Prerequisites#

This skill requires hologres-cli to be installed first:

bash

pip install hologres-cli
export HOLOGRES_SKILL=hologres-bsi-profile-analysis

All SQL execution depends on hologres-cli commands ( hologres sql run --write).

Hologres BSI 画像分析#

参考文档: 使用BSI进行画像分析中的标签计算

基于 BSI（Bit-sliced Index，位切片索引）的 Hologres 用户画像分析方案，支持对行为标签（GMV、PV、观看时长等）与属性标签（省份、性别等）进行高效联合计算。

方案架构: Hologres 实例 + Roaring Bitmap 扩展 + BSI 扩展 + UID 字典编码 + 属性标签 Bitmap + 行为标签 BSI

⚠️ CLI / 代码自动化限制总览#

以下表格总结了本方案中各步骤的自动化可行性：

步骤可自动化？说明安装扩展（ CREATE EXTENSION）⚠️ CLI 需 --write 标志需要 DDL 写权限： hologres sql run --write "CREATE EXTENSION ..."建表（ CREATE TABLE）⚠️ CLI 需 --write 标志需要 DDL 写权限： hologres sql run --write "CREATE TABLE ..."UID 字典编码初始化⚠️ CLI 需 --write 标志通过 SQL INSERT 完成；增量维护由用户自行管理源数据准备❓ 需用户指定用户必须提供属性标签源表和行为标签源表名称。若未指定，需要求用户提供数据导入（INSERT INTO rb_tag/bsi_gmv）⚠️ CLI 需 --write 标志需要 DML 写权限： hologres sql run --write "INSERT INTO ..."BSI/RB 查询分析✅ 完全可自动化所有只读查询均可通过 hologres sql run "SELECT ..." 执行分桶数选择❌ 不可自动化取决于集群规模和数据量，需要领域知识和性能调优增量维护❌ 由用户自行管理可通过 DataWorks 等调度工具实现定时增量导入

背景#

Roaring Bitmap 在用户画像场景中广泛用于属性标签索引，但存在两个关键局限：

1. 多标签联合查询问题：Roaring Bitmap 仅适用于固定的分类型"属性标签"。对于量值类"行为标签"（如 GMV、订单金额、观看时长），只能回溯明细表进行关联查询。
2. 高基数标签问题：当某标签去重值数量（基数）很大时，Roaring Bitmap 存储会膨胀，查询性能下降。

BSI 解决了上述两个问题：

• 对量值类行为标签进行预计算，以 BSI 压缩格式存储，可与属性标签的 Roaring Bitmap 直接联合分析，无需回溯明细表。
• 通过位切片索引，最多生成 32 个位切片即可存储 INT 范围内的所有行为标签值，实现压缩存储和低延迟查询。

前提条件#

• Hologres 实例已安装 roaringbitmap 扩展
• 已安装 BSI 扩展

sql

-- 安装所需扩展
CREATE EXTENSION IF NOT EXISTS roaringbitmap;
CREATE EXTENSION IF NOT EXISTS bsi;

⚠️ CLI 写操作：安装扩展需要 --write 标志：

bash

hologres sql run --write "CREATE EXTENSION IF NOT EXISTS roaringbitmap"
hologres sql run --write "CREATE EXTENSION IF NOT EXISTS bsi"

快速开始#

1. 建表#

sql

-- 用户属性标签表
CREATE TABLE dws_userbase (
    uid int NOT NULL PRIMARY KEY,
    province text,
    gender text
) WITH (distribution_key = 'uid');

-- UID 字典编码表（Roaring Bitmap / BSI 必需）
CREATE TABLE dws_uid_dict (
    encode_uid serial,
    uid int PRIMARY KEY
);

-- 用户行为标签表
CREATE TABLE usershop_behavior (
    uid int NOT NULL,
    gmv int
) WITH (distribution_key = 'uid');

-- Roaring Bitmap 属性标签表（tag_name + tag_val 复合主键）
CREATE TABLE rb_tag (
    tag_name text NOT NULL,
    tag_val text NOT NULL,
    bitmap roaringbitmap,
    PRIMARY KEY (tag_name, tag_val)
);

-- BSI 行为标签表（GMV）
CREATE TABLE bsi_gmv (
    gmv_bsi bsi
);

⚠️ CLI 写操作：建表需要 --write 标志：

bash

hologres sql run --write "CREATE TABLE ..."

