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：

1. CREATE TABLE user_tag(uid serial primary key, tag jsonb);

复制代码

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：

1. CREATE OR REPLACE FUNCTION f_random_attr(attr text[], max_attr int)
2. RETURNS text[] AS $$
3. DECLARE
4.      i integer := 0;
5.      r integer := 0;
6.      res  text[];
7.      v text;
8.      l integer;
9.      num integer;
10. BEGIN
11.      num := (random()*max_attr)::int;
12.      IF num < 1 THEN
13.          num := 1;
14.      END IF;
15.      l := array_length(attr, 1);
16.      WHILE i < num LOOP
17.           r := round(random()*l)::int + 1;
18.           v := attr[r];
19.           IF res @> array[v] THEN
20.              continue;
21.           ELSE
22.              res := array_append(res, v);
23.              i := i + 1;
24.           END IF;
25.      END LOOP;
26.      return res;
27. END;
28. $$ LANGUAGE plpgsql;

复制代码

我们通过下面的INSERT语句就可以造一些随机的数据了：

1. INSERT INTO user_tag(uid, tag)
2. SELECT seq,
3.        json_build_object(
4.          '职业',
5.          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),
6.          '爱好',
7.          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),
8.          '学历',
9.          f_random_attr(array['无学历','小学','初中','高中','中专','专科','本科','硕士','博士'], 1),
10.          '性格',
11.          f_random_attr(array['外向','内向','谨慎','稳重','细心','粗心','浮躁','自信'], 3))::jsonb
12.   FROM generate_series(1, 10000) as t(seq);
13.          

复制代码

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：

1. CREATE INDEX idx_user_tag_tag on user_tag using gin(tag);

复制代码

这时我们如果想查询性格为外向和细心的老师，则SQL语句：

1. osdba=# select * from user_tag where tag @> '{"性格":["外向","细心"]}' and tag @> '{"职业":["老师"]}';
2. uid  |                                                         tag
3. ------+----------------------------------------------------------------------------------------------------------------------
4.   881 | {"学历": ["中专"], "性格": ["细心", "内向", "外向"], "爱好": ["高尔夫球"], "职业": ["老师"]}
5. 1031 | {"学历": [null], "性格": ["外向", "细心"], "爱好": ["爬山"], "职业": ["老师"]}
6. 3313 | {"学历": [null], "性格": ["外向", "细心"], "爱好": ["乒乓球"], "职业": ["老师"]}
7. 4053 | {"学历": ["本科"], "性格": ["细心", "外向"], "爱好": ["爬山", "滑雪", "游泳"], "职业": ["老师"]}
8. 4085 | {"学历": ["初中"], "性格": ["外向", "细心"], "爱好": ["网球"], "职业": ["老师"]}
9. 4332 | {"学历": ["硕士"], "性格": ["外向", "细心"], "爱好": ["网球", "羽毛球"], "职业": ["老师"]}
10. 4997 | {"学历": ["小学"], "性格": ["外向", "细心", "浮躁"], "爱好": ["乒乓球"], "职业": ["老师"]}
11. 5231 | {"学历": ["本科"], "性格": ["外向", "细心"], "爱好": ["高尔夫球"], "职业": ["老师"]}
12. 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"]}
13. 6281 | {"学历": ["专科"], "性格": ["细心", "外向", "自信"], "爱好": ["滑雪", null], "职业": ["老师"]}
14. 7681 | {"学历": ["小学"], "性格": ["粗心", "外向", "细心"], "爱好": ["乒乓球"], "职业": ["老师"]}
15. 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"]}
16. 8531 | {"学历": ["硕士"], "性格": ["细心", "外向", "粗心"], "爱好": ["滑雪", "爬山"], "职业": ["老师"]}
17. 8618 | {"学历": ["小学"], "性格": ["细心", "外向", "浮躁"], "爱好": ["乒乓球"], "职业": ["老师"]}
18. 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"]}
19. (15 rows)
21. Time: 1.495 ms

复制代码

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：

1. 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"]}';
2. uid  |                                               tag
3. ------+--------------------------------------------------------------------------------------------------
4. 4469 | {"学历": ["小学"], "性格": ["外向", "细心", "稳重"], "爱好": ["滑雪", "游泳"], "职业": ["医生"]}
5. (1 row)
7. Time: 2.139 ms

复制代码

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：

1. 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"]}';
2.                                                                           QUERY PLAN
3. --------------------------------------------------------------------------------------------------------------------------------------------------------------
4. Bitmap Heap Scan on user_tag  (cost=48.00..52.02 rows=1 width=153)
5.    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))
6.    ->  Bitmap Index Scan on idx_user_tag_tag  (cost=0.00..48.00 rows=1 width=0)
7.          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))
8. (4 rows)
10. Time: 1.736 ms

复制代码

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：

1. osdba=# select pg_relation_size('idx_user_tag_tag');
2. pg_relation_size
3. ------------------
4.            245760
5. (1 row)
7. Time: 0.522 ms
8. osdba=# CREATE INDEX idx_user_tag_tag2 on user_tag using gin(tag jsonb_path_ops);
9. CREATE INDEX
10. Time: 46.947 ms
11. osdba=# select pg_relation_size('idx_user_tag_tag2');
12. pg_relation_size
13. ------------------
14.            147456
15. (1 row)

复制代码

jsonb_path_ops索引使用的方法与jsonb_ops基本相同：

1. osdba=# drop index idx_user_tag_tag;
2. DROP INDEX
3. Time: 2.833 ms
4. 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"]}';
5. uid  |                                               tag
6. ------+--------------------------------------------------------------------------------------------------
7. 4469 | {"学历": ["小学"], "性格": ["外向", "细心", "稳重"], "爱好": ["滑雪", "游泳"], "职业": ["医生"]}
8. (1 row)
10. Time: 1.401 ms
11. 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"]}';
12.                                                                           QUERY PLAN
13. --------------------------------------------------------------------------------------------------------------------------------------------------------------
14. Bitmap Heap Scan on user_tag  (cost=24.00..28.02 rows=1 width=153)
15.    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))
16.    ->  Bitmap Index Scan on idx_user_tag_tag2  (cost=0.00..24.00 rows=1 width=0)
17.          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))
18. (4 rows)
20. Time: 0.634 ms

复制代码

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。
[code][/code]
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！