大数据面试题及答案上篇 01

day01-day02 初始大数据

0.linux集群情况

1. window 宿主192.168.137.188
	node01.hadoop.com node01 192.168.137.100     00:50:56:3D:7D:CC  root 123456
	node02.hadoop.com node02 192.168.137.110     00:50:56:3D:2F:CC  root 123456
	node03.hadoop.com node03 192.168.137.100     00:50:56:28:C3:E8  root 123456
2. 软件安装情况
   node01
   		zookeeper hadoop  jdk8  /export/servers
   		flume(数据采集框架)  /export/servers 
   		hive
   		impala
   		kafka node01:9092   keadmin, 移除topic
   		es user:es passwd:es
   		nodejs
   		kibana
   node02
   		zookeeper hadoop  jdk8  /export/servers
   		flume(数据采集框架)  /export/servers 
   		hive
   		impala
   		kafka
   node03
   	    zookeeper-3.4.5-cdh5.14.0.tar hadoop-2.6.0-cdh5.14.0-src.tar jdk8  /export/servers
   		hive(数据仓库)  /export/servers   端口:jdbc:hive2://node03.hadoop.com:10000
   		flume(数据采集框架)  /export/servers 
   		azkaban-solo(任务调度框架)   /export/servers  端口:http://node03:8081  azkaban azkaban
   		 mysql  root 123456      azkaban azkaban
         azkaban-server/exec  两个执行任务的,一个web  端口:https://node03:8443   azkaban azkaban
         sqoop 
         hive
         impala
         hue(图形界面,可以操作其他组件) node03:8888   root 123456
         oozie(天生分布式) node03:11000 
         kafka-eagle-bin-1.2.2.aaa.tar   node03:8408/ke  admin 123456
     	 kafka_2.11-1.0.0      
         

1. 集群情况

	node01	node02	node03
hdfs	namenode 主节点 存储元数据信息,接收读写请求
	secondarynamenode 辅助节点,
	datanode从节点 存储数据(文件,文件夹)	datanode从节点	datanode 从节点
yarn	resoucemanager 接收计算任务,负责分配资源
	nodemanager 执行分配的任务	nodemanager	nodemanager

2. 软件安装

2.1 安装jdk

• rpm -qa | grep java 查找自带的java
• rpm -e xxx -nodeps 不考虑依赖删除java包
• rpm -ivh 客户端程序 --nodeps --force 安装rpm包
• vim /etc/profile

export JAVA_HOME=/exoprt/servers/jdk1.8.0_141
exoprt PATH=$JAVA_HOME/bin:$PATH

• source /etc/profile 重新编译
• java -version java javac

2.2 安装zookeeper

• cd /export/servers/zookeeper-3.4.5-cdh5.14.0/conf mv zoo_xxx.xxx zoo.cfg
• mkdir -p /export/servers/zookeeper-3.4.5-cdh5.14.0/zkdatas
• vim zoo.cfg
  • 修改dataDir=创建的目录
  • 放开3 1
  • 配置集群关系 server.1=node01.hadoop.com node01 server.2=node02.hadoop.com node02 server.3=node03.hadoop.com node03
  • zkdatas 目录下 echo 1 > /export/servers/zookeeper-3.4.9/zkdatas/myid
  • 发送到另外两台 修改myid
• 启动集群
  • bin 目录下 sh zkServer.sh start | status | stop
  • sh zkCli.sh 退出是quit

2.3 安装hadoop伪分布式集群

• hadoop目录结构

  • bin sbin 存放执行的脚本
  • etc/hadoop 配置文件
  • lib/native hadoop本地库, 存放了以下c程序
    • bin/hadoop checknative 检查hadoop本地库支持什么的
      • hadoop: 支持c程序访问hadoop集群
      • snappy: appach公司的hadoop软件包天使不支持snappy压缩库, cloudera CDH5需要编译

• 修改6个配置文件

  • core-site.xml 核心配置文件 绝对是分布式还是单节点 决定namenode在哪台服务器上

    <property>
    		<name>fs.default.namename>
    		<value>hdfs://192.168.52.100:8020value>
    	property>
    

  • hdfs-site.xml hdfs配置文件, 指定元数据存放位置(2个位置), datanode节点数据存放位置(1个位置)

    并指定外界浏览器访问的端口号50070

    
    <property>
    	<name>dfs.namenode.name.dirname>
    	<value>file:///export/servers/hadoop-2.6.0-	cdh5.14.0/hadoopDatas/namenodeDatasvalue>
    property>
    
    <property>
    	<name>dfs.datanode.data.dirname>
    	<value>file:///export/servers/hadoop-2.6.0-cdh5.14.0/hadoopDatas/datanodeDatasvalue>
    property>
    
    <property>
    	<name>dfs.namenode.edits.dirname>
    	<value>file:///export/servers/hadoop-2.6.0-cdh5.14.0/hadoopDatas/dfs/nn/editsvalue>
    property>
    

  • hadoop-evn.sh 环境变量

  • marped-site.xml mapreduce 配置文件 指定了jobhistoryserver节点在哪台机器上&外界访问端口

    <property>
    	<name>mapreduce.jobhistory.webapp.addressname>
    	<value>node01:19888value>
    property>
    

  • yarn-site.xml 指定主节点在哪台服务器上, 外键默认访问端口号80888

  • slaves 指定从节点在哪台服务器上

• 增加文件夹, 因为刚才配置数据存放位置都是需要创建文件夹的,

  • 先dh -lh 看看磁盘空间
  • 然后创建

  mkdir -p /export/servers/hadoop-2.6.0-cdh5.14.0/hadoopDatas/tempDatas
  mkdir -p /export/servers/hadoop-2.6.0-cdh5.14.0/hadoopDatas/namenodeDatas
  mkdir -p /export/servers/hadoop-2.6.0-cdh5.14.0/hadoopDatas/datanodeDatas 
  mkdir -p /export/servers/hadoop-2.6.0-cdh5.14.0/hadoopDatas/dfs/nn/edits
  mkdir -p /export/servers/hadoop-2.6.0-cdh5.14.0/hadoopDatas/dfs/snn/name
  mkdir -p /export/servers/hadoop-2.6.0-cdh5.14.0/hadoopDatas/dfs/nn/snn/edits
  

• 配置环境变量

• 分发到其他台服务器上

• 启动集群

  • 首次启动一定要格式化hdfs hdfs -namenode format 很重要, 只执行这一次

  • 单个节点启动

    hadoop-daemon.sh start namenode 
    yarn-daemon.sh  start resourcemanager 
    sbin/mr-jobhistory-daemon.sh start historyserver
    #-----------------------------------
    hadoop-daemon.sh start datanode
    yarn-daemon.sh start nodemanager 
    

  • 脚本一次启动

    cd /export/servers/hadoop-2.6.0-cdh5.14.0/
    sbin/start-dfs.sh
    sbin/start-yarn.sh
    sbin/mr-jobhistory-daemon.sh start historyserver
    

• 外键访问界面

  • node01:50070 hdfs界面 可以看到存储的数据
  • node01:80888 yarn界面
  • node01:19888 mapreduce jobhistory历史任务界面

• 为什么要重新编译hadoop

  • 为了支持c程序
  • 为了支持snappy压缩,天生不支持snappy压缩

3. shell 编程

• #!/bin/bash 使用哪种解析器解析脚本

• sh xxx.sh 执行脚本

• 变量 除了变量不空格,其他都空格

  • $1 $2 ${10} xxx.sh 脚本中获取命令窗口传递过来的参数
  • a=$1b=$var $var 脚本中调用变量(调用的变量需要初始化,也就是要有初始值)

• 参数的传递

  • $n 接收传递的第n个参数
  • $@ 接收全部参数 数组格式
  • $* 接收全部参数 拼接为字符串
  • $# 几个参数

• 计算

  • expr $a + $b
  • c=$(( $a + $b )) 或者 count=1 (( count++ ))
  • d=$[ $a + $b ]

• 比较运算符

  • [ $a -eq $b ] [ $a -gt $b ] [ $a -lt $b]

• 选择

  #!/bin/bash
  a=$1
  b=$2
  if[ $a -eq $b]
  then
  	echo $a 等于 $b
  elif[ $a -gt $b ]
  then
  	echo $a 大于 $b
  else
  	echo $a 小于 $b
  fi
  # --------------命令窗口执行
  sh hello.sh  20 30 
  

