下拉神器是一款专业的下拉词平台，提供各种下拉功能：百度下拉丶360搜索下拉丶必应搜索下拉丶哔哩哔哩下拉丶抖音下拉等等，里面还有批量做词教程技术，可以一次性做10-50个词，省心高效！批量做词，批量出词，可以实现霸屏效果！   

有的客户想删除下拉，但是百度不受理，就可以使用批量做词霸屏技术，实现把那些负面信息顶下去，顶掉的效果=删除效果！欢迎您前来使用！新手不懂使用，请多看2遍视频教程哦！下拉神器100%有效果的！   

给大家看一个下拉神器介绍的视频，看完后，点击下面的按钮进入”下拉神器“     

欢迎使用下拉神器，下拉行业老品牌，如果下拉神器都不好使，整个行业其他平台一样不好使，但是大家一定要多学习多看教程，先学会做词出词的技巧！

下一篇文章内容预览：

目录：

埋点标准化背景

标准化实践策略

后续展望

Q&A问答

主讲人|李奎，哔哩哔哩，高级数据产品经理

编辑整理 |西山居

由社区制作 |

01

埋点标准化背景

1. 埋点的定义

（1）什么是掩埋

我们举一个实际的例子，如果用户在某个时间点击了应用内某个页面上的推荐按钮，这些信息就会被记录下来，以日志的形式上报，并存储在服务器中，这样的日志信息可以定义为一个埋点。

埋点的结构可以抽象为谁、何时、什么、怎么五个关键词，并记录用户在APP、网页或小程序中的一系列行为。其实不管是用户在客户端的行为，还是接口日志中的变更记录，都是一种埋葬，就是常见的客户端埋葬和服务器端埋葬。

（2）埋点的作用

在日常工作中，一种非常常见的数据类型是统计APP的日常活跃度、每天的新用户数、新用户的路径流向等，这些数据用于局部分析。另一种类型是推荐算法的调优。这些都是埋点常见的应用场景，需要应用到埋点处理的数据中。如

上图所示，当用户点击推荐按钮时，会有一个JSON格式的日志报告，可以作为一个整体分为两个部分，这是一个典型的报告日志格式，包括用户ID、操作的时间戳、操作的类型，以及业务所需的一些参数， 例如点击的位置、页面名称等。

2. 埋地数据链路

那里

在埋点的申请过程中，将会是一个比较长的环节。这里简单拆解一下B站埋设的应用环节。

图中从左到右分别是埋点数据从生产到消费的全过程，底层埋点测试和埋点元数据管理是数据应用支撑管理的一部分。

从生产的角度来看，行业会将埋点集合抽象成可复用的埋点数据模型，并集成到SDK中，避免每次业务开发时都重新定义集合的格式规格。这个SDK通常分为iOS、、Web、服务器等，以及批量导入的离线数据，也就是数据的生产端。

在数据传输侧，通过提取、转换和加载（ETL）进入传输流，其中有两个环节，一部分服务需要消费实时数据流，另一部分服务需要消耗离线数据。实时流的消费可用于算法推荐、实时数据分析和实时监控仪表板。离线数据是关于数据仓库中从 ODS 到 DWD，再到 ADS 的部分。在离线存储部分，数据将存储在不同的介质上，例如常见的HDFS等。查询引擎包括了行业内的主流引擎，如Hive等，哔哩哔哩也为产品经理、分析师、运维等学生提供了一个可视化的Web来操作和分析。

B站的同学可以通过操作点击来查看埋点常见的PV和UV数据，前端将操作拼接的参数作为查询SQL的拼写传递给查询引擎。该行业对查询引擎的采用情况因每家公司可用的数据量而异。一个常见的情况是，如果数据量比较小，那么直接使用Hive来查询，如果数据量较大，那么也可以使用。目前，对于B站每天增加的数千亿数据，它被用作查询引擎。

为了支撑整个数据链路，还将采用埋点测试来保证埋点数据的质量。再往下是埋藏的元数据管理，这也是本次分享的重点。

3. 常见的业务问题

手机下拉功能失效_B站手机下拉_手机端下拉框

在业务服务和业务支持的过程中，存在着许多业务痛点，可以归纳为两个方面：生产设计和消费者使用。

首先，最常见的问题是属性命名，不同的业务和开发团队有不同的命名偏好，有些人喜欢使用驼峰命名，有些人喜欢使用下划线进行分割，有些人喜欢使用下划线来做分割，这会导致非常混乱的埋点，需要统一的命名规范。