2. 数据导入#

sql

-- 构建属性标签 Roaring Bitmap
INSERT INTO rb_tag
SELECT 'province', province, rb_build_agg(b.encode_uid) AS bitmap
FROM dws_userbase a JOIN dws_uid_dict b ON a.uid = b.uid
GROUP BY province;

-- 构建行为标签 BSI（注意：bsi_build 接收 integer[] 和 bigint[] 数组，gmv 需转换为 bigint）
INSERT INTO bsi_gmv
SELECT bsi_build(array_agg(b.encode_uid), array_agg(a.gmv::bigint)) AS bitmap
FROM usershop_behavior a JOIN dws_uid_dict b ON a.uid = b.uid;

⚠️ CLI 写操作：数据导入需要 --write 标志：

bash

hologres sql run --write "INSERT INTO ..."

⚠️ UID 字典维护： dws_uid_dict 必须在 BSI/Roaring Bitmap 导入前完成填充。

• 初始化：通过 SQL INSERT 完成
• 增量维护：由用户自行管理（可通过 DataWorks 等调度工具实现定时增量导入）

3. 查询示例#

sql

-- 查询“广东”+“男性”用户的 GMV 总值和人均 GMV
SELECT
    sum(kv[1]) AS total_gmv,
    sum(kv[1]) / sum(kv[2]) AS avg_gmv
FROM (
    SELECT bsi_sum(t1.gmv_bsi, t2.crowd) AS kv
    FROM bsi_gmv t1,
    (SELECT rb_and(a.bitmap, b.bitmap) AS crowd FROM
        (SELECT bitmap FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a,
        (SELECT bitmap FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
    ) t2
) t;

This query can be executed via CLI:

bash

hologres sql run "SELECT sum(kv[1]) AS total_gmv, sum(kv[1])/sum(kv[2]) AS avg_gmv FROM (SELECT bsi_sum(t1.gmv_bsi, t2.crowd) AS kv FROM bsi_gmv t1, (SELECT rb_and(a.bitmap,b.bitmap) AS crowd FROM (SELECT bitmap FROM rb_tag WHERE tag_name='gender' AND tag_val='Male') a, (SELECT bitmap FROM rb_tag WHERE tag_name='province' AND tag_val='广东') b) t2) t"

表设计#

基础版（无分桶）#

表名字段说明dws_userbase``(uid int, province text, gender text)用户属性标签源表dws_uid_dict``(encode_uid serial, uid int)UID 字典编码表usershop_behavior``(uid int, gmv int)用户行为标签源表rb_tag``(tag_name text, tag_val text, bitmap roaringbitmap) PK=(tag_name, tag_val)属性标签 Roaring Bitmap 表bsi_gmv``(gmv_bsi bsi)行为标签 BSI 表

进阶版（分桶并行计算）#

不分桶时，所有 BSI/Roaring Bitmap 数据集中在少数节点上。分桶可将数据分布到集群各节点，实现并行计算。

表名字段说明dws_userbase``(uid int, province text, gender text)用户属性标签源表dws_uid_dict``(encode_uid serial, uid int)UID 字典编码表usershop_behavior``(uid int, category text, gmv int, ds date)用户行为标签源表（含分类、日期）rb_tag``(tag_name text, tag_val text, bucket int, bitmap roaringbitmap) PK=(tag_name, tag_val, bucket)带分桶的属性标签 Roaring Bitmap 表bsi_gmv``(ds text, category text, bucket int, gmv_bsi bsi)带分桶、分类、日期的行为标签 BSI 表

关键区别：增加 bucket 字段，并设置 distribution_key = 'bucket' 确保数据均匀分布。

sql

-- 分桶 Roaring Bitmap 属性标签表（复合主键）
CREATE TABLE rb_tag (
    tag_name text NOT NULL,
    tag_val text NOT NULL,
    bucket int NOT NULL,
    bitmap roaringbitmap,
    PRIMARY KEY (tag_name, tag_val, bucket)
) WITH (distribution_key = 'bucket');

-- 分桶 BSI 行为标签表
CREATE TABLE bsi_gmv (
    category text,
    bucket int,
    gmv_bsi bsi,
    ds date
) WITH (distribution_key = 'bucket');