• 循环

  #!/bin/bash
  for n in $@
  do
  	echo $n
  done
  
  # --------------命令窗口执行
  sh hello.sh  20 30 40 50 
  

• 函数

  #!/bin/bash
  funshow(){
  # 使用$@ 接收调用本参数时传递的参数
      for n in $@
      do 
      	echo $n
     	done 	
  }
  # 脚本中调用自定义的函数, 使用$@接收命令行传递的所有参数
  funshow $@
  
  # ---------------命令行执行
  sh hello.sh 20 30 40 
  

4. zookeeper集群介绍

• 可以理解为交通路况的红绿灯, 负责协调指挥, 功能:

  • 统一命名服务 dubbo
  • 分布式配置管理 solr cloud
  • 分布式的消息队列 pub/sub 类似于activeMQ
  • 分布式锁
  • 分布式协调

  pdsh,Puppet也可以管理集群

• zookeeper特性

  全局数据一致性：所有的机器看到的数据都是一样的

  可靠性：如果消息被一台服务器接收，那么终将被所有的服务器接收

  顺序性：如果A消息在B消息之前发布，那么所有的机器都是先处理A消息，再处理B消息

  数据更新的原子性：我们所有的操作都是事务性的操作，要么全部成功，要么全部失败，没有中间状态

  实时性：消息最终会被同步到所有的机器上面去

• 主从+准备

  • 主节点 负责处理事务&非事务请求, 用户就算增删改请求发送到从节点上,也要把请求转发到主节点,主节点执行后,会把数据同步给其他从节点
  • 从节点 负责处理非事务请求,用户就算把读请求发送到主节点上, 主节点也会把请求转发到从节点上去(空闲着的), 从节点将数据读取出来发送给客户端
  • 观察者, 增大并发请求, 不参与投票,也就是增加机器是为了增加并发而不是高可用

• 数据结构 二叉树, 每一个节点叫做znode

• zookeeper节点

  • 有一个同意的根路径 /
  • 两个类 四小类
    • persistent 服务器关闭,永久节点才会xiao
      • persistent normal 创建时不可以重名
      • persistent sequential创建时可以重名, 有序的,向上的
    • ephemeral 临时节点只有客户端已关闭, 就会消失
      • ephemeral normal
      • ephemeral sequential
  • 创建序列化节点可以重名, 非序列化节点不可以重名,命令窗口create节点写数据无法写入空格
    • cretae [-e] [-s] /aaa hello
    • ls /hello
    • ls2 /hello
    • get /hello
    • set /hello world
    • rmr /hello
  • 节点兼具文件和文件夹的特性最多1M
  • 只有永久节点才可以创建子节点,临时节点无法创建子节点
  • 临时节点+watch监听器
    • get /zhangsan 再开一个窗口连接客户端就修改数据 第一个窗口就能监听到了 NodeDataChange
    • ls /zhangsan 窗口2给/zhangsan节点下面新增一个节点 窗口1 NodeChildChange
  • 特点
    • 一次有效
    • 异步
    • 先注册有触发

• javaAPI 节点操作套路

  • 获取连接
  • 执行
    • create(), set(), get(), delete()
  • 关闭连接(注意,临时节点&监听器关闭连接就会失效)
  • 监听器,有一个treeCacheEvent
    • treeCacheEvent.getType() type 是事件
      • NODE_ADDED
      • NODE_REMOVED
      • NODE_UPDATED
      • NODE_INITALIZED
    • treeCacheEvent.getData() data 是datanode上面的数据

5. hadoop 2.x 高可用集群介绍

• hdfs分布式文件存储系统(赋值文件的存储+查询),

  主从模式,无主备—就是主节点死了,从节点不会成为主节点,需要我们手动搭建备份节点 hdfs ha

  • namenode 主节点,存储&管理元数据信息, 接收客户端的请求
    • 元数据:描述数据的数据 大小 类型 位置 权限等等 , 和数据本身无关, 根据元数据可以知道存储的数据在哪里
  • secondarynamenode 辅主主节点管理元数据
  • datanode 从节点 存储数据(文件 文件夹都叫做数据)
  • journalnode 同步数据的节点(namenode active–namenode standby),让两个namenode元数据相同,防止脑裂
  • ZKFC hdfs的守护进程, 时不时的摸一摸namenode的心跳, 当节点死去,让standby成为active

• yarn 资源调度系统

  • resourcemanager 接收用户的计算任务, 分配资源(cpu 内存), 不分配任务
  • nodemanager 执行分配的任务

6. hdfs命令

hdfs文件都是以/开头的, 和zookeeper中节点类似

6.1 普通命令

• hdfs dfs -ls /

6.2 限额

• 限制文件个数 hdfs dfadmin -setQuota
• 限制大小 hdfs dfadmin -setSpaceQuota
• 取消 hdfs dfadmin -clrQuota/SpaceQuota url
• 查看 hdfs dfs -count -q -h url

6.3 安全模式

• hadoop开启后,默认进入安全模式(只能读取数据), 30s后退出安全模式
• 手动开启安全模式hdfs dfsadmin -safemode enter|leave , 手动进入安全模式,必须手动退出才可以

6.4 使用mapreduce程序测试

• 写入数据 20-30M/s
• 读取数据 50-100M/s

7. HDFS入门

分布式文件存储系统, 可以理解为一块磁盘, 每个服务器磁盘之和

• 主从架构,没有主备,要想实现主备需要配置高可用
• 分块存储 hdfs-site.xml配置 每块默认128M
• 名字空间 core-site.xml 第一行配置 绝对是分布式还是单机版本
• namenode元数据管理 目录j结构&文件分块信息叫做元数据
• datanode数据存储
• 副本机制, 几个从节点就几个副本
• 一次写入,多次读出 读多写少

day03 HDFS增强

1. hdfs注意事项

• 一个block 默认128M, 3个副本 hdfs-site.xml进行设置
• 小文件会占用元数据内存,但不会占用磁盘空间
• hdfs写入数据时, packet 64KB 会有acs检查机制 使用UDP协议
• 假设数据1G, 需要准备13倍的内存(至少准备13倍)
  • flume数据先采集过来 3倍
  • 清洗非结构化数据–>结构化数据 6倍
  • ods 构建外部表, 会将flume数据采集的位置剪切到对应的hive文件夹下面–> 不重新占内存
  • dw --> 会映射过来(3份), 9倍
  • app --> 会映射过来(3份), 12倍
  • mr程序,会产生中间数据(1份), 13倍

2. hdfs写入流程

3. hdfs 读取流程

![](/

4. hdfs元数据合并

5. 小文件合并(上传到hdfs前合并)

• java代码就是一个中介, 符合copy输入流到输出流中
• 通过分布式文件系统对象,获取输出到hdfs的输出流
• 获取本地文件系统对象, 遍历本地path对象, 通过本地文件系统对象打开输入流(读取小文件)
• 读取的同时, copy(输入流, 输出流), 每次copy完后,关闭本地输入流
• for循环结束后,关闭分布式文件系统的输出流对象

6. mr入门

• 读取文件, k1(行偏移量) , v1(一行内容)
  • TextInputFormat
• 自定义map逻辑, 输出k2(切割后的每个单词), v2(1)
• 分区(相同给的k2发送到同一个reduce中)
  • 默认使用hashPartitioner
• 排序(局部排序)
  • WritableComparable
• 规约
  • mapreduce当中调优的手段。combiner就是一个reducer的程序、combiner是运行在map端的一个reduce程序，reducer是真正运行在reduce端的一个程序
• 分组(k2合并,v2形成集合), 分组内的排序是全局排序
  • WritableComparator
• 自定义reduce逻辑, k2,v2–>k3 v3
• 输出k3, v3
  • TextOutputFormat

