探讨：关于用户行为大数据计算

  用户行为类数据的特点在于用户数量庞大，但每个用户的行为数量较小，针对用户行为的计算较为复杂，用户之间的关联计算相对较少。

  用户数量庞大。通话记录中的电话号码、访问日志中的用户编号、账户信息中的银行账户、交易记录中股票账户、保单信息中的被保险人，这些都是用户行为类数据中的用户。用户的数量通常都很庞大，多的可达亿级或更多，少的也有百万级。

  每个用户的行为数量较小。相对于庞大的用户数量，每个用户的行为通常较少。对单个电话号码来说，平均每月的通话记录只有数百条，每年也不超过一万条。即使是网站的活跃用户，他们每天最多也只能产生上百条行为记录，每年不超过十万条。

  用户行为的计算较为复杂。计算用户的两次登录间隔天数、反复购买的商品、累积在线时间，这些都是针对用户行为的计算，通常具有一定的复杂性。

  用户之间的关联计算较少。用户的行为相对独立，一般不需要知道其他用户即可实现计算。相应的，用户之间的关联计算则较少，比如：某人通话记录中接听电话的一方的通话时长;社交网站上某个用户的朋友购买了哪些商品，这些计算存在但不多。

  根据用户行为类大数据的特点不难看出，其最直观最容易写出的算法可以这样设计：每次将某一用户的所有数据一次性加载到内存中来计算，而不要反复访问硬盘读取某个用户的部分数据，也不要将大量用户的数据同时加载到内存中。

  将某一用户的所有数据加载到内存中来计算。这样做是因为用户之间的关联计算少，而单个用户行为的计算较为复杂，计算同一个用户的数据可以让程序员减少不相干数据的干扰。比如计算某用户反复购买的商品。首先，将某用户的数据按商品分组汇总出每件商品的购买次数;再按次数逆序排序;过滤掉只购买了一次的商品，剩下的就是反复购买的商品及购买次数。再比如计算某用户的累积在线时长。该用户会访问多次，每次都会形成一对登录和退出，因此先要过滤出所有的登录和退出记录;再针对每一次访问，用退出时刻减去登录时刻，这就是单次时长;将多个单次时长相加，就是累积时长。

  另外，因为每个用户的行为数量相对较少，完全可以全部加载进内存进行自由灵活的计算。

  不要反复访问硬盘读取用户的部分数据。由于用户的行为计算比较复杂，同一个用户的各条数据之间是存在关联关系的，读取一个用户的部分记录去计算会导致算法难写，而且性能很低。

  不要将大量用户的数据同时加载到内存中。由于用户数量庞大，显然不可能将全部用户的数据一次性加载到内存中来，必须要分批读取。分批的标准上面已经分析出来了：按用户分批。至于用户之间计算结果的合并，可以留到最后一步再做，由于用户之间关联计算少，这个合并非常简单。比如计算所有用户反复购买的商品或累计在线时长，只要计算出每个用户反复购买的商品或累计的在线时长，再将所有用户的计算结果简单合并就可以。另外还可以看出，由于是用户之间的关联少，因此此类算法很适合使用并行计算，即每个节点机分配一定数量的用户，这样既不会增加难度又能大幅提高性能。

  将同一用户的所有数据加载到内存中来计算，这就需要事先将数据按用户分成多个组。比如按零售店会员分组，每个组就是某个会员对应的多条采购记录;或按用户编号分，每个组是某个用户对应的网页访问记录。分组的实质是排序，即将数据按用户排序，使同一个用户的数据挨在一起。可以想象到，对亿级的用户、每用户万级的数据排序将是个非常缓慢的过程。事先排序可以加速分组的过程。

  将数据事先按用户排序，不同的计算目标都使用同样排序好的数据。将排序的时间花在前面而且只花一次，这就可以避免计算时的大排序，参数不同的同一个计算目标也可以重复计算而不必重复排序，不同的计算目标还可以省去相同的排序过程。

  但是，不幸的是，一般的计算工具难以实现上述算法，无法有效利用事先排序的数据。比如SQL(含Hive)和MapRreduce。

  SQL的困难。SQL的集合是无序的，事先按索引重新插入排好序的数据往往不能被优化器正确优化，具有很大的偶然性，无法保证查询时可以按排好的次序查询出需要的数据。

  Hive具有SQL的语法风格，同时也支持并行计算，但它却并不适合用户行为类大数据计算。这是因为用户行为的计算较为复杂，需要窗口函数甚至存储过程来解决，而Hive只支持基本的SQL语法，不支持窗口函数和存储过程。

  用户行为的计算之所以较为复杂，是因为需要对同一个用户的多条数据之间进行计算，这种计算大多和顺序相关。SQL对有序计算的支持有限，只有窗口函数可以实现部分简单的有序计算，但对于复杂的业务逻辑仍然显得非常繁琐，而且经常因为大排序造成低下的性能。使用程序性的存储过程编写复杂代码可以实现复杂的有序计算，但很难复用SQL的集合运算能力，所有处理都有从基础运算自己编写，而且其性能通常比SQL更低。

  MapReduce的困难。MapReduce支持大数据并行计算，同时它是用程序性的JAVA语言来编写的，这一点和存储过程有相似性。但是，MapReduce所使用的 JAVA语言缺乏针对结构数据计算的类库，所有的底层功能都要自己实现：分组、排序、查询、关联等等，对于有序计算这较复杂的算法所要书写的代码更多、编写难度更大、维护更加困难。同样的，MapReduce也无法利用已经排序好的数据，在shuffle阶段还需要得做大排序。

  SQL和MapReduce无法利用事先排序好的数据，难以高性能地将同一用户的所有数据加载到内存中来计算，用户类大数据计算因此会遇到性能、扩展性和开发难度的挑战。

  如何利用事先排序好的数据，以此简化代码书写难度并提高计算性能？

  集算器是支持多节点并行计算的程序设计语言，并提供丰富的有序计算。如果数据事先排好序，集算器支持通过游标来按组读取数据，每次读取一组数据进内存，避免反复的外存访问，整个数据只要遍历一次即可，从而使性能大大提高。针对组内计算复杂，集算器具有完备的批量化数据计算类库，可以轻松实现各类复杂的有序计算。。

  集算器支持灵活自由的多节点并行计算，可以进一步优化性能。方法之一将用户按某种方式分段，以此实现分布存储后的高效并行处理。比如将会员零售数据按照会员编号的前两位分成100段存储于HDFS，每段存储十万会员的一亿条数据。或者将网站日志按照用户ID的首字母和年份分段，每段存储几百万用户的数据。或者将通话记录按照区号和用户数量合并为30段，每段存储一个州或几个州的用户。经过分段处理后，每段数据都是排好序的，可被节点机的一个线程独立处理，这样的并行计算性能更高。

  针对上面的难点，下面用”每个用户在每种产品上的累积在线时间”为例来说明集算器的一般解决办法。

  大分组的困难：事先排序数据，以供多种计算目标使用。在节点机运算时可以直接按用户分组取数，有效利用已经有序的数据以提高性能。

  组内计算复杂：esProc具有完备的批量化数据计算类库，可以轻松实现各类复杂的有序计算。

  完整的代码如下：

  原文链接：//www.36dsj.com/archives/6812