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：1. -- 事件local表;按日期周分区

2. CREATE TABLE analytics.events_replica ON CLUSTER ck_cluster(

3. `track_id` String COMMENT '埋点',

4. `event_id` Int64 COMMENT '事件id',

5. `distinct_id` String COMMENT '设备id/用户中心id',

6. `user_id` Int64 COMMENT '用户表id',

7. `type` String COMMENT '埋点类型',

8. `event` String COMMENT '埋点事件',

9. `date` Date COMMENT '埋点日期',

10. `time` DateTime64 ( 3, 'Asia/Shanghai' ) COMMENT '埋点上传时间',

11. `receive_time` DateTime64 ( 3, 'Asia/Shanghai' ) COMMENT '埋点接受时间',

12. `day` Int64 COMMENT '埋点距1970/01/01的天数',

13. `week_id` Int64 COMMENT '埋点距1970/01/01的周数',

14. `month_id` Int64 COMMENT '埋点距1970/01/01的月数'

15. 其他业务公共字段

16. 所有事件属性

18. ) ENGINE = ReplicatedMergeTree ( '/clickhouse/tables/analytics/events_replica/{shard}', '{replica}' )

19. PARTITION BY toMonday ( date )

20. ORDER BY

21. ( track_id ) SETTINGS index_granularity = 8192

23. -- 事件分布式表

24. CREATE TABLE analytics.events ON CLUSTER ck_cluster

25. AS analytics.events_replica ENGINE =Distributed('ck_cluster', 'analytics', 'events_replica', rand())

users建表语句：1. -- ClickHouse Mysql Engine表

2. CREATE TABLE cON CLUSTER ck_cluster

3. (

4. `id` Int64 comment '系统用户id',

5. `first_id` String comment '第一次关联的设备id',

6. `second_id` String comment '用户中心id',

7. `$device_id_list` String comment '非第一次关联的设备id集合;逗号分隔'

8. )

9. ENGINE = MySQL('host:port', 'database', 'table', 'user', 'password');

11. -- mysql表

12. CREATE TABLE `users` (

13. `id` bigint(32) DEFAULT NULL,

14. `first_id` varchar(100) DEFAULT NULL,

15. `second_id` varchar(100) DEFAULT NULL,

16. `$device_id_list` varchar(500) DEFAULT NULL

17. ) 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