7. 手写wordCount

day04 Mapreduce增强

1. block

hdfs上面一个block只能存储同一个文件的数据,

一个空文件夹不会产生block, 但会产生元数据

2. 删除非空目录和文件才可以使用 -rmr

如果是空目录,直接mv剪切走

3. 排序

• 想按照什么排序, 什么就放到k2位置
• 想按照什么求和,什么就放到k2位置

4. mapreduce 整个过程注意事项

• map中有shuffle阶段的3个步骤, 环形缓存区 默认100M, 80%会触发溢写程序, 从环形缓存区(内存)–>内存或磁盘或内存+磁盘
• maptask的个数取决于TextInputFormat的个数, 取决于inputSplit的个数,
  • inputSplit的大小取决于 mapred.min.split.size & mapred.max.split.size 的配置,如果不配置, inputSplit的大小默认为128M, 也就是一个block的大小
  • 所以,默认情况下 有多少个block,就要多少个maptask
• reduceTask 的个数 取决于job.setReduceNumTasks()
  • 默认reduceNum为1, 使用的是HasPartitioner 实现了Partitioner
    • reduceNumTask的个数不会小于分区的个数
  • 如果是手动实现Partitioner, 需要手动设置reduceNumTask的个数
    • 如果reduceNumTask个数小于分区个数 报错 10块砖 只有5个人搬
    • 如果reduceNumTask个数大于分区个数 产生空文件 10块砖 只有15个人搬
    • 如果reduceNumTask个数等于分区个数 正好 10块砖 只有10个人搬
• 压缩机制
  • map输出数据压缩
  • reduce输出数据压缩 snappy appach天生不支持这种编译, 需要手动编译
• 计数器 TaskCounter
• 规约 基础reducer map阶段就合并相同k2的数据, 减少k2数据量的传输

5. join(数据倾斜)

• map join
  • block缓存, 需要把要缓存的数据上传到hdfs系统,然后缓存到block中
  • map逻辑中setup()从缓存中读取出来
    • 字符缓存流
    • 字节流–>字节转换流(字节流+编码集)–>字符缓存流
  • map逻辑map 再合并数据
• reduce join
  • reduce逻辑中拼接数据

6. 读取本地文件

• 读取本地文件,也会有block, 但是不会有副本
• 只能从hdfs上放到block缓存中

7. 案例

• 分区 按照手机号分区
• 排序 定义一个SortBean implements WritableComparable
  • 重写compareTo(SortBean o)方法,
    • 0:相等
    • 正数:前者比后者大(默认排到后面)
    • 负数:前者比后者小
• 规约 combiner 就是一个map端的reduce
  • 每个mapTask输出的数据先进行一次合并, 合并后再发送到reduce端
  • 减少k2的传输量, 提高网络IO的性能

day05 maprduce高阶训练

1. io流

• 字节流 --> 转为字符缓存流
  
• 字节流–> 字节数组
  

2. 案例

• 查询共同好友
• hdfs小文件合并,自定义fileInputFormat
• 上传文件后, 分文件夹, 自定义fileOutputFormat
• 分组求topN, 自定义compator,
  • 按照pid 分区, 分组(同一组的数据,调用一次reduceTask), 如果不分组, 就每一条数据调用一次reduceTask
  • 按照money排序

3. mapreduce任务调度流程

3.1 yarn的基本介绍

yarn的主要作用：管理任务，调度资源

resourceManager：主节点，主要用于接收客户端的请求，分配资源

nodeManager：从节点，主要是用于执行我们的任务，说白了就是提供cpu和内存的

ApplicationMaster：主要用于申请资源，分配资源，分配任务，任务生命周期的管理

container：资源分配的单位，所有的任务执行，都在container里面，主要用于分配资源，以及回收资源

JobHistory：查看历史完成的任务的日志

TimeLineServer：2.4以后引入的新特性 查看正在执行的任务的情况

3.2 yarn当中的调度器

调度器：主要是用于研究一个任务提交之后，下一个任务又来了该怎么执行。决定我们任务如何进行执行

yarn当中的调度器主要用三种

• 第一种：队列调度器 FIFO。第一个任务提交，先执行，然后第二个任务提交，等着第一个任务执行完毕之后再执行第二个任务

  第一个任务：大任务，需要运行4个小时

  第二个任务：小任务，需要运行3分钟

  这种调度器没人用，不管是apache软件的版本，还是CDH软件的版本 hadoop1.x使用的就是这种版本

• 第二种调度器：capacity Scheduler 容量调度器 apache的版本默认使用的调度器

  • 将整个资源，划分成好多块。

    根据我们提交的任务需要资源的大小，将我们的任务，划分到不同的资源队列里面去，可以允许多个任务并行的快速的执行

  • 缺点：将资源给划散了

• 第三种调度器：Fair scheduler 公平调度器 CDH的软件默认使用的调度器

  第一个任务提交，将所有的资源 全部分配给第一个任务，保证第一个任务最快的完成

  第二个任务提交：从第一个任务当中划分一部分资源出来，给第二个任务进行执行

  • 缺点：造成资源的频繁的分配
  • 优点：可以快速的执行我们的一些大任务

• 交换区空间大小：如果内存不够用了，找一块磁盘，当做内存来用

  磁盘大小定义 2.1 * 内存大小

day06 hive(数据仓库)

0. hive概述

• 三种交互方式

• 依赖hdfs&yarn, 底层mr查询数据

• 解析(hql)–编译(hql)–优化(hql)生成查询计划保存在hdfs中–执行mr
  

1. 数据仓库

• 面向主题的(非关系型), 集成的,非易失的(数据不可以变),时变的(分析手段)
• 只支持数据的添加和查询,不可以删除数据或修改数据
• 分层
  • 数据源层: ODS 从外界(hadoop就是从hdfs)抽取数据EXTRA
  • 数据仓库层:DW 使用hql语句转换 transform
  • 应用层:APP 结果分析, 展示

2. hive小结

• 交互方式

  • bin/hive --service hiveserver2 ---->后台 nohup bin/hive --service hiveserver2 &

    ​ nohup bin/hive --service metastore &(impala需要)

  • bin/beeline

    beeline> !connect jdbc:hive2://node03.hadoop.com:10000

• ruduce设置方式

  set hive.enforce.bucketing=true;
  set mapreduce.job.reduces=3;

• 分区表要手动映射关系 msck repair table score4;

• 创建表

  create [external] table score_third(sid string, c_id string, s_score int) partitioned by(month string) clustered by(sid) into 3 buckets row format delimited fields terminated by ‘\t’;

  可以指定表存在的位置, 这个目录可以存在也可以不存在

  • 如果目录不存在, 会创建这个目录,在这个目录下面创建一个表名文件夹
  • 如果目录存在, 直接将数据导入到该目录下

• 加载数据

  • 通过load方式加载数据

    (无法加载数据到分桶表中) ; 如果是从hdfs上面被load的数据会被剪切到score表文件夹下面

    load data [local] inpath ‘/export/servers/hivedatas/score.csv’ overwrite into table score partition(month=‘201801’);

  • 通过查询方式加载数据

    • create table score4 like score; 复制表结构

    • 可以加载数据到任何类型的表中

      insert overwrite[关键字overwrite 必须要有] table score_third partition(month=‘201801’) select s_id,c_id,s_score from score [where month=‘201805’] [cluster by(s_id)];

  • 查出来的数据直接下载到本地 (不能指定到/)

    insert overwrite local ‘/export/servers/hivedatas/随便起名字’ select myfunc(jsonstr) from temp_table;

• 开启本地模式

  set hive.exec.mode.local.auto=true;
  set hive.exec.mode.local.auto.inputbytes.max=51234560;
  set hive.exec.mode.local.auto.input.files.max=10;

• 小技巧

  • 清屏 ctrl + l

  • 查看表结构: desc fromatted 表名

  • 查看内置函数如何使用: desc function extended upper;

    hive客户端添加jar包

    add jar /export/servers/hive-1.1.0-cdh5.14.0/lib/json.jar;
    create temporary function strToJson as ‘cn.itcast.udf.StrToJson’;

3. 小结2

• 内部表,
• 外部表(删库不删数),
• 分区表, 通过insert方法加载分区表中的数据要注意, 不能select * , 要select具体字段, 查出来的字段比要添加的多, 因为添加的表已经指定字段了
• 分通表, 分文件的, cluster by(c_id)

4. 排序

• order by
• sort by
• distrubute by

5. 杂记

设计分布式数据仓库hive的数据表时，为取样更高效，一般可以对表中的连续字段分桶

6. hive当中数据存储格式&压缩格式选择

6.1 hive当中的存储格式

• 数据的存储格式主要分为两大类，一类是行式存储，一类是列式存储

  • 行式存储：TextFile，SequenceFile。

    • textFile 行式存储
    • sequenceFile 二进制的行式存储

  • 列式存储：Parquet ,Orc。

    • orc，一个orc文件，由多个stripe组成。一个stripe由三部分构成

      indexData：存储了row data里面的索引的数据

      row data：数据都存在row data里面

      stripe footer：stripe的元数据信息，第多少个stripe，上一个stripe是哪一个，下一个stripe是哪一个

    • parquet twitter + cloudera公司 合作开发 列式存储

• 主流文件存储格式的对比

  原始文件18.1M

  • textFile存储格式 18.1M
  • orc存储格式 2.8M 两方面的原因 第一方面数据格式更加紧凑，占用磁盘空间比较少。第二方面：orc自带了一种压缩算法
  • parquet 存储格式：13.1M

