数仓4.0（一）

目录

一：数据仓库概念

二：项目需求及架构设计

2.1 项目需求分析

 2.2 项目框架

2.2.1 技术选型

2.2.2 系统数据流程设计 

2.2.3 框架版本选型 

2.2.4 服务器选型

2.2.5 集群规模 

2.2.6 集群资源规划设计 

三：数据生成模块 

3.1 目标数据

3.1.1 页面

3.1.2 事件 

3.1.3 曝光 

3.1.4 启动 

3.1.5 错误 

3.2 数据埋点

3.2.1 主流埋点方式（了解）

3.2.2 埋点数据上报时机 

3.2.3 埋点数据日志结构

3.3 模拟数据

---

一：数据仓库概念

数据仓库（ Data Warehouse ），是为企业制定决策，提供数据支持的。可以帮助企业，改进业务流程、提高产品质量等。

数据仓库的输入数据通常包括：业务数据、用户行为数据和爬虫数据等

• 业务数据：就是各行业在处理事务过程中产生的数据。比如用户在电商网站中登录、下单、支付等过程中，需要和网站后台数据库进行增删改查交互，产生的数据就是业务数据。业务数据通常存储在MySQL、Oracle等数据库中。
• 用户行为数据：用户在使用产品过程中，通过埋点收集与客户端产品交互过程中产生的数据，并发往日志服务器进行保存。比如页面浏览、点击、停留、评论、点赞、收藏等。用户行为数据通常存储在日志文件中。
• 爬虫数据：通常事通过技术手段获取其他公司网站的数据。（谨慎操作）

二：项目需求及架构设计

2.1 项目需求分析

 2.2 项目框架

2.2.1 技术选型

2.2.2 系统数据流程设计 

2.2.3 框架版本选型 

我选择使用的是Apache版本的框架，虽然Apache运维麻烦，组件间兼容性需要自己调研。（但是是开源的）----一般适合大厂使用

以下是框架的具体版本型号

 注意：框架选型尽量不要选择最新的框架，选择最新框架半年前左右的稳定版。

2.2.4 服务器选型

2.2.5 集群规模 

2.2.6 集群资源规划设计 

在企业中通常会搭建一套生产集群和一套测试集群。生产集群运行生产任务，测试集群用于上线前代码编写和测试。

一）生产集群

（1）消耗内存的分开

（2）数据传输数据比较紧密的放在一起（Kafka 、Zookeeper）

（3）客户端尽量放在一到两台服务器上，方便外部访问

（4）有依赖关系的尽量放到同一台服务器（例如：Hive和Azkaban Executor）

2）测试集群服务器规划

三：数据生成模块 

3.1 目标数据

我们要收集和分析的数据主要包括页面数据、事件数据、曝光数据、启动数据和错误数据。

3.1.1 页面

页面数据主要记录一个页面的用户访问情况，包括访问时间、停留时间、页面路径等信息。

3.1.2 事件 

事件数据主要记录应用内一个具体操作行为，包括操作类型、操作对象、操作对象描述等信息。

3.1.3 曝光 

曝光数据主要记录页面所曝光的内容，包括曝光对象，曝光类型等信息。

3.1.4 启动 

启动数据记录应用的启动信息。

3.1.5 错误 

错误数据记录应用使用

过程中的错误信息，包括错误编号（404）及错误信息。

3.2 数据埋点

3.2.1 主流埋点方式（了解）

目前主流的埋点方式，有代码埋点（前端/后端）、可视化埋点、全埋点三种。

3.2.2 埋点数据上报时机 

方式一，在离开该页面时，上传在这个页面产生的所有数据（页面、事件、曝光、错误等）。优点，批处理，减少了服务器接收数据压力。缺点，不是特别及时。

方式二，每个事件、动作、错误等，产生后，立即发送。优点，响应及时。缺点，对服务器接收数据压力比较大。

注意：本项目采用方式一。

3.2.3 埋点数据日志结构

我们的日志结构大致可分为两类，一是普通页面埋点日志，二是启动日志。

普通页面日志结构如下，每条日志包含了，当前页面的页面信息，所有事件（动作）、所有曝光信息以及错误信息。除此之外，还包含了一系列公共信息，包括设备信息，地理位置，应用信息等，即下边的common字段。

（1）普通页面埋点日志格式

 "common"字段+内容

"actions"字段+内容

"displays"字段+内容

"page"字段+内容

"err"字段+内容

"ts"字段+内容

（2）启动日志格式

启动日志结构相对简单，主要包含公共信息，启动信息和错误信息。

"common"字段+内容

"start"字段+内容

"err"字段+内容

"ts"字段+内容

3.3 模拟数据

将application.yml、gmall2020-mock-log-2021-01-22.jar、path.json、logback.xml上传到hadoop102的/opt/module/applog目录下

生成日志

（1）进入到/opt/module/applog路径，执行以下命令

[atguigu@hadoop102 applog]$ java -jar gmall2020-mock-log-2021-01-22.jar

（2）在/opt/module/applog/log目录下查看生成日志

[atguigu@hadoop102 log]$ ll

将生成日志写成脚本，然后放在bin目录下，然后分发给其他集群，这样就可以随时生成日志了。