第二个问题是，在上报埋点时，存在着记录业务属性的参数，在业务的实际管理过程中，可能会出现找不到参数枚举的映射值的情况，比如原来的小写abc，其他业务使用大写的ABC，业务值的映射方向的混淆会导致埋点管理的混淆。

第三个问题是，在埋点生产过程中，会牵涉到数据产品、开发者、测试人员和在线应用。

最后一个问题是，当数据量较小时，在数据量较小时可以操作，但是当数据量较大且交接人员较多时，信息失真会更严重。

第一个问题是，运营经常会问产品B站手机下拉，哪个ID是页面上对应的埋点？我在数据中找不到它。

第二个问题是应该查询哪个表，应该过滤哪个埋点的哪个参数，查询埋点数据时的私有参数是什么。

第三个问题是，在数据仓库治理时，存储压力非常大，而且并不是所有的业务埋点都会被利用。其中一些，例如埋设的暴露点，会相对划算，因此可以考虑进行分层存储。

第四个问题是关于权限的，操作需要查询某个埋点的数据，是全部开放还是只开放一部分，需要进行精细化管理。

02

标准化实践策略

针对上述问题，B站提出了从埋地生产到消费、离线生产的全生命周期管理。重点是对埋藏元数据的管理。

一、B站埋地数据现状及历史迭代情况及历史迭代情况

目前，在B站线路上的应用中埋设了+客户端，整个埋点的元数据量非常大。此外，在各种网页的网页侧还有100,000+埋点。每日增量数据报告已经达到了1000亿的级别，一周后将达到万亿级，数据量非常巨大。

从历史上看，埋点的迭代经历了三个半阶段。

2.埋点设计

在埋点标准化设计过程中，有四个重要部分：埋点命名规则、埋点属性管理、仪器支持、流程和规范。

（1）埋点命名规则

首先，我们来看一下埋点的命名，很多商家都会给自己埋点命名，需要一个低门槛的工具来管理埋点，不需要考虑怎么命名，也不做随意编码，而是要有一个商业可读性高的ID信息。此外，多个版本需要具有连续性，这样在几次发布后就不会变得混乱。需要交接或可读性，版本间迁移程度高。最后，还有一个工具可以确保不同维护者之间的顺利交接。

B站在标准化实践中引入了（-）模型。将业务的实际信息包含在埋点中，将每个业务的含义抽象在埋点中，然后将 ID 以维度表的形式进行管理。整体分为五个部分，包括业务ID、页面ID、模块、位置和跟踪类型。通过标准化命名可以提高整个业务的可读性，在做埋点数据治理时，可以合理定位问题，降低埋点数据的成本。使用相同的命名，可以重复使用不同的埋点类型。

上图展示了一个实际的例子，在埋地的房屋中，推荐按钮应该如何命名？这个埋点可以命名为-.0.，它包含了很多商业使用的含义。从拆解的角度来看，这个埋点其实包含了四个业务粒度和埋点类型的元信息。业务的粒度从粗到细，涵盖、、、。

对于用户来说，得到这个之后，可以快速定位埋点所在的页面模块和位置模块，以及它在哪个页面B站手机下拉，属于哪个业务线，并可以准确定位到它所在的业务线对应的信息。

这种业务跟踪ID，对于定位或类型划分，可以实现非常高的业务可读性，分担业务跟踪的成本，并且可复用性非常高。咔嗒声的埋点被命名，而相同的模块，即曝光的埋点，可以命名为show。

在埋入数据时，上报时间会分为客户端SDK上报和服务端上报。客户端按埋点类型划分，包括启动、浏览、曝光、点击、播放、系统等事件。服务器包含了API的请求记录，以及业务侧的业务表的日志变化。

