作为系列文章的第五篇，本文重点探讨数据采集层中的微信分享追踪系统。微信分享，早已成为移动互联网运营的主要方向之一，以Web H5页面（下面称之为微信海报）为载体，利用微信庞大的好友关系进行传播，实现宣传、拉新等营销目的。以下图为例，假设有一个海报被分享到了微信中，用户A与B首先看到了这个海报，浏览后又分享给了自己的好友，用户C看到了A分享的海报，浏览后继续分享给了自己的好友。这便形成了一个简单的传播链，其中蕴含了两种数据：
- 行为，指的是用户对微信海报的操作，比如打开、分享。
- 关系，指的是在海报传播过程中，用户之间形成的传播关系，比如用户A将海报传播给C。
这样的数据的意义在于：第一，统计分析各个渠道的海报的传播效果；第二，对传播贡献较大的用户发放微信红包奖励，提高用户的分享积极性。微信分享追踪系统，便是完成对这两种数据的采集和存储。在过去的一年里，受到公司业务和运营推广方向的影响，这部分数据驱动了近一半的推广业务。
熟悉微信开发的朋友应该知道，第一，每个微信用户在某个公众号下都拥有一个唯一的open_id，打开微信海报时，可以通过OAuth2静默授权在用户无感知的情况下拿到其open_id；第二，通过微信JS-SDK，我们可以捕捉到用户对海报页面的分享事件；第三，拿到用户在公众号下的open_id后，便可以对该用户发放微信红包了。基于这三点，我们便可以实现相关的数据追踪和分享奖励了，本文主要是总结我们在微信分享追踪上的方案演进。
首先要说一点的是，其实微信分享追踪系统本身并不复杂，但是与复杂的产品业务结合到一起，就变得越来越复杂了。如何做到将数据逻辑与产品业务逻辑剥离开，以不变应万变，就是这里要说的方案演进了。
1. 早期服务
早期的微信分享追踪系统，笔者曾经在浅谈微信公众号营销背后的技术一文中介绍过，其时序图如下所示。基本流程是：第一，用户打开海报时，通过OAuth2授权，将open_id加入到页面链接中；第二，前端上报浏览事件，需要带上open_id和传播链信息；第三，用户分享时，需要在分享出去的链接中加上传播链信息，所谓传播链信息，就是每个分享过的用户的open_id组合，比如“open_id_1;open_id_2”；第四，上报用户的分享事件，需要带上open_id和传播链信息。后端收到上报数据后，根据不同的功能需求，将数据保存到不同的数据表中，用于后期消费。随着业务的发展，这个系统暴露出一些问题：
- 随着推广活动的调整，统计和奖励政策也随之变化，比如有的依据一度分享者的分享次数进行奖励，有的依据一度、二度分享者带来的浏览量进行奖励等等，还有需要根据上报的参数不同做不同的处理。所有逻辑都在上报的API请求中处理，来一个需求加一段逻辑，导致该请求的功能不断膨胀，而且一些推广活动已经下线了，相关的逻辑也没有清理掉。
- 参数比较混乱，页面URL中携带了不同的参数，包括微信相关参数、产品相关参数，前端上报时需要携带不同的参数，而前端页面太多，经常搞错。
2. neo4j的尝试
于是，我们思考，有没有可能在后端直接构建完整的传播信息，后期使用时直接根据条件就可以查询出所需的数据，前端上报时也不用携带传播链信息，我们想到了图形数据库存储技术。
图形数据库是一种非关系型数据库，它应用图形理论存储实体之间的关系信息。在文章开头的那张传播图中，用户的行为数据其实可以归结为用户与海报之间的关系数据，这样，这个系统其实就包含两种实体：用户、海报，三种关系：用户打开海报、用户分享海报、用户之间的传播。在诸多图形数据库中，我们决定选择比较成熟、文档相对丰富的neo4j来做DEMO。采用neo4j的查询语法，很简单的就可以查询出所需数据，简单示例一下。
# 查询1度分享者
MATCH (u:User) - [:FORWARD] -> (p:Poster) RETURN u
# 查询浏览情况
MATCH (u:User) - [:OPEN] -> (p:Poster) RETURN u- 1
- 2
- 3
- 4
- 5
- 1
- 2
- 3
- 4
- 5
下图呈现基于neo4j存储的新系统时序图，在OAuth2授权的重定向过程中，建立User和Poster节点信息，以及二者之间的OPEN关系信息，并且对页面URL计算hash值（去除无用参数信息），然后将用户open_id和URL的hash值加到页面URL中返回给前端。用户分享时，把该用户的open_id作为parent字段值，加到分享链接中，新用户打开该链接时，会根据该值来建立User与User节点之间的SPREAD关系信息。在用户分享的事件中，做一次数据上报，携带open_id和页面URL的hash值即可，后端拿到信息后，便可以建立User与Poster之间的FORWARD关系信息。如此，便可以建立完整的微信分享追踪数据了。
然而，一切并非预期的那么完美，在DEMO过程中，我们发现有两点问题不能很好的满足我们的需求：
- 无法根据时间条件快速查询信息，比如查询出昨天的一度分享者。
- 在查询用户间的关系时，会发生误判。比如在下图所示的传播关系中，UserA和UserC的传播关系是发生在海报PosterA上的，在PosterB上并没有，但是当我们尝试查询二度分享者时，会将UserA->UserC->PosterB误判为二度分享。
# 查询2度分享者
MATCH (u1:User) - [:SPREAD] -> (u2:User) - [:FORWARD] -> (p:Poster) RETURN u2, p- 1
- 2
- 1
- 2
虽然这些问题可以想办法绕过去，比如根据时间建立不同的实体节点等等，但是这样会把数据存储做复杂化，经过权衡，我们暂时搁置了这个方案。
3. 基于用户行为数据采集系统的方案
在创业公司做数据分析（三）用户行为数据采集系统一文中，曾经提到早期的数据采集服务是分散在各个业务功能中的，后来我们重新构建了统一的用户行为数据采集系统。在完成这个系统后，我们开始考虑将上述的微信分享追踪系统并入其中，主要工作有：
- 数据上报的流程与早期的系统一致，但是更换原有的上报方式，采用用户行为数据采集系统的方案统一上报微信分享的数据；
- 数据接入Kafka后，一方面直接将原始数据存储到Elasticsearch，另一方面，以worker的形式来消费数据，根据相应的业务需求提取出所需的数据存入格式化数据表中，用于统计和奖励活动。当某个推广活动结束后，将其所属的worker停掉即可。
通过这样的改进，我们暂时解决了前端上报混乱和后端业务逻辑膨胀的问题，将数据上报和业务需求隔离开。数据方面，实时数据流在Kafka中，历史数据也在Elasticsearch中有存储；业务需求方面，来了一个新的需求后，我们只需添加一个新的worker来实现消费逻辑，活动结束后停掉worker。