在構(gòu)建精準(zhǔn)用戶畫像時(shí)，面臨著這樣一個(gè)問題：日志采集不能成功地收集用戶的所有ID，且每條業(yè)務(wù)線有各自定義的UID用來標(biāo)識(shí)用戶，從而造成了用戶ID的零碎化。因此，為了做用戶標(biāo)簽的整合，用戶ID之間的強(qiáng)打通（亦稱為ID-Mapping）成了迫切的需求。大概三年前，在知乎上有這樣一個(gè)與之相類似的問題：如何用MR實(shí)現(xiàn)并查集以對(duì)海量數(shù)據(jù)pair做聚合；目前為止還無人解答。本文將提供一個(gè)可能的解決方案——如何用MR計(jì)算框架來實(shí)現(xiàn)大數(shù)據(jù)下的ID強(qiáng)打通。
首先，簡(jiǎn)要地介紹下Android設(shè)備常見的ID：
- IMEI（International Mobile Equipment Identity），即通常所說的手機(jī)序列號(hào)、手機(jī)“串號(hào)”，用于在移動(dòng)電話網(wǎng)絡(luò)中識(shí)別每一部獨(dú)立的手機(jī)等行動(dòng)通訊裝置；序列號(hào)共有15位數(shù)字，前6位（TAC）是型號(hào)核準(zhǔn)號(hào)碼，代表手機(jī)類型。接著2位（FAC）是最后裝配號(hào)，代表產(chǎn)地。后6位（SNR）是串號(hào)，代表生產(chǎn)順序號(hào)。最后1位（SP）一般為0，是檢驗(yàn)碼，備用。
- MAC(Media Access Control)一般代指MAC位址，為網(wǎng)卡的標(biāo)識(shí)，用來定義網(wǎng)絡(luò)設(shè)備的位置。
- IMSI（International Mobile SubscriberIdentification Number），儲(chǔ)存在SIM卡中，可用于區(qū)別移動(dòng)用戶的有效信息；其總長(zhǎng)度不超過15位，同樣使用0～9的數(shù)字。其中MCC是移動(dòng)用戶所屬國(guó)家代號(hào)，占3位數(shù)字，中國(guó)的MCC規(guī)定為460；MNC是移動(dòng)網(wǎng)號(hào)碼，最多由兩位數(shù)字組成，用于識(shí)別移動(dòng)用戶所歸屬的移動(dòng)通信網(wǎng);MSIN是移動(dòng)用戶識(shí)別碼，用以識(shí)別某一移動(dòng)通信網(wǎng)中的移動(dòng)用戶。
- Android ID是系統(tǒng)隨機(jī)生成的設(shè)備ID 為一串64位的編碼（十六進(jìn)制的字符串），通過它可以知道設(shè)備的壽命（在設(shè)備恢復(fù)出廠設(shè)置或刷機(jī)后，該值可能會(huì)改變）。
2. 設(shè)計(jì)
從圖論的角度出發(fā)，ID強(qiáng)打通更像是將小連通圖合并成一個(gè)大連通圖；比如，在日志中出現(xiàn)如下三條記錄，分別表示三個(gè)ID集合（小連通圖）：
A B C
C D
D E
通過將三個(gè)小連通圖合并，便可得到一個(gè)大連通圖——完整的ID集合列表A B C D E。淘寶明風(fēng)介紹了如何用Spark GraphX通過outerJoinVertices等運(yùn)算符來做大數(shù)據(jù)下的多圖合并；針對(duì)ID強(qiáng)打通的場(chǎng)景，也可采用類似的思路：日志數(shù)據(jù)構(gòu)建大的稀疏圖，然后采用自join的方式做打通。但是，我并沒有選用GraphX，理由如下：
- GraphX只支持有向圖，而不支持無向圖，而ID之間的關(guān)聯(lián)關(guān)系是一個(gè)無向連通圖；
- GraphX的join操作不完全可控，“不完全可控”是指在做圖合并時(shí)我們需要做過濾山寨設(shè)備、一對(duì)多的ID等操作，而在GraphX封裝好的join算子上實(shí)現(xiàn)過濾操作則成本過高。