  存储文件的压缩比总结：

  ORC > Parquet > textFile

• 文件的查询速度

  log_text 9.756 seconds

  log_orc 9.513 seconds

  log_parquet 10.628 seconds

查询速度总结：log_orc > log_text > log_parquet

6.2 存储与压缩结合使用

建表的时候既要指定我们的存储格式，也要指定我们的压缩方式

如果建表的时候指定存储格式为orc，不指定任何的压缩算法，18.1M的文件变成了7.7M

如果文件存储格式指定为orc，压缩方式知道个为snappy，18.1M的文件变成了3.8M

实际工作当中，一般自己使用建立的内部表数据，存储格式都是使用orc，压缩方式都是使用的snappy

7. hive内置函数

• UDF（User-Defined-Function）

  一进一出

• UDAF（User-Defined Aggregation Function）

  聚集函数，多进一出

  	类似于：count/max/min
  

• UDTF（User-Defined Table-Generating Functions）

  一进多出 如lateral view explore()

day07 flume & azkaban & sqoop

0. flume运行

• 设置配置文件
  • flume需要依赖JDK, flume.env中要配置JDK的环境变量
• flume家目录中运行
  • bin/flume-ng agent -n a1 -c conf -f conf/spooldir.conf -n a1 -Dflume.root.logger=INFO,console;

1. 离线数据分析

2. flume是什么

• 一个flume程序运行起来就是一个anget

  • source 采集数据
  • channel 缓存数据
  • sink 下沉数据的, 将数据发送到hdfs上面
  • events：我们一条条的数据，一条数据就是一个event

• 数据采集框架, 也就是采集数据的第一步

• 可以采集网络端口, 采集文件夹, 采集文件等

3. flume面试问题

• flume有没有做监控

  第一个：数据源，数据一直在增多，但是没有改变后缀名。说白了就是.complete 的文件没有增多

  第二个：数据的目的地，数据的目的地没有增多

  依据以上两个现象：就可以判断flume有没有在干活儿。判断flume没有干活儿了？？？杀掉flume的进程，然后将文件夹下面的文件全部移走，然后重新启动flume即可

  可以通过shell脚本来实现

  需要自己通过shell脚本，或者java程序，定时的检测flume是否正常工作

• flume多长时间滚动异常

  • size 文件大小
  • count events(数据的条数)
  • internal 滚动的频率

• mysql -->hdfs

• 没有对应的source, 从mysql上采集数据

• 自定义source,sink, mysql驱动包, flume-sql连接jar包

• canal(阿里巴巴的项目), streamSet

4. 几种source channel sink

• 采集网路端口

  • source: network
  • channel: memory channel
  • sink: logger(打印到控制台)

• 采集hdfs某一文件夹中的数据

  • source: spooldir

    1、监视一个目录，只要目录中出现新文件，就会采集文件中的内容

    2、采集完成的文件，会被agent自动添加一个后缀：COMPLETED

    3、所监视的目录中不允许重复出现相同文件名的文件

  • channel: memory channel

  • sink: hdfs

• 采集具体文件

  • exec
  • channel: memory channel
  • sink: hdfs

• agent串连

  • exec, avro

  • memeory

  • avro, hdfs

  • 需要注意的是,第一个agent中配置sink时,hostname=第一个agnetURL,

    		第二个agent中配置source时, bind=自己的url
    

• failover&负载均衡

  • 一个source, 两个sink
  • 分配比例& 随机分配

• 案例一, 多node采集, 采集后各自文件数据不可以混乱

  • source配置静态拦截器,采集的时候拦截下来, 分配标签
  • 多个sources, 一个sinks
  • sink收集的时候, 根据标签分类

• 自定义拦截器, 敏感信息

  • source配置自定义拦截器
    java代码

5. azkanban运行

• 赋值调度采集6步骤(任务), 凌晨2-3点执行任务

• 单机启动

  cd /export/servers/azkaban-solo-server-0.1.0-SNAPSHOT

  bin/start-solo.sh

• 两台启动

6. sqoop数据迁移

• 底层跑maptask任务, 不跑reducetask任务

6.1 sqoop简介

• sqoop是一款数据导入导出的工具，从关系型数据库到大数据平台，从大数据平台到关系型数据库

• sqoop的版本分为两大类：

  sqoop1：主要就是通过命令行来进行操作，比较方便

  sqoop2：添加了一个服务端的模式，需要启动一个服务端。我们可以通过代码操作，可以通过脚本操作，可以远程连接操作数据的导入导出等

  一般我们都是使用sqoop1这种版本，我们只需要写命令就可以将数据导入导出即可。以后就可以把命令，保存到脚本里面去，定时的执行脚本即可

6.2 数据查看

• 都是启动了一个job任务，这个job任务只有maptask，没有reduceTask
• 使用sqoop列举出数据库当中所有的数据库

bin/sqoop list-databases  --connect jdbc:mysql://192.168.16.30:3306 --username root --password admin

• 列举出win7某个数据库下面的所有的数据库表

bin/sqoop list-tables --connect jdbc:mysql://192.168.16.30:3306/userdb --username root --password admin

6.3 mysql --> hdfs

• 将关系型数据库里面的数据导入到hdfs上面去

bin/sqoop import --connect jdbc:mysql://192.168.16.30:3306/userdb --username root --password admin --table emp -m 1 

• 将mysql数据导入到hdfs里面去，并且指定导入的路径

 bin/sqoop import --connect jdbc:mysql://192.168.16.30:3306/userdb --username root --password admin --table emp -m 1 --delete-target-dir --target-dir /sqoop/emp

• 将mysql数据导入到hdfs里面去，并且指定导入的路径，并且指定字段之间的分隔符（一定要掌握）

bin/sqoop import --connect jdbc:mysql://192.168.16.30:3306/userdb --username root --password admin --table emp -m 1 --delete-target-dir --target-dir /sqoop/emp2  --fields-terminated-by '\t'

6.4 导入mysql数据---->hive里面去(底层也是先导入到hdfs上)

• 记得一定要拷贝hive-exec.jar到sqoop的lib目录下去

  不然的话，数据也不能够导入到hdfs里面去

• 将mysql数据导入到hive的表里面去（需要提前建立hive的表）

 bin/sqoop import --connect jdbc:mysql://192.168.16.30:3306/userdb --username root --password admin   --table emp --fields-terminated-by '\001' --hive-import --hive-table sqooptohive.emp_hive --hive-overwrite --delete-target-dir --m 1

• 导入数据到hive数据库并且自动建立hive的表

 bin/sqoop import --connect jdbc:mysql://192.168.16.30:3306/userdb --username root --password admin --table emp_conn --hive-import -m 1 --hive-database sqooptohive

• 导入数据子集：我们可以通过自定义sql语句，决定我们需要导入哪些数据

 bin/sqoop import --connect jdbc:mysql://192.168.16.30:3306/userdb --username root --password admin  --delete-target-dir -m 1 --query 'select phno from emp_conn where 1=1 and  $CONDITIONS' --target-dir /sqoop/emp_conn

6.5 增量导入

• 实际工作的当中，一般都是每天导出一次数据库里面的数据出来，一般都是凌晨导入前一天的数据，可以通过sqoop的增量的导入，将我们的数据，每天导入一次到hdfs里面去，这种方式就叫做增量的导入

  只需要导入前一天的数据，以前的数据都导入过，就不用再导入了

• 如果我们指定 --check-column id 指定 --last-value 1205 就会把id值大于1205的数据全部导入过来

  • 伪增量导入

  bin/sqoop import --connect jdbc:mysql://192.168.16.30:3306/userdb --username root --password admin  --table emp --incremental append --check-column id --last-value 1205 -m1 --target-dir /sqoop/incremen
  

  • 通过–where来实现我们数据的增量的导入

 bin/sqoop import --connect jdbc:mysql://192.168.16.30:3306/userdb --username root --password admin  --table emp --incremental append --where "create_time > '2018-06-17 00:00:00' and create_time < '2018-06-17 23:59:59'" --target-dir /sqoop/incement2 --check-column id -m 1 

