个，BitMap是依据标签查询的，id不分区，下标很长，十亿标签有100M，不能很好结合hbase协处理器的并行计算能力，查询效率很低；每个标签构建的bitmap索引长度达到10亿级，存储开销大；id不分区，如果id超过了整数最大范围，无法构建bitmap索引。
接下来说一下如何进行id分区，id分区用到协处理器，结合hbase表分区实现。如10亿id，分成200个区，每个区包含500万个id，和hbase表region startkey/endkey进行对应。如和region里面的rowkey，0-500万相当于第一个分区，region分区是和hbase分区结合在一起，因此每个region只包含500万个账号。同时我们指定rowkey范围，不需要hbase表进行分裂，将进行关联hbase表region设置成分区不可分裂，在建表的时候预先建好分区。下面是项目中建立表分区代码事例，将十亿数据分为200个分区：create 'index', {METHOD => 'table_att', METADATA=> {'SPLIT_POLICY' => 'org.apache.hadoop.hbase.regionserver.Disabled Region Split Policy'}},{NAME=>'d',COMPRESSION => 'SNAPPY'}, SPLITS => [‘0005000000’, ‘0010000000’, ‘0015000000’, ‘0020000000’, ‘0025000000’,‘0030000000’, ... ,‘09950000000' , '10000000000']。
建好表后就是如何构建索引，每一个分区对应500万的数据，通过roam构建BitMap时，会输出rowkey和value。将每一个region里面的标签设为key，标签会对应BitMap，region有范围只会生成相应的BitMap。如第一个region，startkey为0，构建的标签为200万，对应的下标是500万，region对应的是500万，存储的是500万-1000万的id，存储时会减去相应范围，因此长度还是固定的。
BitMap有几个特点：每个分区包含部分id，每个分区包含所有标签，Rowkey：startkey_tag，Value：Bit Map索引，Bit Map下标范围[0,500万)。在后续分区可能id很大，但是会startkey和id set设置一定偏移量，保证id取值范围永远是0-500万，避免id过大超出整数取值范围，避免用户量过大超出BitMap索引。如在region3里面构建BitMap的例子，startkey是1500万，每一个标签对应一个索引。
建完索引，接着就是协处理器实现——coprocessor实现，这个其实比较关键，扮演着并行计算的角色。如从很多标签筛选用户，里面可能有很多求交求并关系。协处理器会从客户端通过索引服务解析求交求并的关系，传给region server，传给协处理器的服务端，传入的参数并未发生变化。在region server会自动更新逻辑，会返回匹配到的id。Cop-client会组织标签之间的计算关系，即求交求并关系；将标签关系发送给Cop-server，比如查询select id from table where Dim1=tag1_3 and (Dim3=tag3_1 or Dim3=tag3_2 or Dim3=tag3_3 or …) and … and (Dim..n= tagn_1 or Dim..n=tagn_2 or …) ;用户选择相应维度，返回标签，协处理器客户端会将标签重新组织，变成相关关系tag1_3 and (tag3_1 or tag3_2 or tag3_3 or …) and … and (tagn_1 or tagn_2 or …)，发给协处理器服务端。
上图是协处理器服务端完成的任务，首先拿到客户端返回的参数，主要是标签，第一步通过标签+startkey，构建rowkey，根据rowkey在当前region查询BitMap，然后依据标签间关系，对BitMap求交求并计算；最后返回一个BitMap和startkey返回给协处理器客户端。
客户端拿到服务端返回的startkey和BitMap，可能有很多组，因此获取所有Region执行Cop后返回的startkey和Bit Map，然后在客户端返回匹配到的id，将所有region返回的结果聚合返回给用户。上图是region3的例子，返回startkey加上BitMap取值为1的下标，就得到查询到的id。
——END
閱讀更多 datafuntalk 的文章
