使用PostgreSQL数据库建立用户画像系统
说起大数据中的应用，很多同学可能马上会想起用户画像。
用户画像，英文称之为User Profile，通过用户画像可以完美地抽象出一个用户的信息全貌，通过用户画像数据可以精准地分析用户的各种行为习惯，如消费习惯、兴趣爱好、能力情况等等重要用户信息。 通常用户画像是通过给用户建标签系统来实现的，本文介绍了如何使用PostgreSQL的json数据类型来建立用户画像数据库。
标签模型
为了说明具体的方法方法，我们建一套简单的两级标签系统：
- 职业： 农民、工人、IT工程师、理发师、医生、老师、美工、律师、公务员、官员
- 爱好：游泳、乒乓球、羽毛球、网球、爬山、高尔夫球、滑雪、爬山、旅游
- 学历：无学历、小学、初中、高中、中专、专科、本科、硕士、博士
- 性格：外向、内向、谨慎、稳重、细心、粗心、浮躁、自信
当然你也可以根据实际情况建立三级或更多级的复杂的标签体系。
建表和造数据
下面使用一个具体的例子来说明如何使用PostgreSQL的json数据类型来建立用户标签数据库。
建用户标签表：
CREATE TABLE user_tag(uid serial primary key, tag jsonb);
这个表只有两个字段，uid表示用户ID，而tag字段中放了用户的所有标签，tag字段类型为jsonb。
为了说明如何使用本方案，需要给表中造一些标签数据。 先建一个函数，在后面的INSERT的SQL中会调用此函数生成一些随机的标签：
CREATE OR REPLACE FUNCTION f_random_attr(attr text[], max_attr int) RETURNS text[] AS $$ DECLARE i integer := 0; r integer := 0; res text[]; v text; l integer; num integer; BEGIN num := (random()*max_attr)::int; IF num < 1 THEN num := 1; END IF; l := array_length(attr, 1); WHILE i < num LOOP r := round(random()*l)::int + 1; v := attr[r]; IF res @> array[v] THEN continue; ELSE res := array_append(res, v); i := i + 1; END IF; END LOOP; return res; END; $$ LANGUAGE plpgsql;
我们通过下面的INSERT语句就可以造一些随机的数据了：
INSERT INTO user_tag(uid, tag) SELECT seq, json_build_object( '职业', f_random_attr(array['农民','工人','IT工程师','理发师','医生','老师','美工','律师','公务员','官员'], 1), '爱好', f_random_attr(array['游泳','乒乓球','羽毛球','网球','爬山','高尔夫球','滑雪','爬山','旅游'], 5), '学历', f_random_attr(array['无学历','小学','初中','高中','中专','专科','本科','硕士','博士'], 1), '性格', f_random_attr(array['外向','内向','谨慎','稳重','细心','粗心','浮躁','自信'], 3))::jsonb FROM generate_series(1, 10000) as t(seq);
建索引和查询
为了加快查询，我们在tag列上建GIN索引。GIN索引是PostgreSQL中的一种特殊的索引，可以实现类似全文搜索的功能：
CREATE INDEX idx_user_tag_tag on user_tag using gin(tag);
这时我们如果想查询性格为外向和细心的老师，则SQL语句：
osdba=# select * from user_tag where tag @> '{"性格":["外向","细心"]}' and tag @> '{"职业":["老师"]}'; uid | tag ------+---------------------------------------------------------------------------------------------------------------------- 881 | {"学历": ["中专"], "性格": ["细心", "内向", "外向"], "爱好": ["高尔夫球"], "职业": ["老师"]} 1031 | {"学历": [null], "性格": ["外向", "细心"], "爱好": ["爬山"], "职业": ["老师"]} 3313 | {"学历": [null], "性格": ["外向", "细心"], "爱好": ["乒乓球"], "职业": ["老师"]} 4053 | {"学历": ["本科"], "性格": ["细心", "外向"], "爱好": ["爬山", "滑雪", "游泳"], "职业": ["老师"]} 4085 | {"学历": ["初中"], "性格": ["外向", "细心"], "爱好": ["网球"], "职业": ["老师"]} 4332 | {"学历": ["硕士"], "性格": ["外向", "细心"], "爱好": ["网球", "羽毛球"], "职业": ["老师"]} 4997 | {"学历": ["小学"], "性格": ["外向", "细心", "浮躁"], "爱好": ["乒乓球"], "职业": ["老师"]} 5231 | {"学历": ["本科"], "性格": ["外向", "细心"], "爱好": ["高尔夫球"], "职业": ["老师"]} 5360 | {"学历": ["无学历"], "性格": ["浮躁", "外向", "细心"], "爱好": ["爬山", "网球", "旅游", "羽毛球"], "职业": ["老师"]} 6281 | {"学历": ["专科"], "性格": ["细心", "外向", "自信"], "爱好": ["滑雪", null], "职业": ["老师"]} 7681 | {"学历": ["小学"], "性格": ["粗心", "外向", "细心"], "爱好": ["乒乓球"], "职业": ["老师"]} 8246 | {"学历": ["硕士"], "性格": ["外向", "细心"], "爱好": ["滑雪", "网球", "高尔夫球"], "职业": ["老师"]} 8531 | {"学历": ["硕士"], "性格": ["细心", "外向", "粗心"], "爱好": ["滑雪", "爬山"], "职业": ["老师"]} 8618 | {"学历": ["小学"], "性格": ["细心", "外向", "浮躁"], "爱好": ["乒乓球"], "职业": ["老师"]} 9508 | {"学历": ["小学"], "性格": ["浮躁", "外向", "细心"], "爱好": ["爬山", "旅游", "高尔夫球"], "职业": ["老师"]} (15 rows) Time: 1.495 ms
