BITMAP 精准去重

背景

Doris 原有的 BITMAP 聚合函数设计比较通用，但对亿级别以上 BITMAP 大基数的交并集计算性能较差。排查后端 BE 的 BITMAP 聚合函数逻辑，发现主要有两个原因。一是当 BITMAP 基数较大时，如 BITMAP 大小超过 1g，网络/磁盘 IO 处理时间比较长；二是后端 BE 实例在 Scan 数据后全部传输到顶层节点进行求交和并运算，给顶层单节点带来压力，成为处理瓶颈。

解决思路是将 BITMAP 列的值按照 Range 划分，不同 Range 的值存储在不同的分桶中，保证了不同分桶的 BITMAP 值是正交的。当查询时，先分别对不同分桶中的正交 BITMAP 进行聚合计算，然后顶层节点直接将聚合计算后的值合并汇总，并输出。如此会大大提高计算效率，解决了顶层单节点计算瓶颈问题。

使用指南

1. 建表，增加 hid 列，表示 BITMAP 列值 ID 范围，作为 Hash 分桶列

2. 使用场景

Create Table

建表时需要使用聚合模型，数据类型是 BITMAP , 聚合函数是 BITMAP_UNION

CREATE TABLE `user_tag_bitmap` (
  `tag` bigint(20) NULL COMMENT "用户标签",
  `hid` smallint(6) NULL COMMENT "分桶id",
  `user_id` bitmap BITMAP_UNION NULL COMMENT ""
) ENGINE=OLAP
AGGREGATE KEY(`tag`, `hid`)
COMMENT "OLAP"
DISTRIBUTED BY HASH(`hid`) BUCKETS 3

表 Schema 增加 Hid 列，表示 ID 范围，作为 Hash 分桶列。

备注

Hid 数和 BUCKETS 要设置合理，Hid 数设置至少是 BUCKETS 的 5 倍以上，以使数据 Hash 分桶尽量均衡

Data Load

LOAD LABEL user_tag_bitmap_test
(
DATA INFILE('hdfs://abc')
INTO TABLE user_tag_bitmap
COLUMNS TERMINATED BY ','
(tmp_tag, tmp_user_id)
SET (
tag = tmp_tag,
hid = ceil(tmp_user_id/5000000),
user_id = to_bitmap(tmp_user_id)
)
)
注意：5000000这个数不固定，可按需调整
...

数据格式：

11111111,1
11111112,2
11111113,3
11111114,4
...

备注

第一列代表用户标签，由中文转换成数字

Load 数据时，对用户 BITMAP 值 Range 范围纵向切割，例如，用户 ID 在 1-5000000 范围内的 Hid 值相同，Hid 值相同的行会分配到一个分桶内，如此每个分桶内到的 BITMAP 都是正交的。可以利用桶内 BITMAP 值正交特性，进行交并集计算，计算结果会被 Shuffle 至 Top 节点聚合。

备注

正交 BITMAP 函数不能用在分区表，因为分区表分区内正交，分区之间的数据是无法保证正交的，则计算结果也是无法预估的。

1. orthogonal_bitmap_intersect

求 BITMAP 交集函数

• 语法： orthogonal_bitmap_intersect(bitmap_column, column_to_filter, filter_values)

• 参数： 第一个参数是 BITMAP 列，第二个参数是用来过滤的维度列，第三个参数是变长参数，含义是过滤维度列的不同取值

• 说明： 查询规划上聚合分 2 层，在第一层 BE 节点（Update、Serialize）先按 filter_values 为 Key 进行 Hash 聚合，然后对所有 Key 的 BITMAP 求交集，结果序列化后发送至第二层 BE 节点 (Merge、Finalize)，在第二层 BE 节点对所有来源于第一层节点的 BITMAP 值循环求并集

• 样例：

  select BITMAP_COUNT(orthogonal_bitmap_intersect(user_id, tag, 13080800, 11110200)) from user_tag_bitmap  where tag in (13080800, 11110200);

2. orthogonal_bitmap_intersect_count

求 BITMAP 交集 COUNT 函数，语法同原版 intersect_count，但实现不同

• 语法： orthogonal_bitmap_intersect_count(bitmap_column, column_to_filter, filter_values)

• 参数： 第一个参数是 BITMAP 列，第二个参数是用来过滤的维度列，第三个参数开始是变长参数，含义是过滤维度列的不同取值

• 说明： 查询规划聚合上分 2 层，在第一层 BE 节点（Update、Serialize）先按 filter_values 为 Key 进行 Hash 聚合，然后对所有 Key 的 BITMAP 求交集，再对交集结果求 COUNT，COUNT 值序列化后发送至第二层 BE 节点（Merge、Finalize），在第二层 BE 节点对所有来源于第一层节点的 COUNT 值循环求 SUM。

