在日常工作中我们经常收到一些诸如此类需求：“用户给点击了开屏广告，给用户下发私信”、“用户进入了推荐线，但在60秒内没有任何点击操作，弹框引导用户选择感兴趣的内容”、“用户点赞了某位作者的两篇以上的内容，但并没有关注过此作者，则弹框引导用户关注作者”、“用户点击了活动入口，进入了活动页、发生了点赞、收藏等交互操作，引导用户进入活动下一流程”。这些需求大致可以分为如下三大类：
完成事件A，触发运营动作。完成时间A多次，触发运营动作。在固定时间内完成事件A，但未完成事件B，触发运营动作。依次完成事件A,B,C，触发运营动作。
这些需求从开发角度来看，代码有很高的相似性，所以我们对这些需求进行了抽象，基于flink开发了一套行为规则引擎，并在规则引擎之上将常用的运营动作模块化，真正做到十分钟上线一个运营策略，相对之前天级别的交付时间，效率大幅提升。 先看下规则引擎整体的架构： 一个任务上线，从“数据流输入”到“用户触达”，整个任务流程分为6个阶段：输入事件流、数据准备、规则平台、维度数据、规则引擎、用户触达系统。
输入事件流 数据主要来自于行为日志，也就是用户通过sdk上报的埋点数据以及后端埋点数据。为了后规则引擎易于处理，通常会对一些嵌套数据进行扁平化操作。
数据准备 这个阶段的主要工作就是为规则引擎准备输入数据，分为四个步骤：数据预处理、数据预过滤、数据流维度补充、数据流分区。
规则平台 规则平台面向的用户主要是运营。运营人员通过规则平台配置运营策略。规则平台会将这些规则分发给规则引擎，规则引擎将规则转换成处理逻辑。
维度数据 维度数据包含三部分：画像数据、业务库数据以及用户历史行为数据。这些数据在数据准备阶段会填充到数据流中，后续会介绍。
规则引擎 目前规则引擎支持四种规则类型，在实现上分别对应一个flink程序：
完成事件A完成事件A多次完成事件A、未完成事件B依次完成事件A、B、C、D
接下来我们通过举例，从易到难的方式，介绍规则引擎的数据处理流程。
第一个例子：用户发生点赞行为（规则类型1） 输入数据流：
{
"uid":111,
"oid":"562asdf12",
"action":"like",
"time":"1672383110"
}
这条数据意思为：用户（uid:111）在时间（time:1672383110）对内容（oid:562asdf12）进行了点赞操作（action:like）,这个场景再简单不过了。 我们需要通过规则平台告诉规则引擎如何处理这个需求，例如我们先定义了一个能满足当前需求的规则串
{
"rule_id":"00001",
"rule_type":"1",
"conditions":{
"action":"like"
}
}
稍微解释字段含义
rule_id:规则id，规则唯一标识 rule_type:规则类型，当前规则为“完成事件A”，故该值为“1”. conditions：规则引擎需要判定条件。 在这个例子中flink规则引擎只要判断数据流中的action的值是否为“like”。
第二个例子：用户触发点赞行为2次。（规则类型2） 和第一个例子不一样的地方在于这个例子出现计数场景。先看下规则串和之前的例子有什么不同
{
"rule_id":"000012",
"rule_type":"2",
"pk":"rule_id::uid",
"conditions":{
"action":"like",
"eventCount":"eq:2"
}
}
rule_type:2,告诉规则引擎这是个”完成事件A多次“的任务，并且规则串新增属性pk、eventCount。‘pk’代表分区键，对应这flink程序中keyby中的字段，“eventCount”:"eq:2"在这个例子中代表：点赞次数等于2
第三个例子：用户给同一作者文章点赞超过2次（规则类型2） 在这个例子中需要用到作者信息，但是数据流中并没有。这就需要介绍下”数据预处理“部分。
”数据预处理“阶段会干两件事：补充数据主体、数据扁平化。 数据主体什么意思？对于一款UGC产品，最核心的主体包括：用户、内容、作者等。电商产品，主体包括：用户、商家、商品、品牌等。在我们的规则引擎里，数据主体通常作为关联数据的主键id，所以在数据预处理阶段，我们需要尽可能的将数据主体梳理全，并补充到数据中。在这个例子中我们可以通过oid，把作者id补充到数据中去。
{
"uid":111,
"oid":"562asdf12",
"action":"like",
"time":"1672383110",
"author_id":12454
}
“数据扁平化”：为了让规则引擎更好的处理数据，我们会在数据预处理阶段把嵌套的数据进行扁平化操作。
回到例子，规则串可以如下描述
{
"rule_id":"000012",
"rule_type":"2",
"pk":"rule_id::uid::author_id",
"conditions":{
"action":"like",
"eventCount":"gt:2"
}
}
和第二个例子中唯一不同的是，把author_id添加到分区键pk中,flink程序会按照"rule_id::uid::author_id"进行keyby操作，这样就可以进行计数操作了。
第四个例子：用户给同一作者文章点赞超过2次，但没有关注作者。
在此例子中涉及到了主体之间的关系，而“用户”和“作者”之间的关系存在数据库中，在数据处理过程中，这些数据是怎么使用的？这里就需要介绍下”维度数据“模块。”维度数据“主要包含3中类型数据：画像数据、业务库数据和用户历史行为数据。 画像数据：这个比较好理解，主要是用户相关的属性信息，例如：性别，城市，年龄等。 业务库数据：这种数据需要通过业务库获得，在这个例子中，用户是否关注了作者属于这个范畴。 历史行为数据：在有些规则场景中我们会需要用户的一些历史数据进行计算，例如：”用户在过去一周内访问过活动页，并且进行了内容生产“。通常我们会通过离线计算的方式，将数据导入到维度数据中。