常用查询模式#

模式一：人群圈选 + 行为标签分析#

求和与均值：查询圈选人群的 GMV 总值和人均 GMV。

sql

-- 基础版：广东+男性用户的 GMV 总值和均值
SELECT
    sum(kv[1]) AS total_gmv,
    sum(kv[1]) / sum(kv[2]) AS avg_gmv
FROM (
    SELECT bsi_sum(t1.gmv_bsi, t2.crowd) AS kv
    FROM bsi_gmv t1,
    (SELECT rb_and(a.bitmap, b.bitmap) AS crowd FROM
        (SELECT bitmap FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a,
        (SELECT bitmap FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
    ) t2
) t;

-- 分桶版：广东+男性用户、3C 品类、昨日的 GMV 总值和均值
SELECT
    sum(kv[1]) AS total_gmv,
    sum(kv[1]) / sum(kv[2]) AS avg_gmv
FROM (
    SELECT bsi_sum(t1.gmv_bsi, t2.crowd) AS kv, t1.bucket
    FROM (SELECT gmv_bsi, bucket FROM bsi_gmv WHERE category = '3C' AND ds = CURRENT_DATE - interval '1 day') t1
    JOIN
    (SELECT rb_and(a.bitmap, b.bitmap) AS crowd, a.bucket FROM
        (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a
     JOIN
        (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
     ON a.bucket = b.bucket
    ) t2
    ON t1.bucket = t2.bucket
) t;

分布统计：按指定边界值统计 GMV 分布。

sql

-- 基础版：按边界值 [100, 300, 500] 统计 GMV 分布
SELECT bsi_stat('{100,300,500}', filter_bsi)
FROM (
    SELECT bsi_filter(t1.gmv_bsi, t2.crowd) AS filter_bsi
    FROM bsi_gmv t1,
    (SELECT rb_and(a.bitmap, b.bitmap) AS crowd FROM
        (SELECT bitmap FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a,
        (SELECT bitmap FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
    ) t2
) t;

-- 分桶版：聚合 BSI 后统计 GMV 分布
SELECT bsi_stat('{100,300,500}', bsi_add_agg(filter_bsi))
FROM (
    SELECT bsi_filter(t1.gmv_bsi, t2.crowd) AS filter_bsi, t1.bucket
    FROM (SELECT gmv_bsi, bucket FROM bsi_gmv WHERE category = '3C' AND ds = CURRENT_DATE - interval '1 day') t1
    JOIN
    (SELECT rb_and(a.bitmap, b.bitmap) AS crowd, a.bucket FROM
        (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a
     JOIN
        (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
     ON a.bucket = b.bucket
    ) t2
    ON t1.bucket = t2.bucket
) t;

Top K：按行为标签值查询 Top K 用户。

sql

-- 基础版：GMV Top 10 用户
SELECT rb_to_array(bsi_topk(filter_bsi, 10))
FROM (
    SELECT bsi_filter(t1.gmv_bsi, t2.crowd) AS filter_bsi
    FROM bsi_gmv t1,
    (SELECT rb_and(a.bitmap, b.bitmap) AS crowd FROM
        (SELECT bitmap FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a,
        (SELECT bitmap FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
    ) t2
) t;

-- 分桶版：昨日 GMV Top 10 用户
SELECT bsi_topk(bsi_add_agg(filter_bsi), 10)
FROM (
    SELECT bsi_filter(t1.gmv_bsi, t2.crowd) AS filter_bsi, t1.bucket
    FROM (SELECT bsi_add_agg(gmv_bsi) AS gmv_bsi, bucket FROM bsi_gmv WHERE ds = CURRENT_DATE - interval '1 day' GROUP BY bucket) t1
    JOIN
    (SELECT rb_and(a.bitmap, b.bitmap) AS crowd, a.bucket FROM
        (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'gender' AND tag_val = 'Male') a
     JOIN
        (SELECT bitmap, bucket FROM rb_tag WHERE tag_name = 'province' AND tag_val = '广东') b
     ON a.bucket = b.bucket
    ) t2
    ON t1.bucket = t2.bucket
) t;

模式二：基于行为标签的人群圈选#

根据行为标签阈值圈选用户。

sql

-- 基础版：圈选 GMV > 1000 的用户
SELECT rb_to_array(bsi_gt(gmv_bsi, 1000)) AS crowd
FROM bsi_gmv;