• 面试题：如何解决减量的数据？？？？？

  • 数据库里面被别人删除了一条数据

    2018-12-30 应该去导入2018-12-29号的数据 但是别人还把2018-12-25 号的一条数据给删掉了？？？

    一个人去银行办理业务，之前的手机号是13788888888 改成了13766666666

    数据的标记，没有什么删除不删除数据只说，所有的删除都是逻辑删除，其实就是更新数据

    如果真的要做数据，所有的删除操作都是逻辑删除

  • 任何删除的操作都是有一定意义的

  • 我们获取数据的时候

    –where " update_time > ‘2018-12-27 00:00:00 and update_time < 2018-12-27 23:59:59’"

  • 如何解决减量的数据？？？

  没有减量的数据，所有的减量的数据，都是更新操作，一旦更细，更新时间就会变，到时候我们就按照更新时间来进行获取数据即可

  hello 2018-12-25 12:25

  hello 2018-12-27 12:25

6.6 hive/hdfs–>mysql

bin/sqoop export \
--connect jdbc:mysql://192.168.16.30:3306/userdb \
--username root --password admin \
--table emp_out \
--export-dir /sqoop/emp \
--input-fields-terminated-by ","

• 如果数据导出的时候，出现中断怎么办？？

  一般可以这么做，将我们的数据导出到一张临时表里面去，如果临时表导入成功，我们再去导入数据到真正的目标表里面去，可以提高我们导入成功的概率

day08-day09 离线项目

0. 点击流分析

0.1 表模型

• page作为点, 根据sessionId就可以将用户在该网站的访问情况绘制成一条线, 就可以分析用户的访问轨迹

• 表模型

  • 原始数据 通过flume采集得到的input数据

  • 原始访问日志表

    • mr数据清洗原始数据. 过滤脏数据,得到weblog_origin
    • 通过load方式, 加载到hive的ods层, 源数据

  • pageview表(重视每一次的访问, 一个用户访问一次就记录一次, 并且标记session和每个session中访问了多少个页面)

    • mr处理, input是weblog_origin, k2为ip—> 得到ouput就是pageView

    • load的方式, 加载到hive的ods层

  • visit表模型(重视每一次会话的情况, 标记每一个session起始时间)

    • mr处理, input是pageView, k2为session–> output就是visit
    • load的方式, 加载到hive的ods层

0.2 分析手段

• 高收益一定伴随高风险：一般的开公司的回报率大概在 10% - 20%

• 网站分析常见的一些手段：

  • 流量的质量分析： 竞价排名 —>魏则西事件 莆田医院
  • 网站流量多维度分析：从各个方面可以分析我们的网站的访问情况
  • 网站内容及导航分析：分析我们网站的浏览情况，以及我们流量的导流情况—>网络刷手，改评论
  • 漏斗转化模型的分析：每一步相对一第一访问人员比例, 每一步相对于上一步访问比例

• 流量分析常见的指标：

  • 骨灰级的指标：

    IP：网站每日访问不重复的ip的个数。不重复的ip的个数越多，说明我这个网站访问的独立的人越多

    Page View：PV值，访问一个页面算作一次PV

    Unique Page View： UV值 一天之内访问网站不重复的用户数。不重复的用户越多，说明我这个网址访问的人数越多。使用cookie来进行区分不同的用户

    基础级指标:

    访问次数：session级别的次数
    
    网站停留时间：可以统计每个人再网站停留多长时间
    
    页面停留时间：页面停留时间，每个页面停留多长时间
    

  • 复合级指标：

    人均浏览页数：平均一个人看了几个页面 总的页面浏览次数/去重的人数

    跳出率：只访问了一个页面就跑了的人数/总的访问的人数

    退出率：只访问了一次（session会话级别）就跑了的人数/总的访问人数

  • 基础分析指标：

    趋势分析：网站流量的走势

    对比分析：同比与环比

    当前在线：当前网站有多少个人在线进行访问

    访问明细：访问用户的一些详情信息

    来源分析：主要就是分析我们网站访问的各种流量都是从哪里来的

    受访分析：网站受到访问的一些分析情况

    访客分析：分析来我们网站访问的用户，都是哪一类人

       * 大数据杀熟
    
       * 滴滴打车
    
       * 转化路径分析
    

• 通过ip地址可以确定我们一个人的大致范围

  友盟大数据统计

  https://solution.umeng.com/?spm=a211g2.182260.0.0.650d9761zdqr58

• 数据导入导出的工具：canal streamset flume 采集mysql数据 得要下去了解

  实际采集mysql数据库的数据

0.3 离线处理框架

• 离线阶段框架梳理：

  zookeeper + hadoop + hive + flume + azkaban+ sqoop + impala + oozie + hue

  基础框架 zookeeper + hadoop

  数据采集： flume

• 离线处理第一套框架：azkaban + hive + sqoop 已经比较陈旧了

• 离线处理第二套框架： oozie + impala + hue + sqoop 来处理我们离线的任务。我们可以通过托拉拽的方式，实现我们离线任务的执行以及离线任务定时执行

基于已有的伪分布式环境，如何转换成HA的环境，并且保证hdfs上面的数据不丢失

为了解决我们所有的大数据软件的安装的烦恼，我们可以使用CM图形化的界面的工具来安装管理我们的集群

以后安装大数据软件，直接在页面上点一点就行了

1.flume集数据

• source Taildir监控某个目录, TailSource可以同时监控tail多个目录中的文件

  a1.sources = r1
  a1.sources.r1.type = TAILDIR
  a1.sources.r1.channels = c1
  a1.sources.r1.positionFile = /var/log/flume/taildir_position.json
  a1.sources.r1.filegroups = f1 f2
  a1.sources.r1.filegroups.f1 = /var/log/test1/example.log
  a1.sources.r1.filegroups.f2 = /var/log/test2/.*log.*
  

2. 数据清洗, mr过滤不合规的数据(转为结构化数据)

• 视频数据属于非结构化数据

2.1 作用

• 得到结构化的数据
• 方便load到hive的ods层
• 处理最原始的数据,也就是flume采集过来的数据, 得到weblog_origin
• 处理weblog_origin, 到的pageView数据, k2 就是weblog_origin的ip
• 处理pageView数据, 得到visit数据, k2就是pageView中标记的session

3. 数据仓库设计

3.1 概述: 数据仓库建模

• 维度表: 主键(不同的维度标识),比方说是时间, 地域,部门,产品

• 事实表:有外键约束(维度表的主键), 一件完整的事情.

  • 事实表是主表,维度表是从表, 事实表中有的数据,维度表中可以没有,但是事实表没有的数据,维度表一定不可以有.
  • 事实表和维度表的关系 是一对多.
    

• 数仓建模的方式

  • 星型模型
    

    • 雪花模型

* 星座模型

3.2 本项目采用的建模方式

• 星型模型
• 事实表
  • 原始数据表: ods_weblog_origin =>对应mr清洗完之后的数据
  • 访问日志明细宽表：ods_weblog_detail=>对应ods事实表的精细化拆分

    • 将time_local 拆分成 时,日,月

    • 将http_referer 拆分成 host,来源的路径, 来源参数,来源参数值,agent

      UDTF,parse_url_tuple一行进多行出的高阶行数

• 维度表
  • 时间维度
  • 访客地域维度
  • 终端类型维度
  • 网站栏目维度

4. ETL(ods层数据导入)

Extrol, Transform, load 抽取,转换,加载: 就是从各个数据源提取数据, 对数据进行转换, 并最终加载填充数据到数据仓库维度建模后的表中.