以上是B站关于埋点命名的一些经验。

手机端下拉框_手机下拉功能失效_B站手机下拉

（2）埋点属性管理

在报告埋点时，有一个非常重要的部分就是记录埋点的属性参数。在商业意义上，埋点属性就是为用户定制了一些收集的信息。将有三个级别的划分：

首先是全局公共字段，包括跟踪事件ID、APP信息、触发时间戳、触发时间网络、运营商、操作系统版本等。

二是将这类通用字段抽象出来，针对不同类型的埋点进行具体的预填，包括页面浏览PV、播放或具有业务特征的业务内容埋点。

这两部分在SDK中都预设了，业务开发不需要重新处理。

第三部分是业务定制的私有参数，比如制作海报轮播时需要做的海报轮播，或者是跳转主对应的海报中间等参数，是商家需要定制的参数信息。

业界还有另外两种主流方案百度的下拉框词要如何刷★64xl.com顶级专业下拉，抖音搜索电脑下拉，一种是采集参数，预留10-20个私有参数用于瓦片，另一种是只区分公共属性和私有字段的属性。这两类解决方案的问题在于，会存在一定的可扩展性不足，虽然它们可以在前期快速辅助业务数据收集，但后期的治理成本相对较高。经过长期实践发现，使用公共字段+类型通用字段+私有字段是一种更通用、更扩展的埋设属性规范的方式，保证了灵活性和可扩展性。

关于埋点属性的规范，在数据仓库中，例如Hive表，在表字段级别会有数据标准。在埋点数据中，埋点被抽象成一个业务表，而埋点的属性实际上映射到表中的字段，因此通过推申，它也有属性标准。

一个管理规范会分为三大类，一是基本描述信息，二是属性的质量，三是属性管理中使用的辅助信息。

第一类基本属性，如命名规则是否符合下划线连接、点连接和下划线连接。数据类型，无论是字符串、数值还是枚举。

第二部分是其数据质量，包括埋点是空值还是枚举值，默认值是应填充Null，还是连字符行，在后面做埋点测试时会用到，测试规则是根据埋点这部分的属性标准来的。

第三类是元数据集管理，包括埋点的版本、属性的优先级、安全级别等。以B站为例，安全级别将分为S级、A级、B级、C级、D级，其中S级是最重要的安全级别。

（3）仪器化支持

我们希望应用工具进行模型支持，避免让商科学生手动选择。B站已经沉淀出一种名为的埋点管理工具。

如上图所示，这是一个埋点事件创建模块，将埋点的业务、页面、模块、位置、类型抽象成一个维度表。要创建埋地操作和产品，您只需要进行下拉点击过滤，而不是从头开始进行埋地设计。如果存在历史埋点，可以快速复制并修改一些参数信息。

第一部分是埋点的命名。第二部分是标准化埋入的属性，包括属性ID、属性显示名称、属性枚举类型等。第三部分是业务更关心的上报时机，是否需要对埋点进行采样和上报，是否配置远程采集停止。

每个环节和模块都有对应的管理列表，以结构化的方式存储在业务表中，供下游使用。

以图中的模块列表为例，对应的埋地模块已经按照标准化的方式命名，其英文ID和中文含义相互映射。

在使用过程中，你只需要做一个查询，就知道对应的模块在哪个产品、哪个业务线使用，从而实现渐进式、维度表的复用。

（四）工艺及规格

B站将整个埋设过程和规范划分为六个环节和四个重要参与者。

这四个重要的参与者如下：在商科学生提出需求后，他们将交给数据产品学生，数据产品将业务需求抽象成埋藏的需求文档，称为DRD，然后与开发一起审查可行性计划，根据优先级和成本进行评估， 最后落地开发进度计划的需求，在开发完成后对需求进行测试，然后对学生的数据进行分析。

除上述四方参与方外，这六环节还包括数据收集和验证。开发者根据此需求文档进行埋点开发，收集并存储服务器或客户端行为上的接口日志，最后交给数据产品或测试学生进行埋点测试。该测试将在埋点管理工具中的测试模块的帮助下进行。最后，测试完成，并进行测试以供在线使用。在线场景包括指标分析、算法推荐、数据仓库中间表输出、数据仓库ADS层应用、数据看板等。

B站手机下拉_手机下拉功能失效_手机端下拉框

3. 基于埋设标准化元数据的增强效果

在数据标准化实践中，B站也提出了对埋点元数据的应用效率提升、存储、标准化等建议，这些都不是为了管理规范而规范，而是有了实际的应用场景，充分发挥了埋点的价值。可以归纳为三个应用场景，第一是数据上报更准确，第二是存储成本更低，第三是查询变得更加方便。

（1）报告更准确

为了让报告更准确，有一个非常重要的工具，可以是快速、准确、半自动甚至全自动，以找出业务报告的问题在哪里。在埋点设计中，根据业务需求抽象到DRD中，这部分会被输入到结构化的埋点管理工具中，在埋点管理工具中生成一些测试验证或DQC验证的规则，如枚举空值、默认值和值范围等。