”维度数据“通常使用键值数据库存储，例如：redis，hbase等。维度数据生成的方式有两种：通过规则平台从业务库中自动同步到键值数据库，或者直接通过代码的方式。 回到这个例子中，先看下规则串有什么不一样
{
"rule_id":"000012",
"rule_type":"2",
"pk":"rule_id::uid::author_id",
"dimKey":{
"isAttention":"uid,author_id"
},
"conditions":{
"action":"like",
"isAttention":false,
"eventCount":"gt:2"
}
}
dimKey:这个字段中的”isAttention“代表要新增的维度数据，在这个例子中代表”没有关注作者“，这个字段在规则平台维护。"uid,author_id"意思是flink程序需要通过数据流中的uid和author_id去”维度数据“中获得isAttention的值。
在规则串里我们只是定义了isAttention的获取方式，那数据是填充的据流程是怎么样的？这里涉及到两个模块：“数据预过滤”和“数据流维度补充”。
数据预过滤: 在该阶段“数据准备”的flink程序会根据规则平台中的规则，对数据流进行过滤（将数据流中的“action”值与规则平台维护的规则中的”action“进行比对）数据过滤后，数据流中只包含规则相关的数据。 除此之外，flink程序还会把规则填充到数据流中。例如：规则平台维护了三条规则
{
"rule_id":"00001",
"rule_type":"1",
"conditions":{
"action":"like"
}
}
{
"rule_id":"00002",
"rule_type":"1",
"conditions":{
"action":"share"
}
}
{
"rule_id":"00003",
"rule_type":"2",
"pk":"rule_id::uid::author_id",
"dimKey":{
"isAttention":"uid,author_id"
},
"conditions":{
"action":"like",
"isAttention":false,
"eventCount":"gt:2"
}
}
有三条数据进入到flink程序，
{"uid":111, "oid":"562asdf12","action":"like", "time":"1672383110","author_id":12454}
{"uid":111, "oid":"562asdf12","action":"share", "time":"1672383412","author_id":12454}
{"uid":113, "oid":"562asdf12","action":"comment", "time":"1672383412","author_id":12454}
经过数据预过滤后，数据输出如下
{"uid":111,"oid":"562asdf12","action":"like","time":"1672383110","rule":{"rule_id":"00001","rule_type":"1","conditions":{"action":"like"}}}
{"uid":111,"oid":"562asdf12","action":"like","time":"1672383110","rule":{"rule_id":"00003","rule_type":"2","action":"like","pk":"rule_id::uid::author_id","dimKey":{"isAttention":"uid,author_id"},"conditions":{"isAttention":false,"eventCount":"gt:2"}}}
{"uid":111,"oid":"562asdf12","action":"share","time":"1672383412","rule":{"rule_id":"00002","rule_type":"1",,"conditions":{"action":"share"}}}
我们可以看到，输出了3条数据，但需要注意的是
{
"uid":113,
"oid":"562asdf12",
"action":"comment",
"time":"1672383412",
"author_id":12454
}
这条数据的action没有和任何一条规则中的action匹配，所以这条数据被抛弃了。而
{
"uid":111,
"oid":"562asdf12",
"action":"like",
"time":"1672383110",
"author_id":12454
}
这条数数据的action和两条规则匹配成功，为了后续程序处理方便，我们对数据进行了冗余处理，数据预过滤后，输出了两条数据。 数据流维度补充 在这个步骤中，数据准备flink会按照数据中的规则，从”维度数据“中获取需要填充的维度数据。例如
{
"uid":111,
"oid":"562asdf12",
"action":"like",
"time":"1672383110",
"author_id":12454,
"rule":{
"rule_id":"00003",
"rule_type":"2",
"pk":"rule_id::uid::author_id",
"dimKey":{
"isAttention":"uid,author_id"
},
"conditions":{
"action":"like",
"isAttention":false,
"eventCount":"gt:2"
}
}
}