-- 分桶版：圈选过去一个月内 3C 品类 GMV > 1000 的用户
SELECT rb_to_array(bsi_gt(bsi_add_agg(gmv_bsi), 1000)) AS crowd
FROM bsi_gmv
WHERE category = '3C'
  AND ds BETWEEN CURRENT_DATE - interval '30 day' AND CURRENT_DATE - interval '1 day';

其他比较函数：

sql

-- GMV >= 1000
SELECT rb_to_array(bsi_ge(gmv_bsi, 1000)) FROM bsi_gmv;

-- GMV < 500
SELECT rb_to_array(bsi_lt(gmv_bsi, 500)) FROM bsi_gmv;

-- GMV between 100 and 500 (inclusive)
SELECT rb_to_array(bsi_range(gmv_bsi, 100, 500)) FROM bsi_gmv;

-- GMV == 200
SELECT rb_to_array(bsi_eq(gmv_bsi, 200)) FROM bsi_gmv;

-- GMV != 0
SELECT rb_to_array(bsi_neq(gmv_bsi, 0)) FROM bsi_gmv;

BSI 函数快速参考#

完整函数参考请见 references/bsi-functions.md。

函数输入输出说明bsi_build``integer[], bigint[]``bsi从键值数组创建 BSIbsi_add_value``bsi, integer, bigint``bsi向 BSI 添加一个键值对bsi_iterate``bsi``set of integer[]展开 BSI 为键值对bsi_show``bsi/bytea, integer``text显示前 N 个键值对bsi_ebm``bsi/bytea``roaringbitmap获取所有键作为 Roaring Bitmapbsi_eq``bsi, bigint [, bytea]``roaringbitmap值 == N 的键bsi_neq``bsi, bigint [, bytea]``roaringbitmap值 != N 的键bsi_gt``bsi, bigint [, bytea]``roaringbitmap值 > N 的键bsi_ge``bsi, bigint [, bytea]``roaringbitmap值 >= N 的键bsi_lt``bsi, bigint [, bytea]``roaringbitmap值 < N 的键bsi_le``bsi, bigint [, bytea]``roaringbitmap值 <= N 的键bsi_range``bsi, bigint, bigint [, bytea]``roaringbitmap值在 [N, M] 范围内的键bsi_filter``bsi/bytea, bytea``bsi通过 Roaring Bitmap 交集过滤 BSIbsi_sum``bsi/bytea [, bytea]``bigint[]返回 [总和, 基数]``bsi_stat``bigint[], bsi/bytea [, bytea]``text按边界值统计分布。 第一个参数是边界数组，如 '{100,300,500}'``bsi_topk``bsi/bytea, [bytea,] integer``roaringbitmap按值取 Top K 键bsi_transpose``bsi/bytea [, bytea]``roaringbitmap去重值作为 Roaring Bitmapbsi_transpose_with_count``bsi/bytea [, bytea]``bsi去重值及其计数作为 BSIbsi_add``bsi, bsi``bsi相同键的两个 BSI 值相加bsi_add_agg``bsi``bsi跨行求和聚合bsi_merge``bsi, bsi``bsi合并两个 BSI（键不可重叠）bsi_merge_agg``bsi``bsi合并聚合（键不可重叠）bsi_compare``text, bsi, [bytea,] bigint, bigint``roaringbitmap比较过滤（LT/LE/GT/GE/EQ/NEQ/RANGE）

可选 bytea 参数：许多函数支持可选的 Roaring Bitmap（ bytea）参数，先做交集再计算。这可以避免单独调用 bsi_filter。

数据导入模式#

基础导入#

sql

-- 属性标签导入 Roaring Bitmap
INSERT INTO rb_tag
SELECT 'province', province, rb_build_agg(b.encode_uid) AS bitmap
FROM dws_userbase a JOIN dws_uid_dict b ON a.uid = b.uid
GROUP BY province;

-- 行为标签导入 BSI（bsi_build 需要 integer[] + bigint[] 数组参数）
INSERT INTO bsi_gmv
SELECT bsi_build(array_agg(b.encode_uid), array_agg(a.gmv::bigint)) AS bitmap
FROM usershop_behavior a JOIN dws_uid_dict b ON a.uid = b.uid;

