基于Flink的用户购买行为跟踪(一)

我们日常生活中，经常会去网购，那么当你打开淘宝，拼多多等，从搜索中输入你想要的商品，开始浏览，加入购物车，下单结算等这一系列动作都可以作为用户行为的跟踪，可以给运营人员实时的分析当前用户的购买情况，也就可以相应的实时推荐一些商品.用户的购买行为可以有很多指标来衡量，比如:购买路径长度,购买次数,购买频率,感兴趣商品等.我们可以来看看购买路径长度这个指标，也就是从用户登录进App从开始到最终购买一系列动作的次数.比如，如果一个用户上来直接浏览了一次商品就添加进购物车,那么从这个购买路径长度说明该用户目的性很明确，那么推荐其他商品的意义可能不大.因此，我们可以定义一个规则，比方说购买路径长度大于某个动态配置的 阈值就触发推荐某些商品的操作,达到刺激消费的商业效果.

接下来，我们看看怎么用flink实现这个用户行为的跟踪.先简单画下处理的逻辑实现:

1. 首先定义数据日志都会从Topic中生产出来，分为真实的用户行为事件源和可配置的数据源来进行消费;

2. 在flink里面EventStream根据kafka特性有可能是多个分区的，所以需要将每个配置数据源都能与其每个分区数据做操作，所以可以通过把配置数据源做广播处理.

3. 两个流数据再做connect操作，把结果sink下沉到想到的地方.具体使用union还是connect操作，需要看双流的类型，connect适合两条不同类型的流做操作.
   

在工程实现上，我们可以先构造两个流，用户事件流和配置流.

用户事件流格式为:

{"userId":"d8f3368aba5df27a39cbcfd36ce8084f","channel":"APP","eventType":"VIEW_PRODUCT","eventTime":"2019-10-24 09:27:11","data":{"productId":196}}

配置流格式为:

{"channel":"APP","registerDate":"2019-01-01","historyPurchaseTimes":0,"maxPurchasePathLength":3}

通过Kafka随机大量生产用户事件的流数据放在一个topic,配置流放在另外一个topic.

这里创建的实体模型包含,配置流的基本属性, 产品属性,用户事件属性,最终结果的属性.

下次再来实现把产生的流数据经过flink进行消费处理