这条数据需要填充”isAttention“属性，填充”isAttention“需要用到”uid,author_id“两个字段。数据准备flink程序，使用”isAttention::uid::author_id“从”维度数据“中获得{“isAttention”:false},并填充到数据流中
{
"uid":111,
"oid":"562asdf12",
"action":"like",
"time":"1672383110",
"author_id":12454,
"isAttention":false,
"rule":{
"rule_id":"00003",
"rule_type":"2",
"pk":"rule_id::uid::author_id",
"dimKey":{
"isAttention":"uid,author_id"
},
"conditions":{
"action":"like",
"isAttention":false,
"eventCount":"gt:2"
}
}
}
flink规则引擎就可以根据”conditions“中的条件，判断当前数据是否满足条件。
第五个例子：用户点赞文章，文章包含标签“大户型”或“别墅” 这个例子和第四个例子类似，都是需要从”维度数据“中补充业务库数据。我们看下数据处理流程
原始数据
{"uid":111, "oid":"562asdf12","action":"like","time":"1672383110","author_id":12454}
规则：
{
"rule_id":"00003",
"rule_type":"1",
"pk":"rule_id::uid::oid",
"dimKey":{
"tags":"oid"
},
"conditions":{
"action":"like",
"tags":[
"大户型",
"别墅"
]
}
}
数据预过滤后
{
"uid":111,
"oid":"562asdf12",
"action":"like",
"time":"1672383110",
"author_id":12454,
"rule":{
"rule_id":"00003",
"rule_type":"1",
"pk":"rule_id::uid::oid",
"dimKey":{
"tags":"oid"
},
"conditions":{
"action":"like",
"tags":[
"大户型",
"别墅"
]
}
}
}
数据维度补充后
{
"uid":111,
"oid":"562asdf12",
"action":"like",
"time":"1672383110",
"author_id":12454,
"tags":[
"大户型",
"别墅",
"大三居"
],
"rule":{
"rule_id":"00003",
"rule_type":"1",
"pk":"rule_id::uid::oid",
"dimKey":{
"tags":"oid"
},
"conditions":{
"action":"like",
"tags":[
"大户型",
"别墅"
]
}
}
}
flink规则引擎只需要数据中的tags和条件中的tags进行交集计算，就可以得到结果。
第六个例子：用户进入了推荐线，但在60秒内没有任何点击操作 这个例子属于“完成A时间但未完成B”类型，我们直接看规则串是什么样的
{"rule_id":"00004","rule_type":"3","pk":"rule_id::uid","index":0,"winthTime":60,"conditions":{"action":"recommend"}}
{"rule_id":"00004","rule_type":"3","pk":"rule_id::uid","index":1,"winthTime":60",conditions":{"action":"click"}}
这个规则串有两条数据，分别对应着“事件A”、“事件B”。“事件A”对应的index为0，“事件B”的index为1。winthTime的值对应“60秒内”。数据处理流程如下图。
第七个例子：用户点击了活动入口，进入了活动页、发生了点赞、分享等交互操作，引导用户进入活动下一流程。 先看下规则串
{
"rule_id":"00007",
"rule_type":"4",
"pk":"rule_id::uid",
"index":0,
"winthTime":60,
"conditions":{
"action":"activities-click"
}
}
{
"rule_id":"00007",
"rule_type":"4",
"pk":"rule_id::uid",
"index":1,
"winthTime":60,
"conditions":{
"action":"activities-pv"
}
}
{
"rule_id":"00007",
"rule_type":"4",
"pk":"rule_id::uid",
"index":2,
"winthTime":60,
"conditions":{
"action":"click,share"
}
}
这个规则串包含3条数据，分别对应“点击活动入口”、“进入活动页”、“点赞、分享”。 通常这种复杂的事件流匹配需要用到flink cep，但是使用CEP无法解决规则动态变更，并且每一个规则需要对应一个flink任务。基于这个背景，我们对事件顺序流匹配做了一个简单的实现，具体细节可以参照这篇文章：https://blog.csdn.net/woloqun/article/details/126254055。
看到这里，你会发现，其实从技术角度没有特别复杂的逻辑。那难点是什么？难点是如何设计平台，生成规则串。最后贴几张草图，大家参考下
精彩链接
您阅读本篇文章共花了：
发表评论