4.1 ods层表结构

• ods_weblog_origin

• ods_click_pageviews(重视每一次访问的情况)

• ods_click_stream_visit(重视每一次session的会话情况,每次seession什么时候来的,什么时候走的)

• ods_weblog_detail(对weblog_origin的细化)

  insert into table ods_weblog_detail partition(datestr='20130918')
  select 
  c.valid,
  c.remote_addr,
  c.remote_user,
  c.time_local,
  substring(c.time_local,0,10) as daystr,
  substring(c.time_local,12) as tmstr,
  substring(c.time_local,6,2) as month,
  substring(c.time_local,9,2) as day,
  substring(c.time_local,11,3) as hour,
  c.request,
  c.status,
  c.body_bytes_sent,
  c.http_referer,
  c.ref_host,
  c.ref_path,
  c.ref_query,
  c.ref_query_id,
  c.http_user_agent
  from
  (SELECT 
   a.valid,
   a.remote_addr,
   a.remote_user,
   a.time_local,
   a.request,
   a.status,
   a.body_bytes_sent,
   a.http_referer,
   a.http_user_agent,
   b.ref_host,
   b.ref_path,
   b.ref_query,
   b.ref_query_id 
   FROM ods_weblog_origin a 
   LATERAL VIEW parse_url_tuple(regexp_replace(http_referer, "\"", ""), 'HOST','PATH','QUERY',  'QUERY:id') b as
   ref_host, 
   ref_path, 
   ref_query,
   ref_query_id) c;
  

4.2 ods构建明细宽表hive函数

4.2.1 url解析函数 lateral view parse_url_tuple()

• lateral view parse_usr_tuple(fullurl,‘HOST’,‘PATH’,‘QUERY’,‘QUERY:id’) b as host,path,query,query_id. UDTF一行进多行出的函数, 解析url

• 案例

  select b.* from src lateral view parse_usr_tuple(fullurl,'HOST','PATH','QUERY','QUERY:id') b as host,path,query,query_id.
  

  • b就是多行出的一个临时表, 每一行的字段asxxx, 然后再b.*查出来

  • 解析后的结果如下

    http://www.baidu.com/hello/world?username=zhangsan

    • HOST:www.baidu.com
    • PATH:/hello/world
    • QUERY:username
    • QUERY?zhangsan

4.2.2 替换函数 regexp_replace()

• regexp_replace(xxx, “被替换的字符”,“要替换为的字符”)

  UDF 一行进,一行出. 用来替换字符串中的某个字符

• 案例 desc function extended regexp_replace 可以查看案例

  lateral view parse_url_tuple(regexp_replace(http_referer,"\"", "")) 
  

  • 第一个参数是被替换的, 引号
  • 第二个参数是要替换为的字符,是一个空值

4.2.3 截取函数 substring()

• substring(从第几个开始截取,截几个)截取函数–>注意和java中的函数区分, java中的(内部指的是索引)

  • (截取字符串的某一部分,作为一个新字段) 是UDF一行进一行出的函数
  • substring(xxx,n) 从头开始截取,截取n个字符
  • substring(xxx,m,n) 从第m个字符开始截取,截取n个字符

• 案例 把ods_weblog_detail中的time_local拆分成5个字段 访问日期,访问时间,访问月,访问日,访问时

5. 模块开发–统计分析

5.1 流量分析

5.1.1 时间/referer/host维度

• 时间维度: 计算每小时/每天的pvs, 访问一次就计算一次pv

  drop table if exists dw_pvs_everyhour_oneday;
  create table if not exists dw_pvs_everyhour_oneday(month string,day string,hour string,pvs bigint) partitioned by(datestr string);
  insert  into table dw_pvs_everyhour_oneday partition(datestr='20130918')
  select a.month as month,a.day as day,a.hour as hour,count(*) as pvs from ods_weblog_detail a
  where  a.datestr='20130918' group by a.month,a.day,a.hour;
  
  create table if not  exists dw_pvs_everyday(pvs bigint,month string,day string);
  insert into table dw_pvs_everyday
  select count(*) as pvs,a.month as month,a.day as day from ods_weblog_detail a
  group by a.month,a.day;
  

• 按照referer维度: 统计每小时各来访url产生的pv量，查询结果存入

  drop table if exists dw_pvs_referer_everyhour;
  create table if not exists dw_pvs_referer_everyhour
  (referer_url string,referer_host string,month string,day string,
  hour string,pv_referer_cnt bigint) partitioned by(datestr string);
  
  insert into table dw_pvs_referer_everyhour partition(datestr='20130918')
  select 
  http_referer,
  ref_host,
  month,
  day,
  hour,
  count(1) as pv_referer_cnt
  from 
  ods_weblog_detail 
  group by http_referer,ref_host,month,day,hour 
  having ref_host is not null
  order by hour asc,day asc,month asc,pv_referer_cnt desc;
  

• 按referer维度: 统计每小时各来访host的产生的pv数并排序

  drop table dw_pvs_refererhost_everyhour;
  create table dw_pvs_refererhost_everyhour(ref_host string,month string,day string,hour string,ref_host_cnts bigint) partitioned by(datestr string);
  
  insert into table dw_pvs_refererhost_everyhour partition(datestr='20130918')
  select 
  ref_host,
  month,
  day,
  hour,
  count(1) as ref_host_cnts
  from ods_weblog_detail 
  group by ref_host,month,day,hour 
  having ref_host is not null
  order by hour asc,day asc,month asc,ref_host_cnts desc;
  

5.1.2 字符串拼接函数concat()

• contact(xx,yy,zz) as cts UDAF 多行进一行出, 字符串拼接
• 案例 concat(month,day, hour)

5.1.3 dw层hive函数: 分组求topN

• 案例:

  id name sal
  1   a   10
  2   a   12
  3   b   13
  4   b   12
  5   a   14
  6   a   15
  7   a   13
  8   b   11
  9   a   16
  10  b   17
  11  a   14
  -- 需求, 按照各部门对薪水进行排序并求TopN
  -- 1.1 按照name分区,sal排序,并且每个分区中都为排好序的数据打上标号
  select 
  id,
  name,
  sal,
  rank() over(partition by name order by sal desc ) rp,
  dense_rank() over(partition by name order by sal desc ) drp,
  row_number()over(partition by name order by sal desc) rmp
  from f_test
  -- 1.2 打好标号的结果
  id  name  rp   drp   rmp 
  a    16    1    1    1
  a    15    2    2    2
  a    14    3    3    3
  a    14    3    3    4
  a    13    5    4    5
  a    12    6    5    6
  a    10    7    6    7
  b    17    1    1    1
  b    13    2    2    2
  b    12    3    3    3
  b    11    4    4    4
  -- 1.3 三种开窗函数的区别
  rank() over(partition by name order by sql desc) as rp   1,1,3顺序排
  dense_rank over(partition by name order by sal desc) as drp 1,1,2  并列排序,总序号会减少
  row_number() over(partition by name order by sql desc) as rmp 1,2,3 并列排序,总序号不变
  
  -- 2. 按照name分组,求每个组中前3名
  select 
  	*
  from 
  	(select 
  		id,
  		name,
  		sal,
  		rank() over(partition by name order by sal desc ) rp,
  		dense_rank() over(partition by name order by sal desc ) drp,
  		row_number() over(partition by name order by sal desc) rmp
  		from f_test) temp
  where temp.rmp <= 3;
  

• 需求描述：按照时间维度，统计一天内各小时产生最多pvs的来访的topN

  (查询dw_pvs_refererhost_everyhour表)

  select 
  	ref_host,
  	ref_host_cnts,
  	concat(month,day,hour),
  	row_number() over (partition by concat(month,day,hour) order by 	ref_host_cnts desc) as od 
  from dw_pvs_refererhost_everyhour;
  
  --综上可以得出
  drop table dw_pvs_refhost_topn_everyhour;
  create table dw_pvs_refhost_topn_everyhour(
  hour string,
  toporder string,
  ref_host string,
  ref_host_cnts string
  )partitioned by(datestr string);
  -- 每一个子查询语句，都是可以独立运行的
  insert into table dw_pvs_refhost_topn_everyhour partition(datestr='20130918')
  select 
  	t.hour,
  	t.od,
  	t.ref_host,
  	t.ref_host_cnts 
  from
  	(select 
  		ref_host,
  		ref_host_cnts,
  		concat(month,day,hour) as hour,
  		row_number() over (partition by concat(month,day,hour) order by ref_host_cnts desc)          as od 
  		from dw_pvs_refererhost_everyhour) t 
  where od<=3;
  

5.1.4 人均浏览页数

• 需求描述：统计今日所有来访者平均请求的页面数。

  总页面请求数/去重总人数

  drop table dw_avgpv_user_everyday;
  create table dw_avgpv_user_everyday(
  day string,
  avgpv string);
  -- 添加数据
  insert into table dw_avgpv_user_everyday
  select 
  	'20130918', 
  	sum(b.pvs) / count(b.remote_addr)
  from
  	(select
  		remote_addr,
  		count(1) as pvs
  	from 
       	osd_weblog_detail 
  	where datestr='20130918'
  	group by remote_addr) b;
  