分桶导入#

sql

-- 带分桶的属性标签导入
INSERT INTO rb_tag
SELECT 'province', province, encode_uid / 65536 AS bucket,
    rb_build_agg(b.encode_uid) AS bitmap
FROM dws_userbase a JOIN dws_uid_dict b ON a.uid = b.uid
GROUP BY province, bucket;

-- 带分桶的行为标签导入
INSERT INTO bsi_gmv
SELECT a.category, b.encode_uid / 65536 AS bucket,
    bsi_build(array_agg(b.encode_uid), array_agg(a.gmv::bigint)) AS bitmap, a.ds
FROM usershop_behavior a JOIN dws_uid_dict b ON a.uid = b.uid
WHERE ds = CURRENT_DATE - interval '1 day'
GROUP BY category, bucket, ds;

实施说明#

⚠️ 需要 --write 标志的操作（通过 CLI）#

以下操作修改数据，通过 hologres sql run 执行时需要 --write 标志：

操作CLI 命令备注安装扩展hologres sql run --write "CREATE EXTENSION IF NOT EXISTS bsi"DDL 写建表hologres sql run --write "CREATE TABLE ..."DDL 写数据导入 (INSERT)hologres sql run --write "INSERT INTO ..."DML 写

✅ 可以只读执行的操作（通过 CLI）#

所有 BSI/Roaring Bitmap 查询函数均为只读，完全可自动化：

bash

# 求和与基数
hologres sql run "SELECT bsi_sum(gmv_bsi) FROM bsi_gmv"

# Top K 查询
hologres sql run "SELECT rb_to_array(bsi_topk(gmv_bsi, 10)) FROM bsi_gmv"

# 分布统计
hologres sql run "SELECT bsi_stat('{100,300,500}', gmv_bsi) FROM bsi_gmv"

# 人群过滤
hologres sql run "SELECT rb_to_array(bsi_gt(gmv_bsi, 1000)) FROM bsi_gmv"

# 比较查询（均为只读）
hologres sql run "SELECT rb_to_array(bsi_ge(gmv_bsi, 1000)) FROM bsi_gmv"
hologres sql run "SELECT rb_to_array(bsi_lt(gmv_bsi, 500)) FROM bsi_gmv"
hologres sql run "SELECT rb_to_array(bsi_range(gmv_bsi, 100, 500)) FROM bsi_gmv"
hologres sql run "SELECT rb_to_array(bsi_eq(gmv_bsi, 200)) FROM bsi_gmv"
hologres sql run "SELECT rb_to_array(bsi_neq(gmv_bsi, 0)) FROM bsi_gmv"

❌ 不可通过 CLI 或代码自动化的操作#

以下步骤需要手动设置或超出 CLI 范围：

步骤原因解决方案UID 字典编码（ dws_uid_dict）需在 BSI/RB 导入前完成填充初始化通过 SQL INSERT 完成；增量维护由用户自行管理源数据准备用户需指定属性标签源表和行为标签源表用户需指定属性标签源表和行为标签源表；若未指定，必须要求用户提供分桶数选择取决于集群规模和数据量，需要领域知识推荐使用 encode_uid / 65536 作为分桶键，具体需结合业务调优增量维护由用户自行管理可通过 DataWorks 等调度工具实现定时增量导入

最佳实践#

1. 始终使用 UID 字典编码：BSI 和 Roaring Bitmap 需要连续整数键。导入前先构建 dws_uid_dict。
2. 大数据量时使用分桶：不分桶时数据集中在少数节点。使用 encode_uid / 65536 作为分桶键实现均匀分布。
3. 设置 distribution_key = 'bucket'：确保数据分片与分桶边界对齐，实现本地计算。
4. 分桶聚合时使用 bsi_add_agg：分析前先跨分桶聚合 BSI。
5. 优先使用可选 bytea 参数：不必 bsi_filter + bsi_sum 分开调用，直接用 bsi_sum(bsi, crowd_bytea) 性能更优。
6. 使用 bsi_stat 做分布统计：比明细表的多个 CASE WHEN 查询更高效。
7. 使用 bsi_topk 做排序：将全局排序转化为位交集运算，比 ORDER BY ... LIMIT 快得多。
8. BSI 值范围限制在 INT 内：BSI 以 32 位切片存储值，值必须在整数范围内。

参考文档#

文档说明references/bsi-functions.md完整的 BSI 函数参考，含语法和示例references/table-design.md基础版和分桶版的表设计模式和 DDL