Clickhouse bitmap实现标签筛选功能

背景

公司某项目为了精细化运营及提升运营日常数据分析效率，需要给数据做更精细的标注。首先运营会给渠道打上各种标签，标签由运营自定义，没有限制，例如：男频、都市、玄幻等。然后运营根据标签组合筛选某个周期内数据，大多数情况下，周期都会在1个月以内，我们单日数据50w左右，所以该功能需要支持2000w、数据的快速查询。综上所述，该功能主要具备以下特点

渠道标签多、标签丰富，条件组合多样化
数据量较大，单次查询数据量2000w
要求及时响应，过长的延时影响效率
标签更新及时

根据上述特点，mysql明显就不符合我们的需求了，因此我们探索了如何使用clickhouse bitmap实现该功能。以下是对实现过程以及性能测试的详细介绍。

核心逻辑

使用groupBitmapState函数生成bitmap
使用groupBitmapAndState/groupBitmapOrState查询标签交集、并集渠道ID（并集用And，交集用Or）
使用bitmapToArray将bitmap结果转为Array
使用arrayJoin将第3步的结果行转列

实现

数据库配置

阿里云s4规格单副本实例（4核16G）

表结构

首先我们创建一张渠道表做为基础表。并准备2000w的测试数据，id从0自增到2000w。

CREATE TABLE channel (
 `id` UInt64,
 `channel_name` String
) ENGINE = MergeTree() ORDER BY id SETTINGS index_granularity = 8192;

然后我们再创建一张渠道标签表，用与存放渠道标签数据。

CREATE TABLE channel_tag (
 `tag_name` String,
 `channel_id` UInt64
) ENGINE = MergeTree() PARTITION BY tag_name ORDER BY channel_id SETTINGS index_granularity = 8192;

然后为渠道分别打了五个标签用于测试，渠道标签数据总量3100w（搞笑100w+冒险200w+修仙300w+玄幻500w+男频1000w+女频1000w）。

标签	搞笑	冒险	修仙	玄幻	男频	女频
对应数据ID	id<=100w	id<=200w	id<=300w	id<=500w	id<=1000w	id >1000w

准备好渠道以及渠道标签表后，我们还需要创建一张渠道标签bitmap表，用于存放渠道id bitmap。channel_ids使用AggregateFunction聚合函数，用于保证查询的实时性。

CREATE TABLE channel_tag_bitmap (
 `tag_name` String,
 `channel_ids` AggregateFunction(groupBitmap, UInt64) COMMENT '渠道ID'
) ENGINE = AggregatingMergeTree() PARTITION BY tag_name ORDER BY tag_name SETTINGS index_granularity = 8192;

现在渠道标签表、bitmap表都创建好了，生成bitmap数据则需要借助下面sql。（生成bitmap的两种方式：使用聚合函数groupBitmap构造、使用整形数组转换）。

INSERT INTO channel_tag_bitmap 
  SELECT 
    tag_name ,
    groupBitmapState(channel_id) channel_ids 
  FROM channel_tag 
  GROUP BY tag_name;

我们一共拥有3100w的标签，生成bitmap仅需548ms，效率非常高。如果需要重新生成bitmap，只需重复执行上述sql即可。

如何查询

走到这一步基础数据都已经生成了，接下来要做的就是查询数据了。第一步我们要考虑的就是如何取bitmap的交集或者并集。这里需要使用groupBitmapAndState或者groupBitmapOrState函数（交集用And，并集用Or）。下面我们以取搞笑、冒险两个的交集做为示例

SELECT groupBitmapAndState(channel_ids) FROM channel_tag_bitmap WHERE tag_name in ('搞笑', '冒险')

上面SQL返回的是二进制数据乱码，并不能直接为我们所用，接下来我们需要使用bitmapToArray函数将二进制数据转换为数组

SELECT 
  bitmapToArray(
    groupBitmapAndState(channel_ids)
  ) 
FROM channel_tag_bitmap WHERE tag_name in ('搞笑', '冒险')

到这里数据库返回的内容我们已经能看懂了，为了能将id结果集做为子查询条件，我们还需要借助arrayJoin函数，将数据转换为行

SELECT 
  arrayJoin(
    bitmapToArray(
      groupBitmapAndState(channel_ids)
    )
  )
FROM channel_tag_bitmap WHERE tag_name in ('搞笑', '冒险')

到这里我们的标签筛选工作就完成了，下面只需将上述结果带入查询即可（为了使sql看起来更清晰，我们使用WITH语法演示，效果与上述语句相同）

SELECT * FROM channel WHERE id IN (
  WITH(
    SELECT groupBitmapAndState(channel_ids) FROM channel_tag_bitmap WHERE tag_name in ('搞笑', '冒险')
  ) AS arr
  SELECT arrayJoin(bitmapToArray(arr)) LIMIT 2000
)

性能测试

实验一：查询搞笑、冒险标签并集（300w标签并集，结果集：100w）。

SELECT * FROM channel WHERE id IN (
  WITH(
    SELECT groupBitmapAndState(channel_ids) FROM channel_tag_bitmap WHERE tag_name in ('搞笑', '冒险')
  ) AS arr
  SELECT arrayJoin(bitmapToArray(arr)) LIMIT 2000
)

实验二：查询搞笑、冒险、修仙标签并集（600w标签并集，结果集：100w）。

SELECT * FROM channel WHERE id IN (
  WITH(
    SELECT groupBitmapAndState(channel_ids) FROM channel_tag_bitmap WHERE tag_name in ('搞笑', '冒险', '修仙')
  ) AS arr
  SELECT arrayJoin(bitmapToArray(arr)) LIMIT 2000
)

实验三：查询搞笑、冒险、修仙标签并集（600w标签交集，结果集：600w）。

SELECT * FROM channel WHERE id IN (
  WITH(
    SELECT groupBitmapOrState(channel_ids) FROM channel_tag_bitmap WHERE tag_name in ('搞笑', '冒险', '修仙')
  ) AS arr
  SELECT arrayJoin(bitmapToArray(arr)) LIMIT 2000
)

实验四：查询所有标签的并集（3100标签并集，结果集：0）。

SELECT * FROM channel WHERE id IN (
  WITH(
    SELECT groupBitmapAndState(channel_ids) FROM channel_tag_bitmap
  ) AS arr
  SELECT arrayJoin(bitmapToArray(arr)) LIMIT 2000
)

实验五：查询所有标签的交集（3100w标签交集，结果集：3100w）。

SELECT * FROM channel WHERE id IN (
  WITH(
    SELECT groupBitmapOrState(channel_ids) FROM channel_tag_bitmap
  ) AS arr
  SELECT arrayJoin(bitmapToArray(arr)) LIMIT 2000
)

结论

当前实例应对3000w量级的标签筛选完全没有压力。
查询速度与参与计算的标签量没有太大关系。实验一标签量300w、实验二标签量600w查询时间基本一致；实验四标签量3100w，执行时间比实验一、二还要快。
影响查询速度的是结果集的大小。实验二、实验三标签量相同，结果集不同，执行时间相差80%；实验四、实验五标签量相同，结果集不同，执行时间更是天壤之别。