同时，在埋点进行采样，并将配置元数据信息下发到客户端 SDK。通过这个环节，测试机可以在测试后台扫描代码，通过SDK上报埋点参数，在服务器上接收埋点，并将埋点日志（包括实时或JSON格式的数据）解析到测试环节。

这

测试环节分为两部分，一部分是汇总展示的日志报告，二是详细测试数据的分析，哪些埋设规则在测试机上触发，模块中的哪些验证规则命中，哪些达标，哪些不达标？不合规的原因是什么？通过对从生产到检测的整个传输环节的支持，提高了埋点报告和验证的质量和效率。

从实际效果来看，埋点测试模块可以通过手机客户端的APP扫码进行连接，测试模块可以实时接收报告端使用的埋点数据，并可以映射到之前在源数据中输入的中文名称、埋点属性、DQC等规则， 进行实时验证判断，汇总并生成视觉测试报告。基于埋点的标准化元数据，哔哩哔哩可以实现近乎实时的效果巡检，覆盖APP、web、的埋点测试。

如果测试环境中的埋点数据缺失，可以通过该环节快速回填到埋点管理环节，使埋点数据规范化、快速填充。这确保了更准确的报告，并使测试更轻松、更直观。

（2）仓储成本降低

数据存储的压力其实在埋地部分会更加突出和严重。如果把埋藏的数据不去存储，以降低成本和提高效率，那么成本是非常高的，因为这种情况有很多商家，不管有用与否，都会先上报，这意味着埋藏的数据有泛滥的倾向。

因此，在对埋藏的源数据进行下游管理的方向上，我们按照业务对数据库和表进行分片，使存储管理变得更容易，而中间表则按照业务类型进行划分，按业务划分，即埋点的第一个ID，做业务分片， 在DWD层或者DWS层的数据仓库中，据此这一层是很好的基础。

除了对服务进行分区表外，它还可以减少存储周期。有了元数据，埋点的级别又分为S级、A级、B级、C级，不同的级别对应不同的存储周期和不同的存储粒度。同时，针对不同类型的埋点，无论是点击曝光页面进行浏览，都有针对性地对埋点进行采样和上报。

对于曝光埋点来说，在很多情况下，商业价值都比较低，重点只是看模块的PV和UV曝光。但是，对于点击的埋点来说，其商业价值会更高，而用户主动触发的这类埋点，就会在细节上被区分，比如点击和启动。不同类型的埋点对应不同的性价比，可以根据不同的性价比对埋点进行抽样，如10%、20%或1%，或者埋点已经离线，离线开关的配置可以远程进行。

（3）咨询变得更加方便

在做埋点分析时，我希望能尽可能多地解码，为分析师和产品经理提供工具和前端交互UI页面，这样会更加友好和直观。已经

准备好了埋点的元数据，提供了前端查询页面，将埋点管理的元数据模块与埋点的元数据模块相结合，获取用户的前端操作，以及存储在DB级别的埋点的元数据，启动查询的SQL， 并将查询结果的结果集返回给可视化BI展示，支持折线图、条形图等多种视觉图形。

在这个过程中，可以看出，被查询的SQL或字段会依赖预分区来加速查询，降低成本，提高整体效率。

B站有一个服务于业务团队的产品，图的顶部是一个用于埋点分析的模块，通过读取埋点的元数据，做可视化展示，包括已经提前抽象出来的埋点私有属性，这里可以做两个部分的分析，一个是做快速筛选和过滤， 另一种是做群组展示。这里实现的分析效率提升，有赖于对埋藏数据的标准化存储和管理。

03

后续展望

关于未来的前景，近期对B站的探索，是基于标准化的埋藏元数据来做自动导流。行业内经常做的数据架构环节分为两部分，一部分是消费数据的实时流，这是经常用到的;另一种是使用离线Hive表，构建分层的ODS、DWD、DWS数据仓库。如果埋点的元数据已经被访问过，是否可以用于流和批次的统一管理，或者统一消费和使用，使一次性分流配置生效，双方口径对齐。

对于下一次业务分流使用，可以预设业务的中间表，如果业务想要自定义某些埋点的消费或者一些业务数据，可以通过对埋点ID的划分来制作一个中间表，或者称为视图级消费，从而降低下游读取整表的查询成本。

最后，通过流批量集成的环节，实现在线实时高质量消费埋水数据流，并将推荐算法用于业务侧。