5.2 受访分析

页面受到的访问, ods_weblog_detail中的request字段(要访问的页面,这个页面就是受到访问的页面)

5.2.1 各页面访问统计

select
	request as request,
	count(1) as cts
from 
	ods_weblog_detail
group by request 
having request is not null
order by cts 
limit 20;

5.2.2 热门页面统计

• 统计20130918这个分区里面的受访页面的top10

  drop table dw_hotpages_everyday;
  create table dw_hotpages_everyday(day string,url string,pvs string);
  -- ETL从ods层查询数据抽取到dw层
  insert into table dw_hotpages_ervery
  select 
  	'20130918',
  	request,
  	count(1) as cts
  from 
  	ods_weblog_detail
  where request is not null
  group by request
  order by cts desc
  limit 10;
  

• 统计每日最热门页面的top10(分组求topN)

  select
  	temp.*
  from
  	(select
  		concat(month,day) as day,
  		request,
  		count(1) as cts,
  		row_number() over(partition by day order by cts desc) as rmp
  	from 
       	ods_weblog_detail 
  	where request is not null) temp
  where temp.rmp >= 10;
  

5.3 访客分析

5.3.1 独立访客

• 需求: 每小时独立访客及其产生的pv(也就是一个用户访问了多少个页面)

  安装小时,remote_addr进行分组,然后再count(1)

  drop table dw_user_dstc_ip_h;
  create table dw_user_dstc_ip_h(
  remote_addr string,
  pvs      bigint,
  hour     string);
  
  -- 插入数据
  select
  	remote_addr,
  	count(1) as pvs,
  	concat(month,day,hour) as hour
  from 
  	ods_weblog_detail
  where datestr = '20130918'
  group by hour,remote_addr;
  

5.3.2 每日新访客

• 历史表

• 每日访客表 就是ods_weblog_detail

• nrewIp left join hist on newIp.remote_addr = hist.ip where hist.ip is null ==>就是每日新访客表

• 得到的新访客需要追加到历史表中

  --历史去重访客累积表
  drop table dw_user_dsct_history;
  create table dw_user_dsct_history(
  day string,
  ip string)
  partitioned by(datestr string);
  
  --每日新访客表
  drop table dw_user_new_d;
  create table dw_user_new_d (
  day string,
  ip string) 
  partitioned by(datestr string);
  
  --每日新用户插入新访客表
  insert into table dw_user_new_d partition(datestr='20130918')
  select 
  	tmp.day as day,
  	tmp.remote_addr as new_ip 
  from
  	(select 
  		a.day, 
  		a.remote_addr,
  	from 
     		(select   
      		remote_addr,
      		'20130918' as day 
  		from 
           	ods_weblog_detail newIp
  		where datestr ='20130918'
  		group by remote_addr
  		) a 
  	left join 
       	dw_user_dsct_history hist
  	on a.remote_addr = hist.ip
  	where hist.ip is null) temp;
  	
  --每日新用户追加到历史累计表
  insert into table dw_user_dsct_history partition(datestr='20130918')
  select day,ip from dw_user_new_d where datestr='20130918';
  

5.4 访客Visit分析(点击流模型)

• 回头访客及其访问的次数

  drop table dw_user_returning;
  create table dw_user_returning(
  day string,
  remote_addr string,
  acc_cnt string)
  partitioned by (datestr string);
  -- 插入数据
  insert overwrite table dw_user_returning partition(datestr='20130918')
  select
  	'20130918' as day,
  	remote_addr,
  	count(1) as acc_cnt
  from 
  	ods_click_stream_visit
  group by remote_addr
  having acc_cnt > 1;
  

• 人均访问的频次，频次表示我们来了多少个session
  次数都是使用session来进行区分，一个session就是表示一次

  select 
  	sum(groupuser) / count(1)
  from 
  	(select
  		count(1) as groupuser
  	from ods_click_stream_visit
  	where datestr = '20130918' 
  	group by remote_addr);
  

• 人均页面浏览量 总的pagevisits / 总的去重人数

  select sum(pagevisits)/count(distinct remote_addr) from ods_click_stream_visit where datestr='20130918';
  

5.5 关键路径转化率分析(漏斗模型)

5.5.1 hive当做级联求和(inner join自关联)

-- t_salary_detail
username month salary
A,2015-01,5
A,2015-01,15
B,2015-01,5
A,2015-01,8
B,2015-01,25
A,2015-01,5
A,2015-02,4
A,2015-02,6
B,2015-02,10
B,2015-02,5
A,2015-03,7
A,2015-03,9
B,2015-03,11
B,2015-03,6
-- 需求1. 求每个用户每个月总共获得多少消费
select
t.month,
t.username,
sum(salary) as salSum
from t_salary_detail
group by t.username,t.month;
+----------+-------------+---------+--+
| t.month  | t.username  | salsum  |
+----------+-------------+---------+--+
| 2015-01  | A           | 33      | 
| 2015-02  | A           | 10      | 
| 2015-03  | A           | 16      | 
| 2015-01  | B           | 30      | 
| 2015-02  | B           | 15      | 
| 2015-03  | B           | 17      | 
+----------+-------------+---------+--+
-- 需求2. 求每个用户每个月累计小费
-- 第一步: 求每个用户每个月的消费总和
select
t.month,
t.username,
sum(salary) as salSum
from t_salary_detail
group by t.username,t.month;
-- 第二步: 使用inner join 实现自己连接自己(inner join并不以谁为基准, 而是两张表的交集)
select
	a.*,
	b.*
from
	(select
		t.month, 
		t.username,
		sum(salSum) as salSum
	from
    	t_salary_detail t
	group by t.username,t.month) a
inner join 
	(select
		t.month,
		t.username,
		sum(salSum) as salSum
		from 
     	t_salary_detail t
    	group by t.username,t.month) b
on a.username = b.username;
+----------+-------------+-----------+----------+-------------+-----------+--+
| a.month  | a.username  | a.salsum  | b.month  | b.username  | b.salsum  |
+----------+-------------+-----------+----------+-------------+-----------+--+
取这一个作为一组
| 2015-01  | A           | 33        | 2015-01  | A           | 33        |

| 2015-01  | A           | 33        | 2015-02  | A           | 10        |
| 2015-01  | A           | 33        | 2015-03  | A           | 16        |
取这两个作为一组
| 2015-02  | A           | 10        | 2015-01  | A           | 33        |
| 2015-02  | A           | 10        | 2015-02  | A           | 10        |

| 2015-02  | A           | 10        | 2015-03  | A           | 16        |
取这三个作为一组
| 2015-03  | A           | 16        | 2015-01  | A           | 33        |
| 2015-03  | A           | 16        | 2015-02  | A           | 10        |
| 2015-03  | A           | 16        | 2015-03  | A           | 16        |


| 2015-01  | B           | 30        | 2015-01  | B           | 30        |

| 2015-01  | B           | 30        | 2015-02  | B           | 15        |
| 2015-01  | B           | 30        | 2015-03  | B           | 17        |

| 2015-02  | B           | 15        | 2015-01  | B           | 30        |
| 2015-02  | B           | 15        | 2015-02  | B           | 15        |

| 2015-02  | B           | 15        | 2015-03  | B           | 17        |

| 2015-03  | B           | 17        | 2015-01  | B           | 30        |
| 2015-03  | B           | 17        | 2015-02  | B           | 15        |
| 2015-03  | B           | 17        | 2015-03  | B           | 17        |
+----------+-------------+-----------+----------+-------------+-----------+--+
-- 加参数继续变形 条件就是b.month <= a.month 
select
	a.*,
	b.*
from
	(select
		t.month, 
		t.username,
		sum(salSum) as salSum
		from 
     		t_salary_detail t
		group by t.username,t.month) a
inner join 
(select
		t.month, 
		t.username,
		sum(salSum) as salSum
		from 
     		t_salary_detail t
		group by t.username,t.month) b
on a.username = b.username
where b.month <= a.month;
+----------+-------------+-----------+----------+-------------+-----------+--+
| a.month  | a.username  | a.salsum  | b.month  | b.username  | b.salsum  |
+----------+-------------+-----------+----------+-------------+-----------+--+
| 2015-01  | A           | 33        | 2015-01  | A           | 33        |   33

| 2015-02  | A           | 10        | 2015-01  | A           | 33        |   43
| 2015-02  | A           | 10        | 2015-02  | A           | 10        |