3. orthogonal_bitmap_union_count

求 BITMAP 并集 COUNT 函数，语法同原版 bitmap_union_count，但实现不同。

• 语法：orthogonal_bitmap_union_count(bitmap_column)

• 参数：参数类型是 BITMAP，是待求并集 COUNT 的列

• 说明：查询规划上分 2 层，在第一层 BE 节点（update、serialize）对所有 BITMAP 求并集，再对并集的结果 BITMAP 求 COUNT，COUNT 值序列化后发送至第二层 BE 节点（Merge、Finalize），在第二层 BE 节点对所有来源于第一层节点的 COUNT 值循环求 SUM。

4. orthogonal_bitmap_expr_calculate

求表达式 BITMAP 交并差集合计算函数。

• 语法： orthogonal_bitmap_expr_calculate(bitmap_column, filter_column, input_string)

• 参数： 第一个参数是 BITMAP 列，第二个参数是用来过滤的维度列，即计算的 Key 列，第三个参数是计算表达式字符串，含义是依据 Key 列进行 BITMAP 交并差集表达式计算。

  表达式支持的计算符：& 代表交集计算，| 代表并集计算，- 代表差集计算，^ 代表异或计算，\ 代表转义字符

• 说明：

  查询规划上聚合分 2 层，第一层 BE 聚合节点计算包括 init、update、serialize 步骤，第二层 BE 聚合节点计算包括 merge、finalize 步骤。

  在第一层 BE 节点：

  • Init 阶段解析 input_string 字符串，转换为后缀表达式（逆波兰式），解析出计算 Key 值，并在 map<key, bitmap> 结构中初始化；

  • Update 阶段，底层内核 scan 维度列（filter_column）数据后回调 Update 函数，然后以计算 Key 为单位对上一步的 map 结构中的 BITMAP 进行聚合；

  • Serialize 阶段，根据后缀表达式，解析出计算 Key 列的 BITMAP，利用栈结构先进后出原则，进行 BITMAP 交并差集合计算，然后对最终的结果 BITMAP 序列化后发送至第二层聚合 BE 节点。

  在第二层聚合 BE 节点，对所有来源于第一层节点的 BITMAP 值求并集，并返回最终 BITMAP 结果

orthogonal_bitmap_expr_calculate_count

求表达式 BITMAP 交并差集合计算 count 函数，语法和参数同 orthogonal_bitmap_expr_calculate。

• 语法：orthogonal_bitmap_expr_calculate_count(bitmap_column, filter_column, input_string)

• 说明：

  查询规划上聚合分 2 层，

  第一层 BE 聚合节点计算包括 Init、Update、Serialize 步骤，第二层 BE 聚合节点计算包括 Merge、Finalize 步骤。

  在第一层 BE 节点：

  • Init 阶段解析 input_string 字符串，转换为后缀表达式（逆波兰式），解析出计算 Key 值，并在 map<key, bitmap> 结构中初始化；

  • Update 阶段，底层内核 Scan 维度列（filter_column）数据后回调 Update 函数，然后以计算 key 为单位对上一步的 map 结构中的 BITMAP 进行聚合；

  • Serialize 阶段，根据后缀表达式，解析出计算 key 列的 BITMAP，利用栈结构先进后出原则，进行 BITMAP 交并差集合计算，然后对最终的结果 BITMAP 的 COUNT 值序列化后发送至第二层聚合 BE 节点。

  在第二层聚合 BE 节点，对所有来源于第一层节点的 COUNT 值求加和，并返回最终 COUNT 结果。

使用场景

符合对 BITMAP 进行正交计算的场景，如在用户行为分析中，计算留存，漏斗，用户画像等。

1. 人群圈选：

 select orthogonal_bitmap_intersect_count(user_id, tag, 13080800, 11110200) from user_tag_bitmap where tag in (13080800, 11110200);
 注：13080800、11110200代表用户标签

计算 user_id 的去重值：

select orthogonal_bitmap_union_count(user_id) from user_tag_bitmap where tag in (13080800, 11110200);

2. BITMAP 交并差集合混合计算：

select orthogonal_bitmap_expr_calculate_count(user_id, tag, '(833736|999777)&(1308083|231207)&(1000|20000-30000)') from user_tag_bitmap where tag in (833736,999777,130808,231207,1000,20000,30000);
注：1000、20000、30000等整形tag，代表用户不同标签

select orthogonal_bitmap_expr_calculate_count(user_id, tag, '(A:a/b|B:2\\-4)&(C:1-D:12)&E:23') from user_str_tag_bitmap where tag in ('A:a/b', 'B:2-4', 'C:1', 'D:12', 'E:23');
 注：'A:a/b', 'B:2-4'等是字符串类型tag，代表用户不同标签, 其中'B:2-4'需要转义成'B:2\\-4'