上面SQL语句中的where条件中的 “tag @> '{"性格":["外向","细心"]}' ”中的“@>”是一个PostgreSQL中jsonb类型的特殊运算符，意思为“包含”。
我们如果想查询性格为外向和细心而又喜欢滑雪和游泳的医生，则SQL语句：
osdba=# select * from user_tag where tag @> '{"性格":["外向","细心"]}' and tag @> '{"职业":["医生"]}' and tag @>'{"爱好":["滑雪", "游泳"]}'; uid | tag ------+-------------------------------------------------------------------------------------------------- 4469 | {"学历": ["小学"], "性格": ["外向", "细心", "稳重"], "爱好": ["滑雪", "游泳"], "职业": ["医生"]} (1 row) Time: 2.139 ms
从上面可以看出，只需要1~2ms就可以查询出结果，原因是我们使用GIN索引，可以通过查看一下执行计划：
osdba=# explain select * from user_tag where tag @> '{"性格":["外向","细心"]}' and tag @> '{"职业":["医生"]}' and tag @>'{"爱好":["滑雪", "游泳"]}'; QUERY PLAN -------------------------------------------------------------------------------------------------------------------------------------------------------------- Bitmap Heap Scan on user_tag (cost=48.00..52.02 rows=1 width=153) Recheck Cond: ((tag @> '{"性格": ["外向", "细心"]}'::jsonb) AND (tag @> '{"职业": ["医生"]}'::jsonb) AND (tag @> '{"爱好": ["滑雪", "游泳"]}'::jsonb)) -> Bitmap Index Scan on idx_user_tag_tag (cost=0.00..48.00 rows=1 width=0) Index Cond: ((tag @> '{"性格": ["外向", "细心"]}'::jsonb) AND (tag @> '{"职业": ["医生"]}'::jsonb) AND (tag @> '{"爱好": ["滑雪", "游泳"]}'::jsonb)) (4 rows) Time: 1.736 ms
GIN索引是PostgreSQL中的核武器，大家从上面就可以看出GIN索引的强大了。GIN索除了可以用在json数据类型上，也可以使用到数组类型中。
jsonb为GIN索引提供了两类索引操作符（你可以认为是两种索引）：
- jsonb_ops，这是默认，上面我们建的索引就是这个类型的，
- jsonb_path_ops
jsonb_ops可以支持“@>”、“?”、“?&”、“?|”等操作符进行查询，这些操作符的意思请见：官方文档
而jsonb_path_ops只支持“@>”操作符，当然jsonb_path_ops索引要比json_ops索引小很多，具体可以见：
osdba=# select pg_relation_size('idx_user_tag_tag'); pg_relation_size ------------------ 245760 (1 row) Time: 0.522 ms osdba=# CREATE INDEX idx_user_tag_tag2 on user_tag using gin(tag jsonb_path_ops); CREATE INDEX Time: 46.947 ms osdba=# select pg_relation_size('idx_user_tag_tag2'); pg_relation_size ------------------ 147456 (1 row)
jsonb_path_ops索引使用的方法与jsonb_ops基本相同：
osdba=# drop index idx_user_tag_tag; DROP INDEX Time: 2.833 ms osdba=# select * from user_tag where tag @> '{"性格":["外向","细心"]}' and tag @> '{"职业":["医生"]}' and tag @>'{"爱好":["滑雪", "游泳"]}'; uid | tag ------+-------------------------------------------------------------------------------------------------- 4469 | {"学历": ["小学"], "性格": ["外向", "细心", "稳重"], "爱好": ["滑雪", "游泳"], "职业": ["医生"]} (1 row) Time: 1.401 ms osdba=# explain select * from user_tag where tag @> '{"性格":["外向","细心"]}' and tag @> '{"职业":["医生"]}' and tag @>'{"爱好":["滑雪", "游泳"]}'; QUERY PLAN -------------------------------------------------------------------------------------------------------------------------------------------------------------- Bitmap Heap Scan on user_tag (cost=24.00..28.02 rows=1 width=153) Recheck Cond: ((tag @> '{"性格": ["外向", "细心"]}'::jsonb) AND (tag @> '{"职业": ["医生"]}'::jsonb) AND (tag @> '{"爱好": ["滑雪", "游泳"]}'::jsonb)) -> Bitmap Index Scan on idx_user_tag_tag2 (cost=0.00..24.00 rows=1 width=0) Index Cond: ((tag @> '{"性格": ["外向", "细心"]}'::jsonb) AND (tag @> '{"职业": ["医生"]}'::jsonb) AND (tag @> '{"爱好": ["滑雪", "游泳"]}'::jsonb)) (4 rows) Time: 0.634 ms
结尾
你可以写更多的SQL来做用户画像的数据分析，这里就不再赘述了。
当然也可以使用PostgreSQL的数组类型建标签系统，数组类型也运行GIN索引，但总的来说没有使用json类型直观。
作者丨digoal