| 2015-03  | A           | 16        | 2015-01  | A           | 33        |   59
| 2015-03  | A           | 16        | 2015-02  | A           | 10        |
| 2015-03  | A           | 16        | 2015-03  | A           | 16        |

| 2015-01  | B           | 30        | 2015-01  | B           | 30        |   30

| 2015-02  | B           | 15        | 2015-01  | B           | 30        |   45
| 2015-02  | B           | 15        | 2015-02  | B           | 15        |

| 2015-03  | B           | 17        | 2015-01  | B           | 30        |   62
| 2015-03  | B           | 17        | 2015-02  | B           | 15        |
| 2015-03  | B           | 17        | 2015-03  | B           | 17        |
+----------+-------------+-----------+----------+-------------+-----------+--+
-- 第三步: 从第二步的结果中继续对a.month,a.username进行分组,并对分组后的b.salSum进行sum
select
    temp.username,
    temp.month,
    max(asalSum),
    sum(bsalSum)
from
	(select
  		a.username as ausername,
  		a.month as amonth,
  		a.salSum as asalSum, 
  		b.salSum as bsalSum
 	from
 		(select
            t.month, 
            t.username,
            sum(salSum) as salSum
 		from 
    		t_salary_detail t
 		group by t.username,t.month) a
 	inner join 
 		(select
 			t.month,
  			t.username,
  			sum(salSum) as salSum
 		from 
         	t_salary_detail t) b
 	on a.username = b.username
 	where b.month <= a.month;
) temp
order by temp.username,a.month;

5.5.2 漏斗模型

第一个指标: 每一步现对于第一步的转化率

第二个指标: 每一步相对于上一步的转化率

5.5.2.1 查询每一步骤的总访问人数

create table dw_oute_numbs as
select 
	'step1' as step, 
	count(distinct remote_addr) as numbs 
	from
		ods_click_pageviews
where datestr = '20130918'
and request like '/item%'
union all
select 
	'step2' as step, 
	count(distinct remote_addr) as numbs 
	from
		ods_click_pageviews
where datestr = '20130918'
and request like '/category%'
select 
	'step3' as step, 
	count(distinct remote_addr) as numbs 
	from
		ods_click_pageviews
where datestr = '20130918'
and request like '/order%'
select 
	'step4' as step, 
	count(distinct remote_addr) as numbs 
	from
		ods_click_pageviews
where datestr = '20130918'
and request like '/index%'
+---------------------+----------------------+--+
| dw_oute_numbs.step  | dw_oute_numbs.numbs  |
+---------------------+----------------------+--+
| step1               | 1029                 |
| step2               | 1029                 |
| step3               | 1028                 |
| step4               | 1018                 |
+---------------------+----------------------+--+

5.5.2.2 查询每一步骤相对于路径起点人数的比例(级联查询,自己跟自己join)

-- 1. 先自关联得到总表, 这时候自关联就没有on条件了,
select
	a.step as astep,
	a.numbs as anumbs,
	b.step as bstep,
	b.numbs as bnumbs
from 
	dw_oute_numbs a
inner join
	dw_oute_numbs b;
+---------+----------+---------+----------+--+
| a.step  | a.numbs  | b.step  | b.numbs  |
+---------+----------+---------+----------+--+
| step1   | 1029     | step1   | 1029     |

| step2   | 1029     | step1   | 1029     |
| step3   | 1028     | step1   | 1029     |
| step4   | 1018     | step1   | 1029     |

| step1   | 1029     | step2   | 1029     |

| step2   | 1029     | step2   | 1029     |
| step3   | 1028     | step2   | 1029     |
| step4   | 1018     | step2   | 1029     |

| step1   | 1029     | step3   | 1028     |
| step2   | 1029     | step3   | 1028     |
| step3   | 1028     | step3   | 1028     |
| step4   | 1018     | step3   | 1028     |

| step1   | 1029     | step4   | 1018     |
| step2   | 1029     | step4   | 1018     |
| step3   | 1028     | step4   | 1018     |
| step4   | 1018     | step4   | 1018     |
+---------+----------+---------+----------+--+	
-- 2. 加条件 只取 a表的step1
select
	a.step as astep,
	a.numbs as anumbs,
	b.step as bstep,
	b.numbs as bnumbs
from 
	dw_oute_numbs a
inner join
	dw_oute_numbs b
where a.step = 'step1';	
+---------+----------+---------+----------+--+
| a.step  | a.numbs  | b.step  | b.numbs  |
+---------+----------+---------+----------+--+
| step1   | 1029     | step1   | 1029     |
| step1   | 1029     | step2   | 1029     |
| step1   | 1029     | step3   | 1028     |
| step1   | 1029     | step4   | 1018     |
+---------+----------+---------+----------+--+	
-- 3. 求比率
select 
	temp.bnumbs/temp.anumbs as otherToFirstRation
from
	(select
        a.step as astep,
        a.numbs as anumbs,
        b.step as bstep,
        b.numbs as bnumbs
	from 
		dw_oute_numbs a
	inner join
		dw_oute_numbs b
	where a.step = 'step1';	
    ) temp;
+---------+
| otherToFirstRation  |
+---------+
| 1.0   			 |
| 1.0   			 |
| 0.9990  			 |
| 0.9893              |
+---------+

5.5.2.3 每一步相对于上衣布的转化率 secondToFirstRation==>cast(被转换的数据, 要转换的类型)

• hive中的函数 cast(),转换函数
  • UDF 将string类型转为int类型
  • cast(substr(xxx,5,1) as int) 将截取后的字符串转为int类型
  • casr(‘2013-09-18’, date) 转换为日期类型
• 需求: 每一步相对于上一步的转化率

-- 先过滤出条件
select
	a.step as astep,
	a.numbs as anumbs,
	b.step as bstep,
	b.numbs as bnumbs
from
	dw_oute_numbs a
inner join 
dw_oute_numbs b
where cast(substr(a.step, 5, 1), int) = cast(substr(b.step, 5, 1), int) - 1;
+---------+----------+---------+----------+--+
| a.step  | a.numbs  | b.step  | b.numbs  |
+---------+----------+---------+----------+--+
| step1   | 1029     | step2   | 1029     |
| step2   | 1029     | step3   | 1028     |
| step3   | 1028     | step4   | 1018     |
+---------+----------+---------+----------+--+	
-- 再求比率
select
	temp.bnumbs/temp.anumbs as secondToFirstRation
from 
	(select
        a.step as astep,
        a.numbs as anumbs,
        b.step as bstep,
        b.numbs as bnumbs
	from
		dw_oute_numbs a
	inner join 
	dw_oute_numbs b
	where cast(substr(a.step, 5, 1), int) = cast(substr(b.step, 5, 1), int) - 1
    ) temp;
+---------+
| secondToFirstRation  |
+---------+
| 1.0   |
| 0.9990   |
| 0.9983   |
+---------+	

6. hive到出到mysql中

• 先在mysql中创建库,创建表

• sqoop找到hive在hdfs存储位置,默认user/root/warehouse/weblog/表文件夹

  /export/servers/sqoop-xxx/bin/sqoop export \
  --connect jdbc:mysql://192.168.137.188:3306/weblog \
  --username root --passwrod root \
  --m 1	\
  --export-dir /user/root/warehouse/weblog/xxx \
  --table mysql中的表名  \
  --input-fields-terminated-by '\001'
  

7. azkaban调度

7.1 大体的轮廓

flume一直在运行, 唯一要做的就是要监控十分正常运行

• 数据的清洗 三个mr程序需要运行
• hive当中表数据的加载
• ETL开发
• 将结果数据到出

7.2 小记忆

• date -d ‘-1 day’ + %Y%m%d

8. echarts数据可视化

9. 面试总结

• 一天数据 50G-100G 2-3个人维护

• 集群数量30台左右 每台硬盘配置12T-24T 内存最少64GB CM搭建运行环境

• 首先要确定你要运行哪些框架？

  zookeeper hadoop hive flume sqoop

  zookeeper:奇数台，7-9台都行
  hadoop HA: namenode 2 个 datanode 26个 journalenode 7-9个
  zkfc 与namenode同在
  resourceManager 2 个 nodeManager 26个
  hive：随便找一个datanode装上就行了
  sqoop：随便找一个datanode装上就行了

  集群的服务的规划：主节点彻底分开，不要与其他的节点混淆