使用PostgreSQL的json类型快速建立用户画像系统

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。

1. 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。

2. 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);

查看生成的数据：

osdba=# select * from user_tag limit 5;
 uid |                                               tag
-----+--------------------------------------------------------------------------------------------------
   1 | {"学历": ["博士"], "性格": [null, "外向"], "爱好": ["羽毛球", "滑雪", "爬山"], "职业": ["老师"]}
   2 | {"学历": ["中专"], "性格": ["浮躁", "内向", "自信"], "爱好": ["旅游"], "职业": ["美工"]}
   3 | {"学历": ["无学历"], "性格": ["细心"], "爱好": ["羽毛球", null, "爬山"], "职业": ["律师"]}
   4 | {"学历": [null], "性格": ["谨慎", "浮躁"], "爱好": ["爬山"], "职业": ["律师"]}
   5 | {"学历": ["博士"], "性格": ["浮躁", "稳重"], "爱好": ["游泳"], "职业": ["理发师"]}
(5 rows)

3. 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

5. 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。