数据清理工具使用说明

1. 概述

数据清理工具既可用于清理神策分析中导入的行为事件数据，也可用于对导入的行为事件数据去重。

该工具 不提供 的功能如下：

1. 删除指定属性的数据。

2. 删除某次批量导入的数据。

3. 删除某个时间段导入的数据。

4. 将某个事件定义删除。但是元数据管理中可以对事件进行隐藏，管理员可以操作。

数据清理为 不可逆操作，频繁或大量的清理数据将导致碎片过多可能会 影响导入进度，请谨慎操作。

2. 使用方法

请先 ssh 到部署了神策服务的任意一台机器，在 sa_cluster 账户下使用数据清理工具。从 root 切换到 sa_cluster 账户：

su - sa_cluster

• 请注意 su 与 sa_cluster 中间的减号。

2.1 事件删除

该方法可以清理一个项目指定时间段内 所有事件或者某些指定事件 的行为事件数据。

• 该时间段为 事件行为 的时间，非导入数据的时间段。

• 该方法会保留事件、事件属性的定义。

• 单机版：不会立即释放磁盘，后台会缓慢释放，如果删除的是指定事件的数据那么释放的时间可能会很长。

• 集群版：不会立即释放磁盘，每天凌晨会例行清理。注意 ： 集群版事件删除一般需要消耗大量时间和资源，尽量不要指定过大的时间范围。另外支持使用 -m 参数加快执行速度。

参数列表：

参数名	必须	说明	格式	样例	备注
begin	√	删除数据的起始日期（包含这一天）	yyyy-MM-dd	2015-12-21
end	√	删除数据的结束日期（包含这一天）	yyyy-MM-dd	2015-12-22
events		指定删除数据的 event，集群版可同时指定多个事件，使用逗号分隔	事件名称	ButtonClick
project		操作对应的项目，默认为“默认项目”	项目名	my_project
hours		指定删除数据所属的小时数或范围，多个不连续的时间之间使用逗号分	[0-23]	0,[3-5]	仅集群版支持
max_tasks		指定 event 进行删除时，可以通过该参数设置任务的并发度，从而加快执行速度，默认为1。	正整数	2	仅集群版支持
libs		删除的事件来源，多个来源之间使用逗号分隔。	LIBS	LIBS

• 清除 default 项目下 2015 年 12 月 22 日这 1 天的行为事件数据：

sa_clean clean_event_by_date --begin 2015-12-22 --end 2015-12-22 --project default

• 清除 production 项目下 2015 年 12 月 20 日 到 22 日这 3 天的行为事件数据：

sa_clean clean_event_by_date --begin 2015-12-20 --end 2015-12-22 --project production

• 清除 my_project 项目下 ButtonClick 这个事件 2015 年 12 月 20 日 到 22 日这 3 天的行为事件数据，其他事件无改动：

sa_clean clean_event_by_date --begin 2015-12-20 --end 2015-12-22 --event ButtonClick
--project my_project

• 清除 my_project 项目 ButtonClick 这个事件 2015 年 12 月 22 日 0 点、3 点、4 点、5 点的行为事件数据，其他事件无改动：

sa_clean clean_event_by_date --begin 2015-12-22 --end 2015-12-22 --event ButtonClick
--hours 0,[3-5] --project my_project

• 清除 my_project 项目 ButtonClick 这个事件 2015 年 12 月 22 日 0 点、3 点、4 点、5 点的来自于 scala 和 python 的行为事件数据，其他事件无改动：

  sa_clean clean_event_by_date --begin 2015-12-22 --end 2015-12-22 --event ButtonClick
  --hours 0,[3-5] --project my_project --libs scala,python

2.2 支持GDPR欧盟标准 ，删除底层用户数据 (目前仅支持1.13.5169单机版)

• 方案一： 使用用户 id 直接删除 (目前 event user 数据均被删除)

参数列表：

参数名	必须	说明	格式	样例	备注
filename	√	包含 id set 的文件,	filename	user_id.txt	默认为 user_id
is_distinct_id		id set 的文件中包含的是否是 distinct_id			若 id set 中的数据是 distinct_id, 需指定此参数
project		操作对应的项目，默认为“默认项目”	项目名	my_project

1. 创建用户文本，每行一个用户（user_id 或者 distinct_id）（USER_ID_SET_FILENAME或者DISTINCT_ID_SET_FILENAME）

2. 使用如下指令删除 使用 user_id 删除的指令

   sa_clean clean_event_and_profile_by_id_list --project PROJECT_NAME --filename USER_ID_SET_FILENAME

   使用 distinct_id 删除的指令

   sa_clean clean_event_and_profile_by_id_list --project PROJECT_NAME --filename DISTINCT_ID_SET_FILENAME --is_distinct_id

3. 方案二：使用 profile_delete 标记删除

参数列表：

参数名	必须	说明	格式	样例	备注
only_profile		是否只删除 profile 表中的数据			指定后，仅删除 profile 数据
project		操作对应的项目，默认为“默认项目”	项目名	my_project

1. 用户调用 profile_delete 接口标记数据为删除状态

2. 使用如下命令删除数据

   删除 event 和 user 数据

   sa_clean clean_event_and_profile_by_is_deleted --project PROJECT_NAME

   仅删除 user 数据

   sa_clean clean_event_and_profile_by_is_deleted --project PROJECT_NAME --only_profile

2.3 事件去重

该方法会去重重复导入的数据

参数列表：

参数名	必须	说明	格式	样例	备注
begin	√	删除数据的起始日期（包含这一天）	yyyy-MM-dd	2015-12-21
end	√	删除数据的结束日期（包含这一天）	yyyy-MM-dd	2015-12-22
project		操作对应的项目，默认为“默认项目”	项目名	my_project

• 去重 my_project 项目 2016 年 1 月 2 号全天的数据

  sa_clean distinct_event_by_date --project my_project --begin '2016-01-02' --end '2016-01-02'

3. 其他

由于删除是不可逆操作，所以执行过程中需要用户键入 yes 并回车才会进行实际删除操作。如果在执行前已经确认操作是正确的（主要用于自动化脚本），那么可以加 --yes 参数，将不会再要求键入 yes 才能执行。