数据百问系列：用户画像的数据该怎么存？

0x00 前言

最近又遇到了很多小伙伴在群里问画像数据的存储问题，这里分享一下之前写的一篇文章，给大家参考

现在的用户画像，动不动就是几千几万个标签，标签一多就出现了一些需要克服的难题，比如下面两个：

• 如何解决频繁新增和删除标签的场景

• 如何解决不同标签更新时间和频率不同的问题

0x01 数据模型设计

从个人角度来讲，在大数据领域接触比较多的的存储引擎有这几个：Hive（Hdfs）、Hbase、ES。这也会是我们在选择存储系统中几个主要的备选方案。

优缺点就不再分析了。我们切入正题：数据模型该怎么设计？

一、横表

以Hive为例，我们最常用的就是横表，也就是一个 key，跟上它的所有标签。比如下面是一个简单的横表。

那么用横表有什么问题吗？有的，其实也就是前言里面提到的：

• 由于用户的标签会非常多，而且随着用户画像的深入，会有很多细分领域的标签，这就意味着标签的数量会随时增加，而且可能会很频繁。

• 不同的标签计算频率不同，比如说学历一周计算一次都是可以接收的，但是APP登录活跃情况却可能需要每天都要计算。

• 计算完成时间不同，如果是以横表的形式存储，那么最终需要把各个小表的计算结果合并，此时如果出现了一部分结果早上3点计算完成，一部分要早上10点才能计算完成，那么横表最终的生成时间就要很晚。

• 大量空缺的标签会导致存储稀疏，有一些标签会有很多的缺失，这在用户画像中很常见。

嗯，上述的问题，主要是当标签数量开始快速增多的时候会遇到的问题。标签量少的时候其实是不用担心这些的。

那么这些问题该怎么解决呢？这就是下面要聊得竖表。

二、竖表

竖表长下面这个样子：

这里就不再列举全部内容了，大概介绍一下，竖表其实就是将标签都拆开，一个用户有多少标签，那么在这里面就会有几条数据。

竖表能比较好地解决上面宽表的问题。但是它也会带来了新的问题，比如说多标签组合的查询需求：“我们想看年龄在23-30之间，月薪在10-20k之间，喜欢听古典音乐的女性”，这种多标签查询条件组合情况在竖表中就不太容易支持。

三、横表+竖表

如前面所分析，竖表和横表各有所长和所短，那么能不能两者结合呢？

这其实也要考虑横表和竖表的特性，整体来讲就是竖表对计算层支持的好，横表对查询层支持的好。那么设计的化就可以这样：

简单来讲，就是开发用竖表，应用的时候做一张宽表对外提供。 为什么这么做？

1. 开发标签的同学可能有很多，用竖表的话，每个人的开发不影响其他人

2. 横表对外提供使用会更方便，用起来更爽

3. 在应用层有一个或者多个宽表，可以起到收拢口径的问题，比如整体活跃标签，可能会有很多版本，宽表这个地方可以做一个收拢。

0x02 如何存储？

关于存储，我们以前文说的第三种方案为例。

具体的技术会不停的更新迭代，小伙伴们根据具体情况来选择即可，下面只是简单的参考。

标签的计算我们可以使用Hive、Spark这些计算引擎，这个没什么问题，然后就是这些标签的单独存储可以以Hive为主来存储。

那么在导入标签竖表的时候可以考虑两种存储引擎：Hive（Hdfs）和Hbase，其实笔者更倾向于Hbase，因为如果存在Hbase里的话会更方便查询。顺便再打上一个时间标签，用起来就更方便了。

最后，标签宽表的话可以考虑ES。另外需要注意的就是，从竖表往宽表到数据的时候需要做一层数据的加工，而且考虑到数据稀疏的情况的话，需要在宽表存储这里做一些优化。

0xFF 总结

标签的存储只是很小的一个点，后续要做的东西很多，比如工业化标签的方案，标签的评估标准，如何让标签用起来，都是要持续关注的问题。